Klassificering av komplexa rörelsemönster med hjälp av datorseende och maskininlärning

Senast ändrad: 13 april 2021

I internationella, tvärvetenskapliga forskningssamarbeten utvecklar vi smart teknologi som kan användas för att underlätta tidig och korrekt diagnostik av sjukdomar hos stordjur.

Ortopediska skador är det största hälsoproblemet hos hästar och kor. Effektiv vård baseras på tidig upptäckt av symtom och korrekt diagnostik. Objektiv rörelseanalys har därför utvecklats för att öka säkerheten i bedömningen med hjälp av sensorer eller 3-D kamerateknik med markörer som fästs på djurets kropp. Tekniken används både inom forskning och på kliniker. Systemen är sensorbaserade eller optiska och mäter asymmetrier i den vertikala rörelsen av centrala kroppsegment såsom bäckenet och huvudet.

Men ger dagens objektiva rörelsemätningar oss hela sanningen? Bedömning av rörelsemönster och beteendetolkning hos hästen är en komplex uppgift för veterinärer som utreder ortopediska skador. Sannolikt använder sig den mänskliga hjärnan av mönsterigenkänning för att lösa uppgiften. Vissa erfarna veterinärer kritiserar de objektiva rörelsesystemen och hävdar att de ger en ofullständig bild av rörelsemönstret samt missar relevant information. Kanske ligger en delförklaring till detta i att vi borde titta på rörelsemönstret med hjälp av mer avancerad analysteknik? Sådan teknik finns nu tillgänglig i form av datorseende och maskininlärning.

Med hjälp av finansiering från Formas forskar vi tillsammans med vårt internationella nätverk på att använda maskininlärning för att utnyttja outforskade dimensioner av rörelsedatan som de objektiva systemen hämtar in. Via maskininlärning kan en dator tränas att klassificera mycket komplexa data (t.ex. ett rörelsemönster som halt eller ohalt) via träningsexempel. Genom att introducera denna teknik hoppas vi kunna skapa ett smartare sätt att bedöma den komplexa rörelsen från det halta djuret och på så sätt få en mer specifik och känslig hältdiagnostik.

I de två huvudsakliga forskningslinjerna vi driver inom detta fält detekteras  smärtsamma tillstånd hos hästar via analys av ansiktsuttryck och kroppspositionering samt analys av rörelsemönster (inkluderar också kor). I samarbete med "computer vision" forskare från the Machine Learning Lab at University of California (UC) Davis såväl som the UC Davis Center for Equine Health forskar vi på att applicera samma maskininlärnings teknologi som idag testats för att automatisera igenkänning av smärtuttryck på människor vill vi använda videos av hästar med och utan smärta för att "träna" maskininlärningssystemet att diskriminera mellan hästar med mild till måttlig smärta samt hästar utan smärta. Vårt andra projekt inom kroppspositionering finansierar av Vetenskapsrådet och drivs tillsammans med våra samarbetspartners på KTH.

Vi har också startat upp ett pilotprojekt som finansieras av SLU Framtidens Djur och Hälsa där det byggs en artificiell 3D-modell av hästens rörelse som ska ge rörelsetolkning från vanlig videofilm. Det är ett samarbete med  Division of Robotics, Perception, and Learning (RPL) at KTH och Max Planck Institute for Intelligent Systems, Tübingen Germany.

Det långsiktiga målet är utveckling av en upptränad seende dator som hjälper veterinären med en korrekt bedömning av hälta hos hästar och kor och intelligenta övervakningssystem på djuranläggningar som kan upptäcka hälta tidigt. För det behövs väldiga mängder data som vi på SLU jobbar intensivt med att samla in.


Vi tror att den smarta teknologin kommer att ge oss fundamentalt nya förutsättningar för diagnostik inom komplexa sjukdomar. Den kan bli en viktig byggsten för att vi i framtiden ska kunna hålla djur på ett ansvarstagande sätt, där djuren får rätt vård och behandling i tid.

 


Kontaktinformation

Elin Hernlund
Klinikveterinär, Postdoktor vid Institutionen för anatomi, fysiologi och biokemi (AFB); Avdelningen för anatomi och fysiologi

Telefon: 018-672142
E-post: elin.hernlund@uds.slu.se