Videobasierte Mobilitätsüberwachung älterer Menschen mithilfe von Deep Learning-Modellen

In den letzten Jahren hat die Anzahl älterer Menschen, die alleine leben, schnell zugenommen. Innovative Vision Systeme zur Fernbewertung der Mobilität von Personen können ein gesundes, aktives und glückliches Altern unterstützen. In der einschlägigen Literatur ist die Mobilitätsbewertung älterer Menschen in der klinischen Praxis noch nicht weit verbreitet. Darüber hinaus zwingt die unzureichende Verfügbarkeit von Daten oft zu binären Klassifikationen, z.B. normales/anomales Verhalten, anstatt umfassende medizinische Protokolle zu verarbeiten. In dieser Arbeit werden reale Videos älterer Menschen, die drei Mobilitätstests eines klinischen Protokolls durchführen, automatisch kategorisiert und ahmen damit den komplexen Bewertungsprozess von Expertenphysiotherapeuten nach. Videos, die mit kostengünstigen Kameras aufgenommen wurden, werden zunächst verarbeitet, um skelettale Informationen zu erhalten. Eine geeignete Datenaugmentierungstechnik wird dann verwendet, um die Variabilität des Datensatzes zu erhöhen. So werden signifikante Merkmale extrahiert, um eine Reihe von Eingaben in Form von Zeitreihen zu generieren. Vier Architekturen tiefer neuronaler Netzwerke mit Rückkopplungsverbindungen, teilweise unterstützt durch eine vorläufige konvolutionale Schicht, werden vorgeschlagen, um die Eingangmerkmale in diskrete Klassen zu kennzeichnen oder einen kontinuierlichen Mobilitätswert als Ergebnis einer Regressionsaufgabe zu schätzen. Die besten Ergebnisse werden vom vorgeschlagenen Conv-BiLSTM-Klassifikator erzielt, der die höchste Genauigkeit mit Werten zwischen 88,12 % und 90 % erreicht. Weitere Vergleiche mit flachen Lernklassifikatoren belegen weiterhin die Überlegenheit des tiefen Conv-BiLSTM-Klassifikators bei der Bewertung der Mobilität von Personen, da tiefe Netzwerke die Qualität der Testausführungen bewerten können.