Evaluacija reprezentacija enkodera pokreta za procjenu težine simptoma parkinsonove bolesti tijekom hodanja na različitim skupovima podataka

master's thesis

• Title (english): Cross-Dataset Evaluation of Motion Encoder Representations for Parkinson's Disease Symptom Severity Assessment During Walking
• Author: Ivan Klabučar
• Mentor: Marko Subašić (mentor)
• Committee member: Marko Subašić (predsjednik povjerenstva)
• Committee member: Damir Seršić (član povjerenstva)
• Committee member: Juraj Petrović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-09-09, Croatia

Abstract

Sažetak na hrvatskom.Nedavni napreci u enkoderima ljudskih kretanji omogućili su dobivanje visoko informativnih reprezentacija kretanji prikladnih za rješavanje raznih zadataka. U ovom radu procjenjujemo potencijal nekoliko enkodera za analizu patoloških kretanji kroz zadatak predviđanja težine simptoma Parkinsonove bolesti na pet kliničkih skupova podataka hoda. Rezultati pokazuju da distribucijski pomaci između skupova podataka predstavljaju značajan izazov za generalizaciju između različitih skupova. Međutim, u izazovnim situacijama poput prisutnosti podzastupljenih klasa, enkoderi su demonstrirali točnije predikcije u usporedbi s tradicionalnim modelima temeljenim na značajkama hoda. Rezultati naglašavaju potrebu za većim i kvalitetnijim skupovima podataka za analizu hoda kod Parkinsonove bolesti.

Abstract (english)

The abstract in English.Recent advancements in human motion encoders have enabled the extraction of highly informative representations of movement applicable to various downstream tasks. We evaluate the potential of several state-of-the-art motion encoders for analyzing pathological movement through the task of Parkinson's Disease symptom severity prediction on five clinical gait datasets. Our findings reveal that distributional shifts between datasets pose significant challenges to cross-dataset generalization. Additionally, in challenging scenarios, such as in the presence of underrepresented classes, motion encoders demonstrated more accurate performance than traditional gait feature-based models. The results underscore the need for larger, higher-quality datasets for Parkinson's Disease gait analysis.

• Keywords: UPDRS-III 3.10; enkoderi ljudskog pokreta; Parkinsonova bolest; predviđanje stadija bolesti
• Keywords (english): UPDRS-III subsection 3.10; human motion encoders; Parkinson’s disease; severity prediction
• Language: english
• URN:NBN: urn:nbn:hr:168:750613
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 21:03:50