Artigo em revista científica Q1
A spatiotemporal deep learning approach for automatic pathological Gait classification
Pedro Albuquerque (Albuquerque, P.); Tanmay Tulsidas Verlekar (Verlekar, T.); Paulo Lobato Correia (Correia, P. L. ); Luís Ducla Soares (Soares, L. D.);
Título Revista
Ano (publicação definitiva)
Mais Informação
Web of Science®

N.º de citações: 2

(Última verificação: 2023-06-10 17:14)

Ver o registo na Web of Science®

: 0.3

N.º de citações: 4

(Última verificação: 2023-06-05 02:27)

Ver o registo na Scopus

: 0.5
Google Scholar

N.º de citações: 7

(Última verificação: 2023-06-06 15:03)

Ver o registo no Google Scholar

Human motion analysis provides useful information for the diagnosis and recovery assessment of people suffering from pathologies, such as those affecting the way of walking, i.e., gait. With recent developments in deep learning, state-of-the-art performance can now be achieved using a single 2D-RGB-camera-based gait analysis system, offering an objective assessment of gait-related pathologies. Such systems provide a valuable complement/alternative to the current standard practice of subjective assessment. Most 2D-RGB-camera-based gait analysis approaches rely on compact gait representations, such as the gait energy image, which summarize the characteristics of a walking sequence into one single image. However, such compact representations do not fully capture the temporal information and dependencies between successive gait movements. This limitation is addressed by proposing a spatiotemporal deep learning approach that uses a selection of key frames to represent a gait cycle. Convolutional and recurrent deep neural networks were combined, processing each gait cycle as a collection of silhouette key frames, allowing the system to learn temporal patterns among the spatial features extracted at individual time instants. Trained with gait sequences from the GAIT-IT dataset, the proposed system is able to improve gait pathology classification accuracy, outperforming state-of-the-art solutions and achieving improved generalization on cross-dataset tests.
This work was partly funded by FCT/MCTES under the project UIDB/50008/2020.
Gait analysis,Gait pathology classification,Deep learning,Computer vision
  • Ciências da Computação e da Informação - Ciências Naturais
  • Engenharia Eletrotécnica, Eletrónica e Informática - Engenharia e Tecnologia
Registos de financiamentos
Referência de financiamento Entidade Financiadora
UIDB/50008/2020 Fundação para Ciência e Tecnologia

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.