Anomaly Detection in Infant Movement for Predicting Cerebral Palsy

Abstract

Cerebral parese er en permanent motorisk dysfunksjon uten en eksisterende kur. Selv om det ikke er noen etablerte tester for å oppdage dens tilstedeværelse, kan tidlig diagnose og behandling i stor grad forbedre sjansene for å redusere symptomene. Barn med risiko for å få cerebral parese blir i dag klinisk observert over flere år før de får en diagnose. En tidligere diagnose er basert på en analyse av inaktiv bevegelse hos spedbarn, men den er tidkrevende og krever spesialutdannede barneleger. Et system basert på datasyn kan hjelpe i denne analysen ved å redusere behovet for spesialister og ha en bedre nøyaktighet.

For å adressere dette, ønsker vi å bruke anomali-deteksjonsmodeller for å analysere bevegelsen til spedbarn. Tidligere studier har funnet leddens plassering basert på videoopptak og skapt et annotert datasett med friske og syke spedbarn. Det eksisterer derimot ingen metode for å anvende anomalideteksjon på denne typen data. Vår løsning på dette er AnoMove-metoden. AnoMove bruker vinkler mellom ledd for å representere småbarns bevegelser og transformerer dem til frekvenser ved bruk av Fourier-transformasjon. Dette blir fulgt av en dimensjonalitetsreduksjon ved bruk av PLS-DA. Resultatet fra denne behandlingen blir brukt som inndata for XGBOD, en detekteringsmodell for anomalier. AnoMove bruker resultat fra XGBOD for å finne unormale bevegelser. I tillegg til dette kan AnoMove visualisere resultatene fra data-prosesseringen og anomali-prediksjonen.

Ved å bruke AnoMove kunne vi klassifisere spedbarn med lovende resultater. Anomali-deteksjon ser ut til å være en godt egnet tilnærming for problemet med å finne cerebral parese hos spedbarn.

Cerebral palsy is a permanent motor dysfunction with no existing cure. Although there are no established tests to detect its presence, early diagnosis and treatment can greatly improve the chances of decelerating its symptoms. Children at risk of having cerebral palsy are today clinically observed over several years before receiving a diagnosis. An earlier diagnosis is based on an analysis of the idle movement of infants, but it is time consuming and requires specially trained paediatricians. A system based on computer vision may aid in this analysis, alleviating the need of scarce specialists, and with better accuracy.

To address this, we want to apply anomaly detection models to analyse the movement of infants. Earlier studies have found the position of joints based on video recordings and created an annotated dataset of healthy and impaired infants. However, there exists no method for applying anomaly detection on this type of data. Our solution to this is the AnoMove method. AnoMove uses angles between joints to represents the movements of infants and transform them into frequencies using Fourier transformation. This is followed by a dimensionality reduction using PLS-DA. The result from this processing is used as the input for XGBOD, an outlier detection model. AnoMove uses the scores from XGBOD to predict abnormal movement. In addition to this, AnoMove can visualise the results from the preprocessing and anomaly prediction.

By using AnoMove we could classify infant with promising results. Anomaly detection seems to be a well-suited approach for the problem of finding cerebral palsy in infants.