A real-world indoor dynamic skeleton dataset of elderly abnormal gait including crutch-assisted walking
Il documento presenta ElderlyPipe, un dataset di dati reali indoor rilasciato pubblicamente composto da 63.855 fotogrammi scheletrici di qualità garantita che catturano comportamenti di anziani, inclusa la deambulazione con l'ausilio di stampelle, il quale dimostra che i modelli a grafo spazio-temporali superano gli approcci a singolo fotogramma nell'analisi dello squilibrio dell'andatura.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le cadute sono una delle principali cause di infortunio e morte per gli anziani, spesso derivanti da sottili cambiamenti nell'equilibrio che passano inosservati finché non è troppo tardi. Per prevenire queste tragedie, gli assistenti e i professionisti medici hanno bisogno di un modo per monitorare il modo in cui le persone camminano, cercando i primi segni di instabilità prima che si verifichi una caduta. Per decenni, i ricercatori hanno cercato di costruire sistemi informatici in grado di osservare una persona e comprenderne il movimento, ma questi sistemi hanno lottato con un problema principale: la mancanza di buoni dati. La maggior parte dei record esistenti del movimento umano proviene da persone giovani e sane in studi luminosi e controllati, oppure si basa su sensori indossabili che le persone spesso dimenticano di indossare. Ciò che è mancato è una registrazione chiara e dettagliata di come si muovano realmente gli anziani negli ambienti disordinati e imprevedibili di una casa di cura o di un soggiorno, specialmente quando faticano a camminare o usano un bastone per sostenersi. Senza questo tipo specifico di informazione, i computer non possono imparare a distinguere tra un passo normale e un inciampo pericoloso.
Un team di ricercatori della Zhejiang Sci-Tech University ha ora colmato questa lacuna creando una nuova collezione di dati chiamata ElderlyPipe. Invece di registrare video dei volti o dei corpi delle persone, il che solleva preoccupazioni sulla privacy, i ricercatori hanno catturato il movimento e lo hanno convertito in scheletri digitali. Questi scheletri non sono disegni, ma piuttosto una serie di punti matematici che segnano la posizione delle articolazioni di una persona, come spalle, gomiti e ginocchia, mentre si muovono nel tempo. Il team si è concentrato sulla registrazione di veri residenti anziani nei loro ambienti quotidiani, inclusi corridoi, lobby e aree mensa, catturando quattro comportamenti distinti: stare in piedi, camminare, sedersi e l'atto critico e sbilanciato di camminare con una stampella. Raccogliendo 63.855 di questi fotogrammi di movimento di alta qualità da 287 segmenti video continui, i ricercatori hanno fornito una risorsa che permette ai computer di studiare i pattern specifici e tremolanti dell'andatura che segnalano il pericolo negli anziani.
Il processo di trasformazione del video grezzo in questi utili scheletri digitali ha richiesto un approccio attento e multi-fase per gestire le sfide di un ambiente reale. In una casa di cura, l'illuminazione può cambiare improvvisamente e le persone spesso bloccano la visuale della telecamera l'una rispetto all'altra, causando la perdita di traccia degli arti da parte degli standard strumenti di computer vision. Per risolvere questo, i ricercatori hanno sviluppato un sistema che prima identifica le articolazioni utilizzando uno strumento di rilevamento standard, poi colma le parti mancanti quando un arto è nascosto. Se un'articolazione scompare per un breve periodo, il sistema ne ipotizza la posizione tracciando una linea retta tra dove è stata vista prima e dove riappare. Se un arto è nascosto per un periodo più lungo, il sistema utilizza la lunghezza nota del braccio o della gamba della persona per stimare dove deve trovarsi l'articolazione mancante, basandosi sulla posizione delle articolazioni che sono ancora visibili. Una volta completato lo scheletro, il sistema leviga i movimenti scattosi e tremolanti che i computer spesso introducono, creando un registro fluido e continuo del movimento della persona.
Ciò che rende questo dataset particolarmente prezioso è che non mostra solo una persona ferma; cattura il flusso del movimento nel tempo. I ricercatori hanno organizzato i dati in piccole finestre di ventiquattro fotogrammi, permettendo loro di studiare come il corpo di una persona si muova da un momento all'altro. Hanno scoperto che osservare la sequenza dei movimenti insieme è molto più efficace che guardare singoli scatti. Quando hanno testato i modelli informatici su questi dati, il sistema che comprendeva la connessione tra i movimenti passati e presenti era molto più bravo nell'identificare l'andatura difficile e sbilanciata di qualcuno che usa una stampella. Questo sistema ha identificato correttamente questi movimenti ad alto rischio più spesso rispetto ai modelli che guardavano un solo fotogramma alla volta, provando che la storia di una caduta si racconta nel ritmo dei passi, non solo nella posizione di un singolo piede.
I dati sono progettati per essere sicuri e privati, contenendo nessun'immagine di volti o nomi, solo le coordinate numeriche delle articolazioni. Ciò consente alla comunità di ricerca di costruire e testare nuovi strumenti di sicurezza senza compromettere la dignità degli anziani che hanno contribuito allo studio. Il rilascio include non solo i dati, ma anche il codice e i metodi utilizzati per pulirli e organizzarli, garantendo che altri scienziati possano riprodurre i risultati. Concentrandosi sulla sfida specifica e spesso trascurata del camminare con l'ausilio di stampelle in ambienti interni reali, questo lavoro fornisce una nuova base per lo sviluppo di tecnologie che possano un giorno sorvegliare i nostri anziani, individuando i segni di squilibrio e aiutandoli a rimanere al sicuro molto prima che avvenga una caduta.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.