骨格ベースの歩行シーケンスおよび足圧画像データセットを用いたサルコペニア診断
Muhammad Tahir Naseem1, Na-Hyun Kim1, Haneol Seo1
1Laboratory of Computer Vision and Human Visual Perception, Department of Electronic Engineering, Yeungnam University, Gyeongsan, Republic of Korea.
はじめに:
サルコペニアは加齢に伴う一般的な疾患であり、骨格筋の減少による筋力および身体機能の低下と定義されます。サルコペニアを診断する一つの方法として、歩行分析および足圧画像診断があります。
動機および研究の空白（リサーチギャップ）:
我々は100名の被験者から、実際の患者の足圧データと骨格データの両方で構成される独自のマルチモーダルデータセットを収集した。これは、より包括的な分析を目指す今後の研究にとって貴重なリソースとなる。サルコペニアの検出に人工知能が導入されているが、先行研究では主に骨格ベースのデータセットに焦点が当てられており、骨格データと足圧データの組み合わせによる可能性は十分に検討されていなかった。本研究では、足圧データセットと骨格データセットを用いて個別に実験を行い、サルコペニアの分類における各データ型の有用性を実証する。
方法:
本研究は2つの構成要素から成る。まず、骨格データセットと足圧データセットを収集し、握力、歩行能、および四肢骨格筋量に基づき、サルコペニア群と非サルコペニア群に分類した。次に、サルコペニアによる正常歩行と異常歩行を分類するため、骨格データセットに対してはST-GCN（spatiotemporal graph convolutional network：時空間グラフ畳み込みネットワーク）モデルを、足圧データセットに対してはResNet-18モデルを用いて実験を行った。正確な診断を行うため、100人の被験者のリアルタイム歩行を30 fpsのRGB+D画像として記録した。骨格データセットは、画像から25個の特徴点を含む3D骨格情報を抽出することで構築し、足圧データセットは、足圧プレートに圧力をかけることで構築した。
結果:
ベースライン評価として、ResNet-18を用いた足圧画像からのサルコペニア分類性能の精度、およびST-GCNを用いた骨格シーケンスからの分類性能の精度を算出したところ、それぞれ77.16%および78.63%であった。
考察:
実験結果により、足圧画像および骨格シーケンスに基づくサルコペニアおよび非サルコペニアの分類の潜在的な応用可能性が示された。
