Automating Timed Up and Go Phase Segmentation and Gait Analysis via the tugturn Markerless 3D Pipeline

Deze paper introduceert \textit{tugturn.py}, een Python-pipeline voor markerloze 3D-analyse van de Timed Up and Go-test die automatische fase-segmentatie, gangevent-detectie en diverse kinematische en stabiliteitsmetrieken biedt om reproduceerbare klinische en onderzoeksresultaten te genereren.

De kern

Hoe een slimme computer de 'opstaan-en-lopen'-test voor iedereen begrijpbaar maakt

Stel je voor dat je een ouderenverpleegkundige bent die een patiënt vraagt om op te staan uit een stoel, een paar stappen te zetten, een halve draai te maken, terug te lopen en weer te gaan zitten. Dit heet de TUG-test (Timed Up and Go). Het is een simpele test die artsen gebruiken om te zien hoe stabiel iemand is.

Tot nu toe keken artsen hier alleen naar de tijd: "Hoe lang duurde het?" Maar dat vertelt niet het hele verhaal. Hoe deed de persoon dat? Was de draaiing strak of wankel? Was de eerste stap anders dan de laatste?

Tot nu toe was het heel moeilijk om die details te zien zonder dure camera's met reflecterende balletjes (markers) op het lichaam. Dat is duur en lastig in een gewone kliniek.

Deze paper introduceert tugturn.py: een slimme, gratis computerprogramma dat deze test automatisch analyseert met alleen een gewone video. Hier is hoe het werkt, vertaald in alledaagse termen:

1. De "Onzichtbare Lijn" (Ruimtelijke Segmentatie)

Stel je voor dat de vloer van de kamer is verdeeld in onzichtbare zones met magische lijnen:

• Zone 1: De stoel.
• Zone 2: De loopbaan.
• Zone 3: De draaiplek.

Het programma kijkt niet naar de tijd, maar naar waar de heupen van de persoon zijn. Zodra de persoon de stoel verlaat, weet het programma: "Ah, nu begint de 'opstaan'-fase." Zodra ze de draaiplek bereiken: "Nu draaien ze."
Het is alsof het programma een onzichtbare lijn trekt op de vloer en zegt: "Ik weet precies wanneer je begint, wanneer je draait en wanneer je stopt." Hierdoor wordt de test geen zwart-wit stopwatch-meting meer, maar een gedetailleerde kaart van de beweging.

2. De "Dance-Partner" (Gait Event Detectie)

Een groot probleem bij deze test is dat mensen vaak draaien. Normale software denkt dan vaak: "Oh, die voet beweegt, dat is een stap!" terwijl het eigenlijk alleen maar draaien is.

Het tugturn.py-programma is slimmer. Het gebruikt een trucje dat we de "Dance-Partner-methode" kunnen noemen:

• Het kijkt niet alleen naar de voet, maar naar de relatie tussen de voet en de heup (het centrum van het lichaam).
• Het vraagt zich af: "Beweegt de voet vooruit in de richting waarin de persoon loopt, of beweegt hij alleen maar mee met de draai?"
• Alleen als de voet echt een stap zet in de looprichting, telt het als een stap. Dit voorkomt dat het programma "dwaalt" tijdens het draaien.

3. De "Stabiliteitsmeter" (XCoM en Vector Coding)

Het programma doet meer dan alleen tellen. Het kijkt naar de stabiliteit:

• De uitgestrekte zwaartepunt (XCoM): Stel je voor dat je op één been staat en voorover leunt. Je valt bijna, maar je vangt jezelf op. Het programma berekent hoe ver iemand "vooruit" leunt voordat hij zijn volgende stap zet. Als iemand te ver vooruit leunt, is het risico op vallen groter.
• De coördinatie (Vector Coding): Kijk naar hoe de romp en het bekken bewegen tijdens het draaien. Bewegen ze als één blok (zoals bij Parkinson-patiënten die moeilijk kunnen draaien) of bewegen ze soepel en onafhankelijk van elkaar? Het programma meet dit als een dansstijl.

4. De "Rapporteur" (Uitvoer en Verslagen)

Het mooiste is dat je niet hoeft te wachten tot een expert de video heeft bekeken.

• Je sleept de videobestand (of de data) naar het programma.
• Het programma draait als een automatische machine.
• Binnen een paar seconden krijg je een kleurrijk rapport (een HTML-bestand) met grafieken, tabellen en zelfs een GIF-animatie die laat zien waar de software de verschillende fases heeft gevonden.

Waarom is dit belangrijk?

Vroeger had je een dure laboratorium met speciale camera's nodig om deze details te zien. Nu kan elke fysiotherapeut of onderzoeker dit doen met een simpele camera en deze gratis software.

Het is alsof je een automatische vertaler hebt die de taal van het lichaam (beweging) omzet in een duidelijke, leesbare taal voor artsen. Het helpt om patiënten sneller en beter te begrijpen, zonder dat ze dure apparatuur nodig hebben.

Kort samengevat:
Deze paper presenteert een slimme tool die een simpele video van iemand die opstaat en draait, omzet in een gedetailleerd medisch rapport. Het doet dit door de beweging op te splitsen in logische stukken, slimme stappen te tellen en de stabiliteit te meten, allemaal zonder dat de patiënt speciale kleding of markers nodig heeft.

Technische samenvatting

Titel: Automatisering van fase-segmentatie en loopanalyse bij de 'Timed Up and Go' (TUG) via de TUGTURN markerloze 3D-pipeline

1. Het Probleem

De 'Timed Up and Go' (TUG) test is een standaard klinische tool om mobiliteit en functionele prestaties te evalueren, vooral bij ouderen en patiënten met neurologische aandoeningen (zoals de ziekte van Parkinson). Hoewel traditionele bewegingsanalyses met instrumenten (zoals opto-elektronische systemen en krachtplateaus) hoge nauwkeurigheid bieden, zijn ze duur, tijdrovend en vereisen ze gespecialiseerde infrastructuur.

Bestaande markerloze benaderingen (gebaseerd op computerzicht) hebben de toegang tot bewegingsanalyse vergroot, maar er ontbreekt een robuuste, reproduceerbare workflow die specifiek is ontworpen voor de complexe fasen van de TUG-test. De huidige uitdagingen zijn:

• Gebrek aan gespecialiseerde tools: Er zijn weinig markerloze pipelines die automatisch de specifieke fasen van de TUG (opstaan, lopen, draaien, zitten) kunnen segmenteren.
• Subjectiviteit en fouten: Zonder geautomatiseerde tools vertrouwen analyses vaak op subjectieve visuele inspectie of arbeidsintensieve handmatige frame-per-frame verwerking.
• Valse detecties: Bestaande algoritmen voor het detecteren van loopgebeurtenissen (zoals hak-aanraking en teen-afzet) genereren vaak valse positieven tijdens draai- of overgangsfases, wat de nauwkeurigheid van de data vermindert.

2. Methodologie: De TUGTURN Pipeline

Het paper introduceert tugturn.py, een Python-gebaseerde workflow voor 3D markerloze TUG-verwerking. De pipeline combineert fase-segmentatie, detectie van loopgebeurtenissen, ruimtelijk-temporele metrics, intersegmentale coördinatie en dynamische stabiliteitsanalyse.

Kerncomponenten van de architectuur:

• Invoer en Voorverwerking: De tool verwerkt 3D-coördinaten tijdreeksen (vaak gegenereerd door MediaPipe en verwerkt via het vailá-framework).
• Ruimtelijke Fase-segmentatie (De Y-as Logica):
  • In plaats van de TUG te behandelen als een tijdsbepaalde "black box", gebruikt tugturn een deterministisch ruimtelijk algoritme.
  • Het volgt het geschatte zwaartepunt (bekken) langs de voor-achterwaartse as (Y-as).
  • Door strikte ruimtelijke drempels toe te passen (bijv. $Y \le 1,125$ m voor de stoelzone en $Y \approx 4,5$ m voor de draai-zone), wordt de continue test automatisch opgesplitst in vijf discrete fasen: Sit-to-Stand, Eerste Loopfase, Draaien, Tweede Loopfase en Stand-to-Sit.
• Detectie van Loopgebeurtenissen (Dynamic Zeni Algorithm):
  • Om valse detecties tijdens het draaien te voorkomen, wordt een aangepaste versie van het Zeni-algoritme (gebaseerd op relatieve afstand) gebruikt.
  • Loopmasker: Detectie vindt alleen plaats als de proefpersoon staat (bekkenhoogte) en beweegt (snelheid > 0,15 m/s).
  • Dynamische Progressievector: Het algoritme berekent de richting van de beweging frame-per-frame om zich aan te passen aan de daadwerkelijke looprichting (voorwaarts of terug).
  • Heel-Strike (HS) & Toe-Off (TO): HS wordt gedetecteerd via pieken in de projectie van de hiel op de progressievector; TO via dalen in de projectie van de teen.
  • Ruimtelijke restrictie: Alleen gebeurtenissen die binnen de gedefinieerde loopzones vallen, worden geaccepteerd; gebeurtenissen tijdens het draaien of zitten worden verworpen.
• Geavanceerde Kinematica en Coördinatie:
  • Vector Coding: Wordt toegepast om de coördinatie tussen romp en bekken tijdens het draaien te kwantificeren. Dit onderscheidt In-Phase patronen (kenmerkend voor Parkinson-patiënten die als één blok draaien) van Anti-Phase patronen.
  • XCoM (Extrapolated Center of Mass): Wordt gebruikt om dynamische stabiliteit te beoordelen.
• Implementatie:
  • De software is een command-line interface (CLI) tool, configureerbaar via TOML-bestanden.
  • Het is ontworpen voor schaalbare, batch-verwerking van grote klinische databases.
  • Minimale afhankelijkheden (NumPy, Pandas, SciPy, Matplotlib, Plotly) zorgen voor cross-platform compatibiliteit.

3. Belangrijkste Bijdragen

• Eerste gespecialiseerde markerloze TUG-workflow: De eerste tool die specifiek is ontworpen om de complexe, bidirectionele aard van de TUG-test te verwerken met fase-bewuste verwerking.
• Robuuste fase-segmentatie: Het vervangen van een "blinde stopwatch" door een topografische analyse van beweging via ruimtelijke drempels.
• Integratie van geavanceerde biomerkers: Het leveren van niet alleen basisloopparameters, maar ook Vector Coding (voor draai-patronen) en XCoM (voor stabiliteit), die cruciaal zijn voor het diagnosticeren van neurologische aandoeningen.
• Reproduceerbaarheid en Transparantie: De pipeline genereert reproduceerbare artefacten, waaronder HTML-rapporten, CSV-tabellen en kwaliteitscontrole-visualisaties (GIF's), wat de overgang van complexe data-engineering naar toegankelijke klinische diagnostiek mogelijk maakt.

4. Resultaten

Het paper presenteert geen nieuwe klinische trial, maar valideert de software met testdata (een voorbeeldrun met een proefpersoon, ID: s26_m1_t1). De resultaten tonen:

• Nauwkeurige fasen-indeling: De pipeline splitste de test succesvol op in de vijf fasen met specifieke duurmetingen (bijv. 1,48s opstaan, 2,79s draaien).
• Gedetailleerde loopmetrics: Het systeem detecteerde 12 stappen in de eerste loopfase en 11 in de tweede, met berekende snelheid (0,347 m/s) en cadans (67,91 stappen/min).
• Stabiliteits- en coördinatie-data: Het leverde XCoM-afwijkingen en Vector Coding-metrics die de draaibeweging (rechtsom) en de coördinatiepatronen kwantificeerden.
• Output: De tool genereerde complete HTML-rapporten met interactieve visualisaties en machine-leesbare CSV-bestanden voor verdere statistische analyse.

5. Betekenis en Toekomstperspectief

De tugturn.py pipeline vult een kritieke kloof in de biomedische research en klinische praktijk. Het stelt onderzoekers en clinicians in staat om complexe, klinisch relevante biomechanische beschrijvers uit routinevideo-gegevens te halen zonder dure hardware.

• Klinische Impact: Door specifieke patronen (zoals en bloc draaien bij Parkinson) te kwantificeren, kan de tool dienen als een digitale biomarker voor ziekte-ernst.
• Schalbaarheid: De mogelijkheid om honderden tests in minuten te verwerken via batch-processing maakt grootschalige studies haalbaar.
• Beperkingen en Toekomst: Huidige beperkingen omvatten de afhankelijkheid van de kwaliteit van de upstream pose-estimation (bijv. MediaPipe) en de noodzaak van verdere validatie tegen gouden standaarden in instrumenteerde laboratoria. Toekomstig werk richt zich op cross-dataset validatie en onzekerheidskwantificering.

Kortom, dit paper introduceert een praktische, reproduceerbare en geavanceerde softwareoplossing die markerloze 3D-bewegingsanalyse democratiseert voor de specifieke en complexe eisen van de TUG-test.