Estimation de la sévérité de la parkinsonisme à partir de vidéos de marche naturelle chez les adultes âgés atteints de démence

La parkinsonisme induit par les médicaments affecte de nombreux adultes âgés atteints de démence, souvent en provoquant des troubles de la marche. De récents progrès dans le domaine de l’estimation de la posture humaine à partir de la vision ont ouvert la voie à une analyse fréquente et non intrusive de la marche dans des environnements résidentiels. Ce travail exploite de nouvelles architectures et procédures d’entraînement basées sur les réseaux de convolution spatio-temporels (ST-GCN) afin de prédire les scores cliniques de parkinsonisme à partir de vidéos d’individus atteints de démence. Nous proposons une approche d’entraînement en deux étapes, comprenant une phase de pré-entraînement auto-supervisé qui incite le modèle ST-GCN à apprendre les motifs de marche avant de prédire les scores cliniques lors d’une phase de finetuning. Les modèles ST-GCN proposés sont évalués sur des trajectoires jointes extraites à partir de vidéos et comparés à des modèles de régression classiques (ordinaux, linéaires, forêts aléatoires) ainsi qu’à des modèles de base basés sur des réseaux de convolution temporels. Trois bibliothèques d’estimation de posture humaine 2D (OpenPose, Detectron, AlphaPose) ainsi que la Microsoft Kinect (2D et 3D) sont utilisées pour extraire les trajectoires articulaires de 4 787 séquences naturelles de marche provenant de 53 adultes âgés atteints de démence. Un sous-ensemble de 399 marches provenant de 14 participants a été annoté selon les critères de gravité du parkinsonisme liée à la marche, à l’aide de l’Échelle d’évaluation de la maladie de Parkinson unifiée (UPDRS) et de l’Échelle de Simpson-Angus (SAS). Nos résultats montrent que les modèles ST-GCN fonctionnant sur les trajectoires articulaires 3D extraites à partir de la Kinect surpassent systématiquement tous les autres modèles et ensembles de caractéristiques. La prédiction des scores de parkinsonisme lors de séquences de marche naturelles chez des participants non vus reste toutefois un défi, les meilleurs modèles atteignant des scores F1 moyens macro de 0,53 ± 0,03 et 0,40 ± 0,02 pour l’UPDRS-marche et le SAS-marche, respectivement. Le modèle pré-entraîné ainsi que le code de démonstration sont disponibles à l’adresse suivante : https://github.com/TaatiTeam/stgcn_parkinsonism_prediction.