Schätzung der Schwere von Parkinsonismus in natürlichen Gehvideos von älteren Erwachsenen mit Demenz

Medikamenteninduzierte Parkinsonismus betrifft viele ältere Erwachsene mit Demenz und führt häufig zu Gangstörungen. Neue Fortschritte in der visionbasierten menschlichen Pose-Schätzung eröffnen Möglichkeiten für eine häufige und unauffällige Analyse des Gangs in Wohnumgebungen. In dieser Arbeit werden neuartige räumlich-zeitliche Graph-Convolutional-Network-Architekturen (ST-GCN) sowie Trainingsverfahren genutzt, um klinische Bewertungsscores des Parkinsonismus im Gang aus Videodaten von Personen mit Demenz vorherzusagen. Wir schlagen einen zweistufigen Trainingsansatz vor, der sich aus einer selbstüberwachten Vortrainingsphase zusammensetzt, in der das ST-GCN-Modell zunächst Gangmuster lernt, bevor in der Feinabstimmungsphase klinische Scores vorhergesagt werden. Die vorgeschlagenen ST-GCN-Modelle werden auf aus Videodaten extrahierten Gelenkverläufen evaluiert und gegenüber traditionellen Regressionsmodellen (ordinal, linear, Random Forest) sowie Baselines mit zeitlichen Convolutional Networks verglichen. Drei 2D-Pose-Schätzungsbibliotheken (OpenPose, Detectron, AlphaPose) sowie die Microsoft Kinect (2D und 3D) werden verwendet, um Gelenkverläufe aus insgesamt 4787 natürlichen Gehabschnitten von 53 älteren Erwachsenen mit Demenz zu extrahieren. Eine Teilmenge von 399 Gehabschnitten von 14 Teilnehmern wird mit Scores zur Schwere des Parkinsonismus anhand der Gangkriterien der Unified Parkinson’s Disease Rating Scale (UPDRS) und der Simpson-Angus-Skala (SAS) annotiert. Unsere Ergebnisse zeigen, dass ST-GCN-Modelle, die auf 3D-Gelenkverläufen basieren, die aus der Kinect extrahiert wurden, konsistent alle anderen Modelle und Merkmalssets übertrumpfen. Die Vorhersage von Parkinsonismus-Scores bei natürlichen Gehabschnitten bisher unbekannter Teilnehmer bleibt jedoch eine herausfordernde Aufgabe, wobei die besten Modelle makro-averagierte F1-Scores von 0,53 ± 0,03 (UPDRS-Gang) und 0,40 ± 0,02 (SAS-Gang) erreichen. Das vortrainierte Modell und der Demo-Code für diese Arbeit sind verfügbar unter: https://github.com/TaatiTeam/stgcn_parkinsonism_prediction.