Deep learning voor automatische bewegingsanalyse met motion capture: Casestudy’s over het detecteren en beoordelen van loopstoornissen bij mensen met de ziekte van Parkinson en freezing of gait

De ziekte van Parkinson (PD) is een veel voorkomende neurodegeneratieve aandoening, waaraan wereldwijd naar schatting 6 miljoen mensen lijden. PD veroorzaakt degeneratie van dopamine-genererende neuronen, wat leidt tot progressief verslechterende loopstoornissen. Een van de meest ernstige loopstoornissen is freezing of gait (FOG). FOG komt vaak voor bij PD en wordt gedefinieerd als een "kortstondige, episodische afwezigheid of duidelijke vermindering van de voorwaartse stapprogressie van de voeten ondanks de intentie om te lopen". PD-patiënten met FOG hebben een lagere levenskwaliteit en lopen een veel hoger risico om te vallen. De huidige zelfbeoordeling is vaak ontoereikend om behandelingseffecten op te pikken. Er is dus een duidelijke behoefte aan een betrouwbaar en valide instrument dat automatisch FOG kan detecteren en objectieve parameters kan berekenen over gangstoornissen bij mensen met PD en FOG.

Motion capture (MoCap) is een veelgebruikt en objectief meetinstrument om interventies voor mensen met PD en FOG te beoordelen. MoCap is een generieke term dat gebruikt wordt om meetsystemen te beschrijven dat als doel hebben beweging te coderen als een sequentie van gewrichtslocaties en -oriëntaties. Vroeger werd er voornamelijk gebruik gemaakt van traditionele machine learning technieken om MoCap data om te zetten in objectieve gangparameters. Deze technieken gebruiken manueel ontworpen features. Door de hoge bewegingsvariabiliteit in PD en FOG is het echter moeilijk om generaliseerbare features te ontwerpen. Hierdoor is er recent een verschuiving naar deep learning (DL) technieken. DL technieken maken gebruik van end-to-end leren, wat betekent dat DL technieken automatisch alle stappen leren die nodig zijn om ruwe input data om te zetten in het gewenste outputresultaat. De huidige toepassing van DL om automatisch het looppatroon te analyseren van mensen met PD en FOG berust echter op verschillende data-afhankelijke heuristieken, wat de expressiviteit en generalisatie van de geleerde features nadelig beïnvloedt.

Deze thesis onderzoekt de toepassing van DL om automatisch objectieve gangparameters te berekenen zonder data-afhankelijke heuristieken. Om dit doel te bereiken, werden er vier state-of-the-art deep learning modellen onderzocht en toegepast. Verder werd er een DL architectuur ontworpen op basis van de laatste ontwikkelingen in het domein van convolutional neural networks. Dit DL model tracht optimaal gebruik te maken van de temporele en ruimtelijke patronen binnen MoCap sequenties en heeft als doel om de state-of-the-art te verbeteren. De toepassing van deze vijf DL modellen werd onderzocht op verschillende relevante cases in MoCap-gebaseerde bewegingsanalyse in het algemeen, en MoCap-gebaseerde bewegingsanalyse bij mensen met PD en FOG in het bijzonder. In deze context levert dit proefschrift twee belangrijke bijdragen: (1) De modellen werden toegepast om het looppatroon van mensen met PD en FOG te beoordelen. Objectieve gang- en FOG-parameters werden automatisch berekend en statistisch gevalideerd ten opzichte van de manuele annotatie van een klinisch expert. Hiervoor werd een dataset gebruikt van veertien freezers, veertien non-freezers, en veertien gezonde subjecten. Experimentele resultaten gaven aan dat het best presterende model een automatische en valide beoordeling mogelijk maakt. (2) Er werd onderzocht of de voorgestelde modellen algemeen toepasbaar zijn op cases die geen verband houden met PD. De modellen werden toegepast op vier openbare MoCap-gebaseerde actiesegmentatie benchmark datasets. Experimentele resultaten tonen aan dat het ontworpen model beter presteert dan de vier bestaande state-of-the-art baselines. Aangezien alle modellen end-to-end werden toegepast, kan worden vastgesteld dat de voorgestelde modellen sterke baselines zijn voor MoCap-gebaseerde classificatietaken.