Analyse de mouvement par vidéo pour l'évaluation de la marche avec une technologie innovante

Motion analysis by video for gait evaluation with innovative technology

• Auteur / Autrice : Mehran Hatamzadeh
• Direction : Raphaël Zory, Laurent Busé
• Type : Thèse de doctorat
• Discipline(s) : Sciences du mouvement humain
• Date : Soutenance le 04/11/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École Doctorale Sciences du mouvement humain (Marseille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Motricité Humaine, Expertise, Sport, Santé (LAMHESS) (Nice, Alpes-Maritimes ; Marseille, Bouches-du-Rhône) - Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : François Brémond
• Jury : Examinateurs / Examinatrices : Raphaël Zory, Laurent Busé, François Brémond, Raphaël Dumas, Laetitia Fradet, Katia Turcot, Stefanie Wuhrer
• Jury : Rapporteurs / Rapporteuses : Raphaël Dumas, Laetitia Fradet

Mots clés

Mots clés contrôlés

Modèles mathématiques

Membre inférieur

Modèles géométriques

Reconnaissance de l'activité humaine (informatique)

Perception de la profondeur

Marche (locomotion)

Caméras vidéo numériques

Mots clés libres

Analyse de la marche sans marqueur

Caméra RGB-D

Modélisation géométrique

Cinématique améliorée

Calcul spatiotemporel

Modèle des membres inférieurs

Markerless gait analysis

RGB-D camera

Geometric modelling

Improved kinematics

Spatiotemporal calculation

Lower-limb model

Résumé

L'émergence des caméras de profondeur (RGB-D) et des algorithmes d'estimation de pose humaine a ouvert la voie à des systèmes d'analyse du mouvement sans marqueurs. Cependant, des défis subsistent en analyse de la marche, notamment en raison du bruit dans les poses estimées. Ces systèmes montrent une précision moindre comparée aux systèmes de référence. Ce manuscrit aborde ce problème en introduisant des modèles géométriques intégrant des connaissances biomécaniques. Trois études interconnectées ont été réalisées pour améliorer la précision de la détection des événements de la marche, des paramètres spatiotemporels et des mesures cinématiques. Tout d'abord, un modèle géométrique basé sur des courbes de Bézier a été développé pour imiter la trajectoire des points de l'extrémité du pied chez des sujets sains, à partir de données d'une caméra RGB-D (Microsoft Azure Kinect) et d'un estimateur de pose humaine (OpenPose). La validation avec le système OptoGait a montré un accord statistique excellent (0,86 ≤ Rc ≤ 0,99), révélant le potentiel de ce modèle pour le débruitage des trajectoires des points de l'extrémité du pied. Ensuite, deux modèles géométriques ont été créés pour s'adapter à des marches normales et pathologiques. Nous avons développé O-GEST, un algorithme automatique pour détecter les événements de la marche au sol, basé sur des courbes B-Spline pour représenter la trajectoire du pied. Validé par rapport à des plateformes de force, O-GEST détecte 95 % des événements de marche avec une erreur inférieure à 20-30 ms, y compris pour des sujets atteints de pathologies comme l'arthrose de la hanche, les AVC, la maladie de Parkinson et la paralysie cérébrale. Enfin, un modèle géométrique du membre inférieur et un pipeline algorithmique ont été développés pour améliorer la précision des mesures cinématiques des systèmes sans marqueurs. En prenant en compte des propriétés géométriques spécifiques au sujet et en utilisant un lissage des trajectoires, la validation avec le système OptiTrack a montré une réduction de l'erreur jusqu'à 43,5 %. Les résultats suggèrent que l'incorporation de modèles géométriques et biomécaniques dans l'analyse de la marche sans marqueurs améliore la précision, la portabilité et la fiabilité, avec moins de caméras nécessaires.

The emergence of depth cameras (RGB-D) and the development of human pose estimation algorithms have paved the way to develop markerless motion analysis systems. Despite the advancements in recent years, some challenges still remain when employing them for gait analysis, as for instance noise in the generated 3D scene and noise of the estimated poses. Mixed with each other, these lead markerless gait analysis systems to demonstrate lower accuracy in the measured biomechanical parameters compared to the gold-standard systems. In this dissertation, the inaccuracy problem of markerless gait analysis systems has been tackled by constructing geometric models with the integration of biomechanics in them. Three interconnected studies have been done to improve the accuracy of gait events detection, spatiotemporal parameters, and kinematic measurements. Firstly, we developed a Bezier curve-based geometric model that can imitate the horizontal trajectory of foot landmarks in the gait pattern of healthy subjects. To obtain landmarks' trajectories during walking, a markerless setup was established based on an RGB-D camera (Microsoft Azure Kinect) and an artificial intelligence-based (AI) human pose estimator (OpenPose). Validation of spatiotemporal parameters computed from this model, compared to the OptoGait system, showed that it yields good to excellent absolute statistical agreement (0.86 ≤ Rc ≤ 0.99), and revealed its potential in pattern-aware denoising of the trajectory of foot landmarks of healthy subjects during walking. Secondly, building upon the above-mentioned foundation, the concept has been further expanded to adapt to both normal and pathological gaits. Hence, we developed two geometric models that encompass various gait patterns and released O-GEST, an automatic and publicly available algorithm for overground gait events detection in force plate-less environments (both marker-based and markerless). O-GEST employs B-Spline-based geometric models to represent the horizontal trajectory of foot landmarks. It leverages gait-dependent thresholds along with optimal coefficients to detect events and compute spatiotemporal parameters. O-GEST was validated against force plates in terms of the timing of the events on various pathologies including subjects with unilateral hip osteoarthritis, stroke survivors, individuals diagnosed with Parkinson's disease, and children with cerebral palsy. Its validation shows that O-GEST detects 95% of the gait events with an absolute error of less than 20-30 ms in the above-mentioned cohorts.Thirdly, we developed a lower-limb geometric model and pipeline of an algorithm to improve kinematics accuracy in markerless gait analysis setups. The developed approach refines the 3D lower-limb skeletons obtained by AI-based pose estimation algorithms in a subject-specific geometric manner, preserves skeleton links' length, benefits from gait phases information that adds biomechanical awareness to the algorithm, and utilizes an embedded trajectory smoothing. Its validation against a marker-based motion analysis system (OptiTrack) revealed its ability to reduce up to 43.5% of the error and improve kinematic curves' similarity to the gold-standard ones.Developed algorithms and obtained results in this dissertation suggest that constructing biomechanically-aware geometric models and employing them in markerless gait analysis could lead to enhanced accuracy and reliability of the analysis. Such algorithms can also help in increasing the portability of the system, such that fewer cameras are required which delivers comparable measurement accuracy compared to multi-camera approaches.