Description
Los patrones de movimiento de la marcha, como la longitud del paso, la postura flexionada, la ausencia de balanceo de los brazos y la bradiquinesia, constituyen la principal fuente de información para describir y cuantificar la enfermedad de Parkinson. No obstante, esa cuantificación se desarrolla comúnmente con protocolos basados en marcadores, afectando la naturalidad de los movimientos, y considerando sólo una descripción limitada del proceso de locomoción. Este trabajo introduce una representación espacio-temporal de la marcha, que utiliza secuencias de vídeo sin marcadores para predecir automáticamente comportamientos parkinsonianos. Una contribución notable que se presenta aquí es la cuantificación de los mapas espacio-temporales salientes, que destacan las regiones del cuerpo relacionadas con la enfermedad de Parkinson, y que resultan de las activaciones que contribuyen más durante la tarea de clasificación. Para ello se entrena una arquitectura convolucional a partir de un conjunto de videos de marcha, grabados de pacientes de parkinson y sujetos control. Luego, se obtiene una predicción de la enfermedad según los patrones de movimiento calculados por el esquema convolucional aprendido. Los patrones de movimiento salientes se obtienen retropropagando la salida de la red sobre el espacio del vídeo. De un total de 22 pacientes, y un total de 176 secuencias de vídeo, el enfoque propuesto alcanzó una precisión media del 88%. Los mapas de atención obtenidos centran su atención en biomarcadores parkinsonianos como el movimiento de la cabeza y la postura del tronco, los cuales, no se suelen tener en cuenta en el análisis clásico de la marcha.
=================================
Gait motion patterns such as step length, flexed posture, absent arm swing and bradykinesia, constitute the main source of information to describe and quantify Parkinson disease. Nevertheless, such quantification is commonly developed under marker based protocols, losing natural motion gestures, and only taking into account a limited description of the locomotion process. This work introduces a 3D convolutional gait representation, that uses markerless video sequences to automatically predict parkinsonian behaviours. A remarkable contribution herein presented is the quantification of spatio-temporal salient maps, that stand out body regions related with Parkinson disease, and result from activations that mainly contribute to the classification task. For doing so, a convolutional architecture is trained from a set of walking videos, recorded from parkinsonian and control subjects. Then, a prediction of disease is obtained according to motion patterns computed by convolutional learned scheme. Salience motion patterns are obtained by retro-propagating the output softmax network prediction over the video space. From a total of 22 patients, and a total of 176 video sequences, the proposed approach achieved an average accuracy score of 88%. Interestingly enough, the recovered salience maps focus the attention on relevant parkinsonian biomarkers such as the head motion and trunk posture, that namely is excluded on classical gait analysis.
