การวิเคราะห์การเดินจากมุมมองด้านข้างโดยไม่ใช้มาร์กเกอร์ด้วยการประมาณท่าทางและ การตรวจจับบุคคลจากกล้องเพียงตัวเดียว

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบวิเคราะห์การเดินแบบไร้มาร์กเกอร์ (Markerless Gait Analysis) จากวิดีโอมุมมองด้านข้าง เพื่อลดความยุ่งยากและข้อจำกัดของระบบที่ใช้ตัวบ่งชี้แบบดั้งเดิม โดยใช้โครงข่ายประสาทเทียมแบบ U-Net ร่วมกับการเพิ่มชั้น Batch Normalization ในการแบ่งส่วนภาพบุคคล (Semantic Segmentation) และใช้เทคนิคผสมผสาน (Hybrid) ในการระบุพิกัดจุดสำคัญของส้นเท้าและปลายเท้า การทดสอบทำกับกลุ่มตัวอย่างจำนวน 40 คน ในสภาวะการเดินที่หลากหลาย ได้แก่ การเดินปกติ การเดินช้า และการเดินโดยมีผู้ติดตาม ผลการทดลองพบว่าแบบจำลอง U-Net ที่มี Batch Normalization ให้ประสิทธิภาพสูงสุด โดยมีค่า Dice Coefficient และ IoU สูงกว่าแบบดั้งเดิมอย่างเห็นได้ชัด ในส่วนของความแม่นยำเชิงพิกัด ระบบมีความคลาดเคลื่อนเฉลี่ยในการระบุจุดสำคัญอยู่ที่ 9.13 ± 2.81 เซนติเมตร เมื่อเทียบกับผลเฉลย (Ground Truth) สำหรับการวัดพารามิเตอร์การเดิน (Gait Parameters) ระบบให้ค่าความคลาดเคลื่อนเฉลี่ยร้อยละ (MAPE) อยู่ในช่วงร้อยละ 9 ถึง 13 โดยมีความแม่นยำสูงสุดในการวัดระยะช่วงก้าว (Stride Length) นอกจากนี้ ระบบยังแสดงให้เห็นถึงความทนทานต่ออุปสรรคในสภาวะที่มีผู้ติดตามเดินร่วมด้วย ซึ่งยืนยันว่าระบบที่พัฒนาขึ้นมีความเพียงพอในการนำไปประยุกต์ใช้เป็นเครื่องมือคัดแยกและติดตามผลการเดินในทางคลินิกเบื้องต้นได้อย่างมีประสิทธิภาพ

This research proposes a markerless gait analysis system using side-view video sequences to overcome the limitations and complexity of traditional marker-based systems. The proposed method utilizes a U-Net architecture enhanced with Batch Normalization for semantic segmentation of the human silhouette, combined with a hybrid technique for detecting heel and toe keypoints. The system was evaluated with 40 participants under various walking conditions, including normal speed, slow speed, and assisted walking (walking with a follower). Experimental results demonstrated that U-Net with Batch Normalization significantly outperformed the vanilla U-Net, achieving superior Dice Coefficient and IoU scores. In terms of spatial accuracy, the system achieved a mean keypoint detection error of 9.13 ± 2.81 cm compared to the ground truth. For gait parameters calculation, the Mean Absolute Percentage Error (MAPE) ranged from 9% to 13%, with the highest accuracy observed in stride length measurements. Furthermore, the system exhibited robustness in assisted walking scenarios, maintaining consistent performance even with occlusions. These findings suggest that the developed system is a viable tool for preliminary gait screening and clinical monitoring.