Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | 오세훈 | - |
| dc.contributor.author | Hayoon Lee | - |
| dc.date.accessioned | 2022-07-07T02:28:57Z | - |
| dc.date.available | 2022-07-07T02:28:57Z | - |
| dc.date.issued | 2021 | - |
| dc.identifier.uri | http://dgist.dcollection.net/common/orgView/200000361643 | en_US |
| dc.identifier.uri | http://hdl.handle.net/20.500.11750/16644 | - |
| dc.description.abstract | This paper proposes and compares two approaches that can identify different gait types of patients with hip osteoarthritis (OA) quantitatively using machine learning techniques. One is a simple and intuitive method that does not need clustering steps, and the other is a more detailed classification method that subdivides the gait classification results of the first method. Force plate measurements of 22 patients with hip OA and 18 healthy subjects without surgical history were collected and analyzed using principal component analysis (PCA) and Gaussian Mixture Model (GMM) to identify different types of gait. The physical meanings of the identified gait types are explained using the latent features of gait obtained from PCA and muscle forces calculated using OpenSim. The approaches will not only be useful for understanding the gait patterns of patients with hip OA but also will be applicable in analyzing different types of gait other than those of patients with hip OA. |
- |
| dc.description.statementofresponsibility | Y | - |
| dc.description.tableofcontents | I Introduction 1 II Method 2 2.1 Subjects 2 2.2 Instrument 2 2.3 Experiment protocol 4 2.4 Measured variables 4 2.5 Institutional review board 4 2.6 Dimension reduction methods 5 2.7 Similarity of gait patterns 7 2.8 Clustering methods 8 2.9 Muscle force estimation 9 III Result 10 3.1 Gait type classification using similarity of principal components 10 3.2 Gait type classification using Gaussian Mixture Model 12 3.3 Muscle forces of the identified gait types 15 IV Discussion 46 4.1 Comparison of the identified gait types 46 4.1.1 Characteristics of the similarity-based groups 46 4.1.2 Characteristics of the component-based groups 49 4.1.3 Comparison of the similarity-based and component-based groups 50 4.2 Physical implications of the gait types 51 4.2.1 Muscle forces of the gait types in spatial aspect 51 4.2.2 Muscle forces of the gait types in temporal aspect 54 4.3 Comparison of gait type classification methods 55 V Conclusion 57 References 58 |
- |
| dc.format.extent | 68 | - |
| dc.language | eng | - |
| dc.publisher | DGIST | - |
| dc.subject | Gait classification, Principal component analysis, Gaussian mixture model, OpenSim, 보행 분류, 주성분 분석, 가우시안 혼합 모델 | - |
| dc.title | Classification of Gait Type in Hip Osteoarthritis Patients using Principal Component Analysis and Gaussian Mixture Model | - |
| dc.title.alternative | 주성분 분석(Principal Component Analysis)과 가우시안 혼합 모델(Gaussian Mixture Model)을 이용한 고관절 퇴행성 관절염 환자들의 보행 분류 | - |
| dc.type | Thesis | - |
| dc.identifier.doi | 10.22677/thesis.200000361643 | - |
| dc.description.alternativeAbstract | 고관절 퇴행성 관절염은 고관절의 관절연골이 닳으면서 관절 안에 염증이 생기는 질환이다. 이 질환에 대한 기존의 진단 방법들은 주로 설문지 등의 정성적인 방법을 이용하며 환자들을 단순히 질환의 경중으로 분류를 한다는 문제점이 있다. 또한 이 질환은 환자들의 움직임에 영향을 끼치기 때문에 이 질환의 특징을 파악하기 위해 환자들의 보행을 분석하는 연구들이 진행되었는데 대부분의 연구에서 여러 보행 측정값들을 따로 평가하기 때문에 종합적인 보행의 평가와 진단이 부족하다는 문제가 있다. 또한, 보행 시 근력 등의 데이터를 얻기 위해 센서를 사용하는데 이는 사람들의 자연스러운 움직임을 방해할 수 있다는 한계점이 있다. 따라서 이 연구는 센서를 사용하지 않고 힘판과 머신러닝 기법들을 사용하여 고관절 퇴행성 관절염 환자들의 보행을 정량적으로 분류하고 평가할 수 있는 두 가지 방법론을 제시한다. 총 22명의 고관절 퇴행성 관절염 환자들과 18명의 건강한 사람들을 대상으로 보행 시 지면 반력과 모멘트를 측정하였다. 측정된 데이터의 핵심적인 특징을 확인하기 위해 주성분 분석을 사용하여 데이터의 내제된 핵심 보행 특징을 추출하였다. 보행 데이터에서 시간의 흐름에 따른 핵심 보행 특징과 시간에 독립적인 핵심 보행 특징을 추출할 수 있으며, 이 핵심 보행 특징들은 원래 데이터들의 분포에 따른 선형결합으로 이루어지기 때문에 전체 측정값들을 혼합한 새로운 특징이 된다. 보행을 분류하는 첫 번째 방법은 각 보행의 핵심 보행 특징들의 유사도를 측정하는 것이다. 핵심 보행 특징들의 유사도는 각 보행이 서로 얼만큼 유사한지 알려주는 척도가 된다. 건강한 사람들의 보행과 고관절 퇴행성 관절염 환자들의 보행 사이의 유사도를 평가하고, 건강한 사람들의 보행과의 유사도를 기준으로 고관절 퇴행성 관절염 환자들의 보행을 총 4가지로 분류하였다. 분류된 각 보행 그룹의 특징은 각 그룹의 유사도 값과 주성분 분석을 통해 줄어든 차원에서의 힘판 측정값을 통해 설명 가능하다. 보행을 분류하는 두 번째 방법은 각 보행의 핵심 보행 특징 값을 가우시안 혼합 모델을 이용하여 군집화 하는 것이다. 가우시안 혼합 모델은 확률 모델을 기반으로 하는 군집화 방법으로, 전체 보행의 분포를 모델링할 수 있고 이를 확률적으로 제시하여 한 보행이 어떤 군집 또는 보행 그룹에 어느 정도 속해 있는지 정량적으로 설명할 수 있으므로 보행 분류에 적합하다. 가우시안 혼합 모델을 이용하여 보행의 시간에 독립적인 특징을 기반으로 고관절 퇴행성 관절염 환자들의 보행을 총 5가지로 분류하였고 보행의 시간의 흐름에 따른 특징을 기반으로 고관절 퇴행성 관절염 환자들의 보행을 총 2가지로 분류하였다. 분류된 각 보행 그룹의 특징은 각 그룹에 해당하는 가우시안의 중심 값과 그 부호를 이용하여 설명 가능하다. 분류된 보행의 물리적 의미를 보행 시 근육이 발생하는 힘으로 설명하기 위해 OpenSim이라는 근골격계 소프트웨어로 각 보행의 근력을 계산하였으며 보행 그룹별 근육이 발생하는 힘의 전체 보행 주기에서의 최대값과 각 주기 별 최대값의 비교를 통해 각 보행 그룹이 어느 근육 및 어느 보행 주기에서 차이를 보이는지 확인할 수 있었다. 또한, 분류된 보행의 근력과 보행을 분류할 때 사용된 내제된 핵심 보행 특징 사이의 연관성을 확인하였다. 결론적으로, 주성분 분석과 가우시안 혼합 모델을 사용하여 두 가지 방법으로 고관절 퇴행성 관절염 환자들의 보행을 분류할 수 있었다. 첫 번째 방법은 주성분 분석으로 도출한 핵심 보행 특징의 유사도를 이용하는 방법으로 환자들의 보행을 총 4가지로 분류할 수 있으며 각 보행 그룹은 건강한 사람들의 보행과의 전반적인 유사도와 근육이 발생하는 힘에서 서로 다른 특징을 보인다. 두 번째 방법은 핵심 보행 특징을 가우시안 혼합 모델을 이용하여 분류하는 방법으로 환자들의 보행을 시간과 독립적인 특징을 기반으로 총 5가지, 시간의 흐름에 따른 특징을 기반으로 총 2가지로 분류할 수 있으며 각 보행 그룹은 가우시안의 중심 값과 근육이 발생하는 힘에서 서로 다른 특징을 보인다. 위 두 방법론 중 유사도를 이용하는 방법은 주성분 분석을 이용한 데이터의 차원 축소 후 추가적인 군집화 알고리즘을 사용할 필요 없이 보행 분류가 가능하다는 이점이 있으며 분류된 보행 그룹의 유효성이 가우시안 혼합 모델을 사용하는 방법의 보행 그룹보다 더 높았다. 가우시안 혼합 모델을 이용하는 방법은 일반인과의 전반적인 유사도를 가지고 보행을 분류하는 방법과는 다르게 핵심 보행 특징의 모든 값을 고려한 더 세밀한 보행 특징 분류가 가능하다는 이점이 있다. 또한 확률 모델로 보행의 분포를 측정하기 때문에 시간에 따른 보행 변화 등을 추적하기에 적합하다는 장점도 있다. |
- |
| dc.description.degree | Master | - |
| dc.contributor.department | Robotics Engineering | - |
| dc.contributor.coadvisor | Sang Hyun Park | - |
| dc.date.awarded | 2021/02 | - |
| dc.publisher.location | Daegu | - |
| dc.description.database | dCollection | - |
| dc.citation | XT.RM 이92 202102 | - |
| dc.contributor.alternativeDepartment | 로봇공학전공 | - |
| dc.contributor.affiliatedAuthor | Hayoon Lee | - |
| dc.contributor.affiliatedAuthor | Sehoon Oh | - |
| dc.contributor.affiliatedAuthor | Sang Hyun Park | - |
| dc.contributor.alternativeName | 이하윤 | - |
| dc.contributor.alternativeName | Sehoon Oh | - |
| dc.contributor.alternativeName | 박상현 | - |
- Files in This Item:
-
기타 데이터 / 3.52 MB / Adobe PDF
download
- Appears in Collections:
- Department of Robotics and Mechatronics Engineering Theses Master
Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.