تشخیص حرکات دست با استفاده از ROI

بیماری پارکینسون (PD) یکی از شایع ترین اختلالات حرکتی است که برای اولین بار توسط جیمز پارکینسون در سال 1817 توصیف شد [1]. این اختلال به شدت بر کیفیت زندگی بیمار تأثیر می گذارد [2]. در سراسر جهان، بیش از شش میلیون نفر از PD رنج می برند [3]. از هر چهار بیمار PD، سه نفر دچار لرزش می شوند [4]. ارزیابی بالینی PD عموماً به صورت کیفی یا نیمه کمی با استفاده از مقیاس‌های معتبر، مانند مقیاس رتبه‌بندی بیماری پارکینسون (UPDRS) [5] انجام می‌شود. روش‌های کمی، مانند الکترومیوگرافی به صورت اختیاری، از جمله شتاب‌سنج، زمان‌بر و حساس به هر حرکت بدن دیگری است که سیگنال را خراب کند [6]. در این زمینه، تحقیق در مورد تشخیص خودکار ممکن است اهمیت قابل توجهی در کمک به متخصصان پزشکی در تشخیص و نظارت بر لرزش داشته باشد.

با توجه به تکامل فن‌آوری‌های دیجیتال، در کنار قابلیت‌های بهبود یافته الگوریتم‌های یادگیری ماشین، ما شاهد افزایش شدید فعالیت‌های تحقیقاتی در مورد نظارت خودکار علائم حرکتی PD [7] هستیم که نظارت بر دست‌ها مورد توجه ویژه است [8]. در این زمینه، محققان بیشتر بر روی دستگاه های هوشمند، مانند ساعت های هوشمند [9،10،11] و گوشی های هوشمند [12،13،14] تمرکز کرده اند. با این حال، در سال‌های اخیر، روش‌های سنجش غیر تماسی با استفاده از دوربین‌ها با موفقیت فوق‌العاده ظاهر شده‌اند [15]. این روش‌ها می‌توانند به زودی مکمل یا حتی جایگزین برخی از فن‌آوری‌های مبتنی بر تماس موجود شوند، زیرا مزایای متعددی را ارائه می‌دهند. اندازه‌گیری‌های بدون تماس، تشخیص راحت‌تری را برای بیماران فراهم می‌کنند [16]، بهداشتی‌تر هستند و تنظیم آسان‌تر هستند. تحقیقات در مورد چگونگی استفاده از ضبط‌های ویدئویی برای نظارت بر علائم حرکتی PD در چندین کار انجام شده است [17،18،19،20،21].
در ادبیات، محققان رویکردهای متفاوتی را برای تحلیل مبتنی بر ویدئو ارائه کرده‌اند. Uhríková و همکاران [17] سیگنال ها را بر اساس تغییرات شدت بین فریم های ویدئویی (25 فریم در ثانیه) برای عقربه های علامت گذاری شده به صورت دستی و تجزیه و تحلیل فرکانس انجام شده استخراج کرد. پینتیا و همکاران [18] رویکردهای لاگرانژی و اویلر را برای تخمین فرکانس لرزش دست از ویدئوها (30 فریم در ثانیه) بومی سازی دست توسط ماشین های کانولوشن پوز [22] پیشنهاد کردند. برای بهبود دقت تخمین دامنه و فرکانس مبتنی بر کینکت (30 فریم در ثانیه)، Alper و همکاران. [19] تلفیقی از روش‌های Pose و Optical Flow را برای تجزیه و تحلیل یک منطقه خاص مورد علاقه (ROI) ارائه کرد. در مطالعه دیگری، ویلیامز و همکاران. [20] از یک گوشی هوشمند برای ضبط ویدیوها (60 فریم در ثانیه) استفاده کرد و تجزیه و تحلیل فرکانس را با بومی سازی دستی دست انجام داد.
مطالعات فوق امکان‌سنجی کلی این رویکرد را نشان داد، اما به دلیل نیاز به پیش پردازش، برچسب‌گذاری دستی، کشت، آموزش مدل و/یا انتخاب ROI محدود شد. یک رویکرد با استفاده از تشخیص خودکار ناحیه دست یا دست بدون آموزش مدل می‌تواند استفاده از روش‌های تحلیل حرکت/لرزش دست مبتنی بر ویدیو را تسهیل کند و با حذف برچسب‌گذاری، آموزش الگوریتم یا فرآیند انتخاب ROI، زمان تجزیه و تحلیل را کوتاه کند.

برای دانلود پروژه نمونه سیستم ردیابی حرکات دست با استفاده از روش ROI و فیلتر کالمن تطبیقی به همراه شبیه سازی، اینجا کلیک کنید.

منابع

1. Parkinson, J. An Essay on the Shaking Palsy, 1817. J. Neuropsychiatry Clin. Neurosci. 2002, 14, 223–236. [Google Scholar] [CrossRef] [PubMed]
2. Oertel, W.; Schulz, J.B. Current and Experimental Treatments of Parkinson Disease: A Guide for Neuroscientists. J. Neurochem. 2016, 139, 325–337. [Google Scholar] [CrossRef] [PubMed]
3. Ray Dorsey, E.; Elbaz, A.; Nichols, E.; Abd-Allah, F.; Abdelalim, A.; Adsuar, J.C.; Ansha, M.G.; Brayne, C.; Choi, J.Y.J.; Collado-Mateo, D.; et al. Global, Regional, and National Burden of Parkinson’s Disease, 1990–2016: A Systematic Analysis for the Global Burden of Disease Study 2016. Lancet Neurol. 2018, 17, 939–953. [Google Scholar] [CrossRef]
4. Hughes, A.J.; Lees, A.J.; Daniel, S.E.; Blankson, S. A Clinicopathologic Study of 100 Cases of Parkinson’s Disease. Arch. Neurol. 1993, 50, 140–148. [Google Scholar] [CrossRef] [PubMed]
5. Goetz, C.G.; Tilley, B.C.; Shaftman, S.R.; Stebbins, G.T.; Fahn, S.; Martinez-Martin, P.; Poewe, W.; Sampaio, C.; Stern, M.B.; Dodel, R.; et al. Movement Disorder Society-Sponsored Revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): Scale Presentation and Clinimetric Testing Results. Mov. Disord. 2008, 23, 2129–2170. [Google Scholar] [CrossRef] [PubMed]
6. Vial, F.; Kassavetis, P.; Merchant, S.; Haubenberger, D.; Hallett, M. How to Do an Electrophysiological Study of Tremor. Clin. Neurophysiol. Pract. 2019, 4, 134–142. [Google Scholar] [CrossRef] [PubMed]
7. Chandrabhatla, A.S.; Pomeraniec, I.J.; Ksendzovsky, A. Co-Evolution of Machine Learning and Digital Technologies to Improve Monitoring of Parkinson’s Disease Motor Symptoms. Npj Digit. Med. 2022, 5, 32. [Google Scholar] [CrossRef] [PubMed]
8. Gopal, A.; Hsu, W.Y.; Allen, D.D.; Bove, R. Remote Assessments of Hand Function in Neurological Disorders: Systematic Review. JMIR Rehabil. Assist. Technol. 2022, 9, e33157. [Google Scholar] [CrossRef] [PubMed]
9. López-Blanco, R.; Velasco, M.A.; Méndez-Guerrero, A.; Romero, J.P.; del Castillo, M.D.; Serrano, J.I.; Rocon, E.; Benito-León, J. Smartwatch for the Analysis of Rest Tremor in Patients with Parkinson’s Disease. J. Neurol. Sci. 2019, 401, 37–42. [Google Scholar] [CrossRef] [PubMed]
10. Varghese, J.; Niewöhner, S.; Soto-Rey, I.; Schipmann-Miletić, S.; Warneke, N.; Warnecke, T.; Dugas, M. A Smart Device System to Identify New Phenotypical Characteristics in Movement Disorders. Front. Neurol. 2019, 10, 48. [Google Scholar] [CrossRef] [PubMed]
11. Wile, D.J.; Ranawaya, R.; Kiss, Z.H.T. Smart Watch Accelerometry for Analysis and Diagnosis of Tremor. J. Neurosci. Methods 2014, 230, 1–4. [Google Scholar] [CrossRef] [PubMed]
12. Lemoyne, R.; Tomycz, N.; Mastroianni, T.; McCandless, C.; Cozza, M.; Peduto, D. Implementation of a Smartphone Wireless Accelerometer Platform for Establishing Deep Brain Stimulation Treatment Efficacy of Essential Tremor with Machine Learning. In Proceedings of the 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Milan, Italy, 25–29 August 2015; pp. 6772–6775. [Google Scholar]
13. Bazgir, O.; Habibi, S.A.H.; Palma, L.; Pierleoni, P.; Nafees, S. A Classification System for Assessment and Home Monitoring of Tremor in Patients with Parkinson’s Disease. J. Med. Signals Sens. 2018, 8, 65–72. [Google Scholar] [CrossRef] [PubMed]
14. Araújo, R.; Tábuas-Pereira, M.; Almendra, L.; Ribeiro, J.; Arenga, M.; Negrão, L.; Matos, A.; Morgadinho, A.; Januário, C. Tremor Frequency Assessment by IPhone^® Applications: Correlation with EMG Analysis. J. Park. Dis. 2016, 6, 717–721. [Google Scholar] [CrossRef] [PubMed]
15. Antink, C.H.; Lyra, S.; Paul, M.; Yu, X.; Leonhardt, S. A Broader Look: Camera-Based Vital Sign Estimation across the Spectrum. Yearb. Med. Inform. 2019, 28, 102–114. [Google Scholar] [CrossRef] [PubMed]
16. Paul, M.; Karthik, S.; Joseph, J.; Sivaprakasam, M.; Kumutha, J.; Leonhardt, S.; Hoog Antink, C. Non-Contact Sensing of Neonatal Pulse Rate Using Camera-Based Imaging: A Clinical Feasibility Study. Physiol. Meas. 2020, 41, 024001. [Google Scholar] [CrossRef] [PubMed]
17. Uhríková, Z.; Šprdlík, O.; Hlaváč, V.; Růžička, E. Action Tremor Analysis from Ordinary Video Sequence. In Proceedings of the 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society: Engineering the Future of Biomedicine, Minneapolis, MN, USA, 3–6 September 2009; pp. 6123–6126. [Google Scholar]
18. Pintea, S.L.; Zheng, J.; Li, X.; Bank, P.J.M.; van Hilten, J.J.; van Gemert, J.C. Hand-Tremor Frequency Estimation in Videos. In Computer Vision—ECCV 2018 Workshops; Lecture Notes in Computer Science Series (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics); Springer: Cham, Switzerland, 2019; Volume 11134, pp. 213–228. [Google Scholar]
19. Alper, M.A.; Goudreau, J.; Daniel, M. Pose and Optical Flow Fusion (POFF) for Accurate Tremor Detection and Quantification. Biocybern. Biomed. Eng. 2020, 40, 468–481. [Google Scholar] [CrossRef]
20. Williams, S.; Fang, H.; Relton, S.D.; Wong, D.C.; Alam, T.; Alty, J.E. Accuracy of Smartphone Video for Contactless Measurement of Hand Tremor Frequency. Mov. Disord. Clin. Pract. 2021, 8, 69–75. [Google Scholar] [CrossRef] [PubMed]

پروژه مشابه دارید؟

برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.

اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.

سریع ترین راه پاسخگویی سیمیا، واتساپ و سروش می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.

 09392265610

نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.

از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.