Proposition de TFE — 2014-2015 Mise au point d`un simulateur de

Proposition de TFE — 2014-2015
Mise au point d’un simulateur de la marche humaine et de
ses pathologies, et application à l’interprétation de
caractéristiques de marche mesurées
Sébastien Piérard, Samir Azrour, et Marc Van Droogenbroeck
Mai 2014
GAIMS [1, 2, 3] est un système de mesure de caractéristiques de la marche qui a été mis au
point à l’ULg dans le but de pouvoir être utilisé en routine clinique pour aider au diagnostique
et au suivi des patients atteints par une maladie neurologique. Ce système mesure les trajectoires
des pieds des patients lors de plusieurs types de tests de marche. De nombreuses caractéristiques
de la marche peuvent en être dérivées, par exemple : la vitesse de marche, l’écart moyen entre les
pieds, la longueur des pas, l’asymétrie latérale de la marche, l’irrégularité temporelle de la marche,
le temps de double appui, etc..
Une vue globale du travail proposé est donnée à la figure 1. Le but est de “piloter” un avatar
humain afin de le faire marcher de façon réaliste. Ceci permettra d’une part de générer des séquences vidéo de synthèse (par exemple avec OpenGL) pour montrer les différents types de marche
existants, et d’autre part, de comparer les caractéristiques de la marche mesurées par GAIMS et
celles obtenues à partir du simulateur de marche afin d’en tirer différentes conclusions.
On propose de commencer par animer un avatar humain existant (par exemple celui du projet
MakeHuman [4, 5]) afin de le faire marcher virtuellement le long d’un chemin défini arbitrairement.
Il sera donc nécessaire de déterminer les différentes possibilités qui existent pour animer un avatar
humain et de sélectionner la solution la mieux adaptée aux besoins.
Dans un premier temps, on s’attachera à une marche saine, en prenant en compte les caractéristiques morphologiques de la personne à simuler (poids, taille, âge, pointure, etc.). Plusieurs types
de marche seront simulées : la marche confortable, la marche la plus rapide possible, et la marche
en tandem. Dans la mesure du possible, la variabilité temporelle de la marche sera simulée. Une
étude bibliographique, portant entre autres, sur l’influence des caractéristiques morphologiques
sur la marche [6], sur la variabilité temporelle de celle-ci [7], et sur les corrélations existant entre
les différentes caractéristiques de la marche (voir par exemple [8]) devra être réalisée initialement.
Il faut donc être capable de déterminer la pose de l’avatar à n’importe quel instant.
Dans un second temps, on s’attachera à la simulation de marches pathologiques. Différents types
de pathologies peuvent être observés en pratique : la marche ataxique, spastique, paraplégique,
hémiparétique, etc.. Des classifications des pathologies ont été proposées, par exemple, par Nutt
et al. [9], Alexander et al. [10], Azulay et al. [11], Snijders et al. [12], et Jahn et al. [13].
Pour conclure ce travail, le simulateur sera utilisé pour interpréter la marche de patients observés avec GAIMS. Le système de mesures GAIMS sera modélisé et simulé, et la chaîne de traitement
de signal incluse dans GAIMS sera appliquée. Pour finir, l’impact des différentes pathologies sur
les caractéristiques fournies par GAIMS sera déterminé. Pour ce faire on simulera une personne
ayant une marche saine et autre personne ayant une marche pathologique. Grâce au simulateur de
GAIMS, les caractéristiques de la marche pourront être déterminées pour ces deux personnes, et
comparées. On peut également envisager de comparer, d’une part, les caractéristiques de la marche
obtenues en simulant une personne ayant une marche pathologique et GAIMS, et d’autre part, les
caractéristiques de la marche fournies par GAIMS à propos d’un patient ayant effectué les mêmes
1
avatar
chemin suivi,
type de revêtement,
type de marche
animateur
(pilote des mouvements)
acquisition réelle avec
le système de mesures GAIMS
maillage 3D dynamique
video ou séquence d’images
simulateur de GAIMS
(capteurs laser)
caractéristiques, localisation, et
orientation des capteurs laser
caractéristiques morphologiques
et pathologies simulées choisies
nuage de points dynamique
feedback
localisation et identification
des pieds
trajectoires de pieds estimées
calcul des descripteurs
de marche
écart moyen entre les pieds, cadence, longueur des pas, temps de double appui,
déviation du chemin suivi, variabilitité temporelle de la marche, etc.
comparaison
interprétation de la marche observée
(caractéristiques morphologiques
et pathologies prédites)
Figure 1 – Le contexte global dans lequel s’intègre ce travail de fin d’études (en gras). Les boîtes
fines correspondent à des éléments logiciels qui existent (totalement ou en grande partie) et peuvent
être réutilisés par l’étudiant.
2
tests de marches que ceux simulés. On prendra soin de simuler une personne ayant des caractéristiques morphologiques identiques à celles du patient. Si ces deux ensembles de caractéristiques
de marche sont similaires, alors on pourra conclure que le patient a probablement la pathologie
qui a été simulée. Notons qu’il serait également intéressant d’étudier la faisabilité de déterminer
les caractéristiques morphologiques de la personne observée par une approche similaire. On sait
en effet que ceci devrait être possible suite au travail de Lejeune [14].
L’ensemble des programmes réalisés devra fonctionner sous linux (32 et 64 bits). Les programmes seront écrits de préférence en C++ ou java. Un objectif intermédiaire sera visé pour fin
décembre : produire une séquence vidéo montrant l’avatar qui marche, de manière saine, le long
d’un chemin en forme de ∞, et calculer les caractéristiques de marche correspondantes.
Références
[1] S. Piérard, S. Azrour, R. Phan-Ba, and M. Van Droogenbroeck. GAIMS : A reliable nonintrusive gait measuring system. ERCIM News, 95 :26–27, October 2013.
[2] S. Piérard, R. Phan-Ba, V. Delvaux, P. Maquet, and M. Van Droogenbroeck. GAIMS : a
powerful gait analysis system satisfying the constraints of clinical routine. Multiple Sclerosis
Journal, 19(S1) :359, October 2013. Proceedings of ECTRIMS/RIMS 2013 (Copenhagen,
Denmark), P800.
[3] S. Piérard, S. Azrour, and M. Van Droogenbroeck. Design of a reliable processing pipeline
for the non-intrusive measurement of feet trajectories with lasers. In IEEE International
Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 4432–4436, Florence,
Italy, May 2014.
[4] M. Bastioni, S. Re, and S. Misra. Ideas and methods for modeling 3D human figures : the
principal algorithms used by MakeHuman and their implementation in a new approach to
parametric modeling. In Proceedings of the 1st Bangalore Annual COMPUTE Conference,
pages 10.1–10.6, Bangalore, India, 2008. ACM.
[5] The MakeHuman team. The MakeHuman website. http://www.makehuman.org, 2007.
[6] S. Azrour, S. Piérard, P. Geurts, and M. Van Droogenbroeck. Data normalization and supervised learning to assess the condition of patients with multiple sclerosis based on gait
analysis. In European Symposium on Artificial Neural Networks, Computational Intelligence
and Machine Learning (ESANN), pages 649–654, Bruges, Belgium, April 2014.
[7] J. Hausdorff. Gait dynamics, fractals and falls : finding meaning in the stride-to-stride fluctuations of human walking. Human Movement Science, 26(4) :555–589, 2007.
[8] C. Howard, C. Wallace, and D. Stokic. Stride length-cadence relationship is disrupted in
below-knee prosthesis users. Gait & Posture, 38(4) :883–887, September 2013.
[9] J. Nutt, C. Marsden, and P. Thompson. Human walking and higher-level gait disorders,
particularly in the elderly. Neurology, 43(2) :268–279, February 1993.
[10] N. Alexander and A. Goldberg. Gait disorders : Search for multiple causes. Cleveland clinic
journal of medicine, 72(7) :586–600, July 2005.
[11] J.-P. Azulay, F. Vacherot, and M. Vaugoyeau. Locomotion : physiologie et classification des
principaux troubles. Revue Neurologique, 166(2) :142–148, February 2010.
[12] A. Snijders, B. van de Warrenburg, N. Giladi, and B. Bloem. Neurological gait disorders in
elderly people : clinical approach and classification. THE LANCET Neurology, 6(1) :63–74,
January 2007.
[13] K. Jahn, A. Zwergal, and R. Schniepp. Gait disturbances in old age – classification, diagnosis, and treatment from a neurological perspective. Deutsches Ärzteblatt International,
107(17) :306–316, 2010.
[14] S. Lejeune. Reconnaissance de personnes sur base des caractéristiques de la marche observées
avec des capteurs laser. Master’s thesis, University of Liège, Belgium, 2014.
3