Авторы Sina David, Michiel Punt и Yuge Yhang

Инсульт стал второй по значимости причиной смерти в 2019 году, когда во всем мире было зарегистрировано 101,5 миллиона инсультов. Хотя число инсультов в развитых странах не растет, потому что мы стали лучше их предотвращать, общее число все же увеличилось в период с 1990 по 2019 год на 85 процентов. Что бы мы ни делали для предотвращения инсультов, старение населения и увеличение числа людей, ведущих нездоровый образ жизни (таких как нездоровое питание, снижение ежедневной активности и загрязнение окружающей среды), препятствуют усилиям по профилактике, предпринимаемым во всем мире. Однако есть и хорошие новости: несмотря на то, что в последние десятилетия регистрируется все больше и больше сообщений об инсультах, скорость, с которой люди умирают от инсультов, растет медленнее.

Тем не менее, выживание после инсульта может сильно повлиять на его повседневную жизнь. Людям, пережившим инсульт, может быть трудно заниматься одним и тем же видом деятельности. Иногда у них ухудшается способность рассуждать или другие когнитивные функции, и они чаще страдают от психических заболеваний, таких как депрессия, по сравнению со своими здоровыми сверстниками. Исследования показали, что способность ходить позволяет людям активно участвовать в жизни общества и быть физически независимыми. В связи с этим улучшение качества походки («манеры ходьбы») лиц, перенесших инсульт, является одной из основных задач реабилитации после инсульта.

Чтобы улучшить качество чьей-либо походки, вам нужны маркеры, которые говорят вам, что такое «хорошая» ходьба и как распознать «плохую» ходьбу. С помощью современных методов можно собрать много данных о чьей-либо походке, выполнив так называемый анализ походки. Из данных мы можем рассчитать маркеры качества походки, такие как скорость или симметрия между левой и правой ногой. Но вычисление этих маркеров имеет много ограничений. Например, вы игнорируете много информации, вычисляя эти маркеры. Кроме того, маркеры часто связаны друг с другом (если вы идете быстро, ваши шаги также будут более равномерными). Таким образом, основанные на признаках подходы не могут отражать сложную походку человека.

Одним из выходов из этой ситуации может быть разработка автоматизированных методов анализа походки, которые могут (1) точно определять разницу между важной информацией и шумом, (2) выявлять пациентов, способных улучшить качество походки, и (3) обнаруживать области, где это улучшение является реальным.

С помощью маломасштабной инициативы Нидерландского центра электронных наук мы надеялись найти такие автоматизированные методы. Мы хотим индивидуализировать реабилитацию после инсульта, не увеличивая нагрузку на врачей, и в то же время сделать оценку качества походки более объективной.

Имея поверхностное представление о некоторых подходах к машинному обучению при запуске проекта, наши встречи с командой eScience Center быстро помогли нам определить методы, которые могут подойти для нашего вопроса. Обсуждения также помогли нам задать новые вопросы и переосмыслить наш первоначальный исследовательский вопрос. Мы восприняли это как творческий процесс, который добавил большую ценность проекту. После рассмотрения нескольких методов мы решили использовать вариационные автоэнкодеры в нашем наборе данных для анализа походки. Мы исследовали, могут ли вариационные автоэнкодеры изучить черты человеческой походки и выяснить, могут ли эти черты быть отражены всего в нескольких функциях.

Попутно самой большой проблемой был сам наш набор данных. Поскольку сбор данных о движениях человека — это работа, требующая времени, а наша группа пациентов невелика, у нас есть только ограниченный объем доступных данных. В то же время набор данных сильно варьируется, что усложняет задачу машинного обучения.

На следующих этапах этого проекта мы изучаем результаты и пытаемся преобразовать их в информацию, которая ценна для нашей исследовательской области. В то же время мы находимся на ранних этапах усилий по обмену данными с теми, у кого могут быть аналогичные наборы данных. Таким образом, мы сможем увеличить размер нашего тренировочного набора.

Первый результат можно увидеть на рисунке ниже. Он показывает распределение разных людей (участвовавших в исследовании) с использованием двух скрытых функций вариационного автоэнкодера. Создав движение всего тела из латентного пространства, мы смогли показать модели походки, которые представляли людей в различных областях двумерного латентного пространства. В дальнейшем это поможет оценить походку пациента и ее улучшение во время и после реабилитации.

Доктор. Sina David доцент факультета поведенческих и двигательных наук, нейромеханики и AMS-реабилитации и развития в Vrije Universeit Amsterdam. Подпишитесь на нее в Твиттере @SinaDavid1907.

Доктор. Michiel Punt Старший научный сотрудник HU University of Applied Sciences Utrecht. Он также является научным сотрудником VU Amsterdam. Подпишитесь на него в Твиттере @MichielPunt.

Yuge Yhang Внешний кандидат наук на факультете поведенческих и двигательных наук, нейромеханики и AMS-Ageing & Vitality. Подпишитесь на нее в Твиттере @yugezhang5.

Узнайте больше, посетив human-motion-sciences.nl/nm.

Благодарности

Работа, описанная в этом блоге, поддерживается инженерами-исследователями-программистами (RSE) Нидерландского центра электронных наук, Dr. Цуньлян Гэн, Dr. Ян Лю и доктор Соня Георгиевская.