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