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

diplomski rad

• Naslov (engleski): Cross-Dataset Evaluation of Motion Encoder Representations for Parkinson's Disease Symptom Severity Assessment During Walking
• Autor: Ivan Klabučar
• Mentor: Marko Subašić (mentor)
• Član povjerenstva: Marko Subašić (predsjednik povjerenstva)
• Član povjerenstva: Damir Seršić (član povjerenstva)
• Član povjerenstva: Juraj Petrović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-09-09, Hrvatska

Sažetak

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.

Sažetak (engleski)

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.

• Ključne riječi: UPDRS-III 3.10; enkoderi ljudskog pokreta; Parkinsonova bolest; predviđanje stadija bolesti
• Ključne riječi (engleski): UPDRS-III subsection 3.10; human motion encoders; Parkinson’s disease; severity prediction
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:750613
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 21:03:50