Computational Intelligence generation of subject-specific knee and hip healthy reference curves

Abstract

Os métodos de Inteligência Computacional Backpropagation Neural Network (BNN) e Extreme Learning Machine (ELM) são capazes de gerar curvas angulares de referência específicas baseadas em características como altura, peso, idade e velocidade da marcha. Estas curvas de referência são de grande relevância em áreas como a medicina e a biomédica, na deteção de patologias e/ou reabilitação da marcha. Um procedimento comum na identificação de patologias da marcha é comparar as curvas dos ângulos das articulações do joelho e da anca de pacientes com curvas de referência, contruídas a partir de um grupo de indivíduos saudáveis. No entanto, estas curvas de referência genéricas são usualmente obtidas de uma amostra heterogénea de pessoas saudáveis e não possuem a especificidade necessária para obter resultados precisos. Por estas razões a geração de curvas de referência específicas tendo em conta características como o peso, altura, idade e velocidade de marcha resultarão numa melhor comparação e consequentemente num diagnostico mais preciso. Os ciclogramas são de fácil visualização e permitem condensar informação pertinente das curvas dos ângulos das articulações do joelho e da anca. Podemos assim obter informação sobre o movimento conjunto das articulações e simetria da marcha do paciente. O principal objetivo do presente trabalho é identificar qual dos dois métodos de inteligência computacional, BNN e ELM, apresentam resultados mais precisos quando usados para gerar curvas de referência especificas do joelho e da anca tendo em conta altura, peso, idade e velocidade da marcha do paciente. No presente trabalho são geradas curvas de referência específicas para um paciente com paralisia cerebral e usadas na construção de ciclogramas para comparação e avaliação da marcha.

Backpropagation Neural Network (BNN) and Extreme Learning Machine (ELM) are Computational Intelligence (CI) methods that can generate subject-specific joint angle reference profiles based on a subject’s height, weight, age and walking speed. These reference profiles are useful in various fields such as biomedical engineering and medicine, for detection of gait pathologies and rehabilitation. A common procedure used to identify abnormal gait is comparing an individual’s knee and hip curves with healthy reference curves. These reference curves are usually obtained from a heterogeneous sample of healthy subjects and might lack the specificity required to obtain accurate results. It is why the generation of reference curves according to an individual’s height, weight, age and gait speed should result in a better comparison and diagnosis. Cyclograms present a great way of visualizing and condensate information. Furthermore, we can get insights of patient conjoint movement and symmetry. The main objective of the present study is to observe which of the two methods, BNN and ELM, present more accurate results when used to generate reference curve profiles based on subject height, weight, age and gait speed for the knee and hip joint angles. In the present work, subject-specific knee and hip healthy reference curves are generated for a Cerebral Palsy patient. These are used to construct several cyclograms, from which features of importance to patient gait evaluation, can be extracted.