Parkinson’s Disease (PD) is a common neurodegenerative disease which impacts millions of people around the world. In clinical treatments, freezing of gait (FoG) is used as the typical symptom to assess PD patients’ condition. Currently, the assessment of FoG is usually performed through live observation or video analysis by doctors. Considering the aging societies, such a manual inspection based approach may cause serious burdens on the healthcare systems. In this study, we propose a pure video-based method to automatically detect the shuffling step, which is the most indistinguishable type of FoG. Firstly, the RGB silhouettes which only contain legs and feet are fed into the feature extraction module to obtain multi-level features. 3D convolutions are used to aggregate both temporal and spatial information. Then the multi-level features are aggregated by the feature fusion. Skip connections are implemented to reserve information of high resolution and period-wise horizontal pyramid pooling is utilized to fuse both global context and local features. To validate the efficacy of our method, a dataset containing 268 normal gait samples and 362 shuffling step samples is built, on which our method achieves an average detection accuracy of 90.8%. Besides shuffling step detection, we demonstrate that our method can also assess the severity of walking abnormity. Our proposal facilitates a more frequent assessment of FoG with less manpower and lower cost, leading to more accurate monitoring of the patients’ condition.

中文翻译：

---

基于视频的帕金森病患者3D卷积步移检测

帕金森氏病（PD）是一种常见的神经退行性疾病，它影响着全球数百万人。在临床治疗中，步态冻结（FoG）被用作评估PD患者病情的典型症状。目前，对FoG的评估通常是通过医生的现场观察或视频分析来进行的。考虑到老龄化社会，这种基于手动检查的方法可能会对医疗保健系统造成严重的负担。在这项研究中，我们提出了一种基于纯视频的方法来自动检测混洗步骤，这是FoG最难以区分的类型。首先，仅包含腿和脚的RGB轮廓被馈入特征提取模块以获得多级特征。3D卷积用于汇总时间和空间信息。然后通过特征融合来聚合多级特征。跳过连接的实现是为了保留高分辨率信息，而周期性的水平金字塔池则用于融合全局上下文和局部特征。为了验证我们方法的有效性，建立了一个包含268个正常步态样本和362个重排步样本的数据集，在该数据集上，我们的方法实现了90.8％的平均检测准确率。除了改组步骤检测之外，我们证明了我们的方法还可以评估步行异常的严重程度。我们的建议有助于以更少的人力和成本来更频繁地评估FoG，从而可以更准确地监测患者的病情。跳过连接的实现是为了保留高分辨率信息，而周期性的水平金字塔池则用于融合全局上下文和局部特征。为了验证我们方法的有效性，建立了一个包含268个正常步态样本和362个重排步样本的数据集，在该数据集上，我们的方法实现了90.8％的平均检测准确率。除了改组步骤检测之外，我们证明了我们的方法还可以评估步行异常的严重程度。我们的建议有助于以更少的人力和成本来更频繁地评估FoG，从而可以更准确地监测患者的病情。跳过连接的实现是为了保留高分辨率信息，而周期性的水平金字塔池则用于融合全局上下文和局部特征。为了验证我们方法的有效性，建立了一个包含268个正常步态样本和362个重排步样本的数据集，在该数据集上，我们的方法实现了90.8％的平均检测准确率。除了改组步骤检测之外，我们证明了我们的方法还可以评估步行异常的严重程度。我们的建议有助于以较少的人力和成本来更频繁地评估FoG，从而可以更准确地监测患者的病情。在该方法上，我们的平均检测精度达到了90.8％。除了改组步骤检测之外，我们证明了我们的方法还可以评估步行异常的严重程度。我们的建议有助于以更少的人力和成本来更频繁地评估FoG，从而可以更准确地监测患者的病情。在该方法上，我们的平均检测精度达到了90.8％。除了改组步骤检测之外，我们证明了我们的方法还可以评估步行异常的严重程度。我们的建议有助于以更少的人力和成本来更频繁地评估FoG，从而可以更准确地监测患者的病情。