Εξαγωγή χαρακτηριστικών και αναγνώριση προτύπων βάδισης με εφαρμογή σε αυτόνομο ρομποτικό σύστημα υποβοήθησης

Λιανός, Κωνσταντίνος Νεκτάριος; Lianos, Konstantinos Nektarios

dc.contributor.author	Λιανός, Κωνσταντίνος Νεκτάριος	el
dc.contributor.author	Lianos, Konstantinos Nektarios	en
dc.date.accessioned	2016-04-01T09:30:17Z
dc.date.available	2016-04-01T09:30:17Z
dc.date.issued	2016-04-01
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42301
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.11610
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αποστασιόμετρο	el
dc.subject	Παράμετροι βάδισης	el
dc.subject	Εκτίμηση κίνησης	el
dc.subject	Ανάλυση δεδομένων	el
dc.subject	Υποβοήθηση	el
dc.subject	Savitzky-Golay	el
dc.subject	Robotic rollator	el
dc.subject	Principal components analysis	en
dc.subject	Gaussian mixture models	en
dc.subject	Tracking	en
dc.title	Εξαγωγή χαρακτηριστικών και αναγνώριση προτύπων βάδισης με εφαρμογή σε αυτόνομο ρομποτικό σύστημα υποβοήθησης	el
heal.type	bachelorThesis
heal.classification	Ρομποτική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-07-23
heal.abstract	Σκοπός της παρούσας διπλωματικής είναι η ανάπτυξη ενός συστήματος εξαγωγής χαρακτηριστικών βάδισης με χρήση ενός αισθητήρα απόστασης laser, τα οποία θα χρησιμοποιηθούν στην ταξινόμηση προτύπων υγιούς και παθολογικής βάδισης. Το σύστημα αυτό θα προσαρτηθεί σε μια ολοκληρωμένη ρομποτική πλατφόρμα υποβοήθησης για γηραιότερα άτομα και ασθενείς με μέτριο βαθμό δυσκολίας στη βάδιση, προκειμένου να βοηθήσει στην αυτόματη κίνηση της πλατφόρμας και την παρακολούθηση της κατάστασης του ασθενούς. Η υλοποίηση του συστήματος χωρίζεται σε τρία σκέλη: Το πρώτο αφορά την επεξεργασία των μετρήσεων του αισθητήρα laser. Αρχικά εντοπίζονται τα πόδια και παρακολουθούνται στον χρόνο, προκειμένου να εξαχθούν οι χρονικές τροχιές κίνησης στους δύο άξονες. Η παρακολούθηση των ποδιών γίνεται με μια απλή μέθοδο, η οποία δεν χρησιμοποιεί μοντέλο πρόβλεψης, αλλά στηρίζεται σε ομαδοποίηση των σημείων του χώρου κατευθυνόμενη από δυναμικά πεδία. Η εκτίμηση της κίνησης γίνεται με εύρεση των αντιστοιχιών μεταξύ των σημείων των ποδιών στα δύο καρέ. Οι τροχιές που εξάγονται (πολλές για κάθε πόδι) φιλτράρονται και ομαδοποιούνται με εκτενή χρήση του Savitzky-Golay φίλτρου. Η μέθοδος αυτή ανταπεξέρχεται στις δυσκολίες του προβλήματός μας, όπως η ένωση των ποδιών και η παραμόρφωση του αντικειμένου λόγω ρουχισμού κλπ. Στο δεύτερο στάδιο, εξάγονται χαρακτηριστικά της βάδισης του ασθενούς με βάση τις τροχιές σχετικής θέσης και ταχύτητας. Τα χαρακτηριστικά αυτά βασίζονται στις ιατρικές παραμέτρους βάδισης αλλά δεν περιορίζονται σε αυτές. Γίνεται προσπάθεια να αντιμετωπιστούν τα προβλήματα ελλιπούς αισθητηριακής πληροφορίας και φορητότητας του αισθητήρα, προσεγγίζοντας έτσι τις τιμές ορισμένων παραμέτρων. Ακόμα όμως και αυτά τα χαρακτηριστικά έχουν φυσική σημασία και χρησιμοποιούνται κατά την ταξινόμηση. Η επαλήθευση γίνεται μέσω δεδομένων που προκύπτουν από ένα σύστημα ανάλυσης βάδισης μεγάλης ακρίβειας. Το τρίτο στάδιο αφορά την ανάλυση των δεδομένων, κατά την οποία δημιουργούνται μοντέλα GMM για την ταξινόμηση των ασθενών σε υγιή και ασθενή πρότυπα βάδισης. Η δυσκολία στην ταξινόμηση έγκειται στο γεγονός ότι ορισμένα χαρακτηριστικά αποκλίνουν από τις πραγματικές τιμές τους και ότι ο βηματισμός των ασθενών βελτιώνεται από την υποβοήθηση. Παρ' όλα αυτά, επιτυγχάνονται πολύ υψηλά ποσοστά επιτυχίας. Η ταξινόμηση γίνεται με τη μέθοδο Naive Bayes, όπου κάθε φορά δεν επαληθεύεται ένα δείγμα-κύκλος βάδισης, αλλά ένα παράθυρο. Κατά το στάδιο αυτό αποφασίζονται μέσω cross-validation το μέγεθος του παραθύρου βημάτων προς επαλήθευση, η μέθοδος υπολογισμού της πιθανοφάνειας και ο βέλτιστος συνδυασμός χαρακτηριστικών. Τέλος, γίνεται αξιολόγηση της συμβολής των χαρακτηριστικών στην ανάλυση. Τα πειραματικά δεδομένα που χρησιμοποιούνται αφορούν δοκιμές από υγιείς νέους και γηραιότερα άτομα με διαφορετικές παθήσεις.	el
heal.abstract	The aim of this thesis is to develop a system for gait feature extraction and classification of healthy and impaired gait patterns, using a laser rangefinder. This system will be embedded in a mobility assistance robotic platform aimed for the elderly and the patients with mild to moderate gait impairment. The method developed is the basis of an online gait analysis and impairment classification system, which will provide health monitoring and robust autonomous gait assistance. To achieve the above, the system consists of three parts: Initially, the laser measurements are processed as to track the user's feet and extract the motion trajectories. The tracking is carried out by a simple model-free method, which uses no prediction mechanism. Instead, it is based on point clustering, driven by potential fields which are exerted by neighboring objects. Motion estimation is done by matching the points of each foot from the previous to the next frame. The noisy trajectories are fused and filtered via a pipeline based on Savitzky-Golay FIR filter. This framework is able to mitigate the problems of feet merging and feet shape variability due to clothing etc. Afterwards, gait features are extracted based on the biomechanical gait parameters of the literature. The problems of portability and poor sensor information make the accurate estimation of some parameters intractable. But even these inaccurate features make sense in most of cases so they are used in the classification. The feature validation makes use of data stemmed from a highly accurate gait analysis system. Finally, using the features extracted from the previous step we carry out modeling, using GMMs, and classification of healthy and impaired gait patterns.. The difficulty is due to the inaccuracy of some features and the fact that assistance improves the walking behavior of the patients. Nevertheless, very high accuracy is achieved. The classification makes use of the Naive Bayes framework, where the testing is done using a set of samples. Two methods are tested for the computation of the likelihood. The determination of the sample set size, the method of likelihood computation and the optimal combination of features is done by cross-validation. The importance of the initial gait features for each gait behavior is also analyzed. The experimental data used at this stage consists of trials (gait sequences) performed by healthy young people and by elderly subjects with various types of mobility impairments.	en
heal.advisorName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Ποταμιάνος, Γεράσιμος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	124 σ.
heal.fullTextAvailability	true