Predikce pohybu dolní končetiny pomocí metod umělé inteligence

Abstract

V dnešní době je trendem používání simulací a analýz lidské chůze a dle mého názoru může být neméně užitečná predikce úhlů v kloubech dolní končetiny. Predikce pohybu nohy může být použitelná i pro programování ortéz a protéz, tak jako v rehabilitaci pacientů. Pro měření pohybu jsem použila dvě metody. První z nich byla infračervená kamera (System Lukotronic AS 200) s aktivními markery. Pomocí této metody jsem schopna získat souřadnice markerů v 3D prostoru a také delší sekvenci videa, jelikož jsem pohyb natáčela na běžícím páse. Druhým systémem byla web kamera s reflexními markery vlastní výroby, které byly kontrastní vůči černému oblečení měřené osoby. V programu Coach6 jsem následně detekovala markery ručně v každém snímku videa a získala tak pouze 2D souřadnice. V obou případech jsem na tělo měřené osoby umisťovala 5 markerů (trup, kyčel, koleno, kotník a malíková hrana nohy). Pro predikci úhlů v kloubech a predikci cyklogramů jsem vybrala umělé neuronové sítě, které jsem vytvořila v programu Matlab, jelikož je zde dostupný toolbox pro umělou inteligenci. Z několika mnou sestavených ANN jsem vybrala celkem 5 umělých neuronových sítí, 3 pro predikci úhlů v kloubech a 2 pro predikci cyklogramů. Obě varianty jsem trénovala na naměřená data z pravé nohy s odpovídajícím zpožděním pro nohu levou. Metodou cyklogramů, kterou jsem použila v druhém případě, se počet potřebných neuronových sítí pro predikci úhlů ve třech kloubech snížil o jednu, což vidím jako přínos. Má bakalářská práce je tedy o měření pohybu lidské chůze, analýze naměřených dat (rychlost, zrychlení, úhly, úhlová rychlost a úhlové zrychlení), predikci úhlů v kloubech k určení pohybu dolní končetiny pomocí umělých neuronových sítí, a vše by mělo sloužit k výuce a výzkumu v nové biomechanické laboratoři na ČVUT FBMI a později může být i použitelné v klinické praxi.

In nowadays science field, there is a really extensive use of the analysis of human walk and useful could be a prediction of angles in joints of leg too. The prediction of motion of leg can be useable for orthosis and prosthesis programming, so as rehabilitation. For measuring of movement I used two methods. First was an infrared camera (System Lukotronic AS 200) with active markers. By this method I could register the movement in a 3D space and long sequences of video, because I filmed it on an endless band. Second system was a web camera with reflective markers. I made my own circular markers which were contrast with the wear of the measured person, who was in black. The detection of the markers I did in the program Coach6. From this system I gained only 2D co-ordinates of markers. In both cases I placed five markers on the measured person (body, hip, knee, ankle and foot). For a prediction of angles in joints and prediction of cyclograms I took out the artificial neural networks, which I made-up in software Matlab, because there is a toolbox for artificial intelligence which I used. I created five ANN. Three of them are for a prediction of angles in joins of left leg (hip, knee and ankle), which I trained from a measured data of right leg accord with a time IVBarbora Farkašová Abstraktdelay. By the same way I created two others ANN for a prediction of cyclograms. By this method which I used, I can apply only two ANN instead of three for prediction of angles in three joints of left leg. My bachelor's thesis is about measuring of a human walk, the analysis of measured data (velocity, acceleration, angles, angular velocity and angular acceleration), the prediction of angles in joints of leg by artificial neural networks, and all of this is for study and research purpose in a new biomechanics? laboratory at FBE CTU and could be useable in a clinical practise