dc.contributor.advisor | Ramampiaro, Heri | |
dc.contributor.author | Løkensgard, Håvard | |
dc.contributor.author | Skarpnes, Erlend Johann | |
dc.date.accessioned | 2021-09-15T16:18:20Z | |
dc.date.available | 2021-09-15T16:18:20Z | |
dc.date.issued | 2020 | |
dc.identifier | no.ntnu:inspera:57320302:25553400 | |
dc.identifier.uri | https://hdl.handle.net/11250/2777892 | |
dc.description.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 vedå 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 videoopp-
tak 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. | |
dc.description.abstract | 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. | |
dc.language | | |
dc.publisher | NTNU | |
dc.title | Anomaly Detection in Infant Movement for Predicting Cerebral Palsy | |
dc.type | Master thesis | |