Leugendetector bij de gang: model voor kunstmatige intelligentie

Lopen is een autonoom proces dat repetitieve cycli met zich meebrengt en plaatsvindt als gevolg van ritmische afwisselende bewegingen van de romp, de bovenste en onderste ledematen, en de voorwaartse verplaatsing van het zwaartekrachtcentrum in het sagittale vlak. Gangbeoordelingen bij aandoeningen van het bewegingsapparaat of situaties die bewegingen beïnvloeden, zijn gebaseerd op de beschrijving van de loopkenmerken van het individu en de vergelijking van referentiegegevens van individuen van vergelijkbare leeftijd en geslacht.

In sommige gevallen lopen patiënten niet met hun werkelijke looppatroon, maar kunnen zij imitatie van sommige pathologische patronen gebruiken voor secundaire financiële verwachtingen. Over het algemeen wordt dit probleem, dat kan worden ondervonden bij het bepalen van het invaliditeitspercentage op het gebied van de forensische geneeskunde, uitgevoerd om opzettelijk de loop van de persoon af te leiden en een hoger invaliditeitspercentage te bereiken. Er kunnen zich dus oneerlijke compensatievoordelen voordoen. Er wordt verwacht dat er consistentie zal zijn in repetitieve stappen tijdens de gebruikelijke gang van een persoon, maar deze consistentie tussen stappen zal naar verwachting verschillen als iemand een gang wil imiteren. Als deze kwestie voordelen oplevert, vooral in termen van arbeidsongeschiktheidscompensatie, is imitatie moeilijk te begrijpen en te bewijzen met methodologische ontwerpen die zijn ontwikkeld voor ganganalyse en observationele analyse, en is deze vaak ontoereikend.

In recente onderzoeken zijn diepe neurale netwerken gebruikt om het unieke karakter van individuele looppatronen te bestuderen door niet-lineaire systemen te leren en te classificeren op basis van gegevens verzameld door meerdere sensoren. Succesvollere resultaten worden verkregen met driedimensionale kinematische gegevens in plaats van alleen een tweedimensionale ruimtelijk-temporele relatie door gebruik te maken van informatie verkregen uit veel sensoren bij ganganalyse met dieptebeelden en traagheidsmeeteenheden. Op basis hiervan is het, binnen de reikwijdte van het onderzoek, gericht op het verkrijgen van consistentere resultaten met het gebruik van repetitieve neurale netwerken in loopmodellen en classificatiebenaderingen.

Het is vooral belangrijk bij klinische evaluaties dat de analyse en effectieve kenmerken van de modellen die zijn ontwikkeld met de onderzoeken op het gebied van verklaarbare kunstmatige intelligentie en duidelijke bevindingen presenteren aan de beslisser. Het enige onderzoek dat overeenkomsten vertoont met het uit te voeren onderzoek is het gebruik van laag-voor-laag-relatievoortplantingsbenadering om looppatronen te verklaren bij individuen met diepgaande leermethoden. Binnen de reikwijdte van dit project was het doel om een ​​beslissingsondersteunend systeem te ontwikkelen voor het bepalen van de loopimitaties van individuen met verklaarbare machine learning-benaderingen op het gebied van invaliditeitscompensatie op het gebied van de forensische geneeskunde. Op deze manier wordt, ongeacht de persoonlijke ervaring van de beoordelaar en de methode, ervoor gezorgd dat oneerlijke compensatie of verloren rechten verkregen door imitatiewandeling worden voorkomen en op bewijs gebaseerde informatie ten behoeve van de gerechtigheid in gerechtelijke processen wordt verkregen.

De studie zal een belangrijke bijdrage leveren aan het veld en de literatuur als de eerste studie waarin een kunstmatige-intelligentiemodel wordt gebruikt bij het bepalen van loopimitaties op het gebied van de forensische geneeskunde en die een beslissingsondersteunend systeem creëert (leugendetector tijdens het lopen). in dit veld. De spatiotemporele kenmerken en kinematische evaluaties van het lopen bij ziekten die de beweging beïnvloeden en bij gezonde individuen worden vaak gebruikt in klinieken en onderzoeken in de geneeskunde en gezondheidswetenschappen, maar dit project is voor het eerst op het gebied van de geneeskunde om meerdere loopgegevens te gebruiken in een kunstmatige intelligentiemodel om imitatiegangen te onderscheiden. Met de creatie van het kunstmatige-intelligentiemodel zal het bijdragen aan academische studies en de opleiding van onderzoekers voor het definiëren van ziektespecifieke looppatronen en het creëren van normen in de volgende fasen.