Beurteilung menschlicher Aktivitäten auf Basis von Skelettdaten mittels Graphen-Convolutional Networks zur Überwachung des Fortschreitens von Alzheimer

Die Bewertung menschlicher Handlungen (Human Action Evaluation, HAE) umfasst Urteile bezüglich Anomalie und Qualität menschlicher Bewegungen. Wenn effektiv umgesetzt, kann eine auf Skelett-Daten basierende HAE genutzt werden, um die Ergebnisse von Verhaltenstherapien bei Alzheimer-Krankheit (AD) zu überwachen. In diesem Artikel stellen wir ein zweiaufgabenbasiertes Graphen-Konvolutionales Netzwerk (2T-GCN) vor, das zur Darstellung von Skelett-Daten für HAE-Aufgaben im Bereich der Anomalieerkennung und Qualitätsbewertung eingesetzt wird. Das Netzwerk wird zunächst anhand des UI-PRMD-Datensatzes evaluiert und zeigt eine präzise Erkennung von Anomalien. Bei der Qualitätsbewertung testen wir das Netzwerk neben den im Labor gesammelten UI-PRMD-Daten zusätzlich auf einer Reihe von realen Übungsdaten, die von Patienten mit AD erfasst wurden. Ein numerischer Score, der den Grad der Abweichung von normalen Bewegungen widerspiegelt, dient als Indikator für die Schwere der AD; daher wenden wir das 2T-GCN an, um solche Scores zu bestimmen. Experimentelle Ergebnisse zeigen, dass die numerischen Scores bestimmter Übungen bei AD-Patienten mit ihrem jeweiligen Schweregrad der Krankheit übereinstimmen, wie von klinischem Personal festgestellt wurde. Diese Übereinstimmung unterstreicht das Potenzial unseres Ansatzes zur Überwachung von AD und anderen neurodegenerativen Erkrankungen.