Analyse de la posture par apprentissage automatique profond

Abstract

La convergence des secteurs de la santé et du numérique a conduit au développement de thérapeutiques numériques (DTx). Ce travail a été réalisé dans le cadre du développement de DTx pour la douleur. En effet, la douleur est un problème important auquel sont confrontés les individus, les familles, les prestataires de soins et la société dans son ensemble. La douleur est généralement mesurée par l’autoévaluation du patient ou les impressions du clinicien, soit par des entretiens cliniques, soit par des échelles d’évaluation visuelle et numérique de la douleur. Bien qu’utile, l’auto-déclaration de la douleur ne peut être utilisée avec les jeunes enfants, les patients présentant certaines déficiences neurologiques ou psychiatriques, ou avec de nombreux patients en soins postopératoires ou dans des états de conscience transitoires. Les progrès récents de la vision par ordinateur et de l’apprentissage automatique pour l’analyse et la modélisation automatiques du comportement humain pourraient jouer un rôle essentiel pour surmonter certaines limitations dans un contexte clinique. Par conséquent, l’évaluation automatique et objective des troubles de la douleur à partir de signaux comportementaux présente un intérêt croissant pour les cliniciens et les informaticiens. Le développement et le succès des méthodes basées sur le Deep Learning dans le domaine de la vision par ordinateur ont permis des avancées significatives dans le domaine de la reconnaissance automatique de la douleur. La plupart des études se sont concentrées sur la détection faciale de la douleur, alors que peu de recherchesont été menées sur la pose humaine. Dans ce travail, nous proposons d’utiliser un modèle de réseau convolutif spatiotemporel (ST-GCN) à deux flux et des mécanismes d’attention spatiale et temporelle, pour évaluer le comportement d’une personne à partir de sa posture. Nous avons testé notre modèle sur UI-PRMD, un ensemble de données de référence qui fournit des données sur le squelette à l’aide de systèmes de capture de mouvement. Nos résultats montrent que nos modèles ST-GCN basés sur l’attention sont plus performants que les méthodes de pointe pour la prédiction du score de qualité et la classification binaire.