Annonce

Les commentaires sont clos.

Stage M2 à Strasbourg: Estimation des paramètres spatio-temporels de marche à partir de vidéo

27 Octobre 2022


Catégorie : Stagiaire


Les maladies neurodégénératives (MND) sont des maladies chroniques responsables d’une perte d’autonomie fonctionnelle et de dépendance dont le premier facteur de risque connu est l’âge. Ils provoquent souvent des troubles moteurs tels que tremblements au repos, rigidité, bradykinésie et instabilité posturale. L'analyse de la marche est fréquemment utilisée dans les applications cliniques pour détecter ces anomalies. Cependant, les évaluations reposant sur des capteurs portables sont coûteuses et parfois intrusives; les systèmes commerciaux d'analyse de mouvement 3D nécessitent des caméras soigneusement calibrées pour collecter des données vidéo multi-vues, et ne sont donc pas pratiques. Par conséquent, nous nous intéressons à estimer les paramètres de marche cliniquement pertinents avec uniquement des vidéos de patients monoculaires. L'objectif général est d'obtenir des estimations comparables à celles du système de piste électronique « GAITRite », qui contient des sections de capteurs encapsulés.

 

Nous visons à estimer les paramètres spatio-temporels à partir des vidéos de marche de caméra fixe mais variable pour chaque séquence. Ces vidéos que nous traiterons contiennent déjà des positions articulaires 2D estimées par OpenPose. Les positions articulaires 3D peuvent être estimées par un modèle de réseau de neurones développé au laboratoire.

Cette tâche est compose de:

1.Raffiner/compléter les positions articulaires 2D estimées, si nécessaire.

2.Déduire la cadence, le nombre de pas, la durée du pas, la largeur de pas moyenne, le coefficient de variation de la largeur/durée de pas, etc.

Deux approches possibles sont considérés pour la 2eme tâche:

1.Méthodes de traitement du signal. Nous pouvons identifier cycles de marche en calculant la valeur d'autocorrélation de la position/accélération de l'articulation dans le temps. Nous pouvons également calculer la cadence en identifiant les attaques talon, ce qui peut être fait en différenciant les positions verticales de la cheville au fil du temps et en trouvant 35 % de la différence maximale de vitesse.

2.Méthode d’apprentissage automatique. Nous pouvons distinguer les différentes phases de marche en appliquant un régresseur d'arbres supplémentaires (extra trees régresseur) sur les angles d’articulation.

Nous allons ensuite comparer les paramètres estimés aux paramètres acquis par le système d’analyse de la marche « GAITRite ».

Enfin, compte tenu des résultats expérimentaux, nous allons concevoir une métrique d'évaluation. À l'aide de vidéos de marche, cette métrique nous permet d’évaluer les performances des méthodes de reconstruction de mouvement humain 3D basées sur la vidéo.

 

Description détaillée et contact :

http://igg.unistra.fr/People/seo/StudentsJoboffer_files/SujetM2_Video_du_marche.pdf