Działanie omawianego systemu można opisać dwuetapowo. W pierwszym etapie każda taśma analizowana jest osobno. Na podstawie wartości zmiennych charakteryzujących pacjenta wy-szukiwane są odcinki, w których dana taśma uległa skróceniu. W efekcie wyświetlana jest wartość takiej zmiennej wraz z podaną wartością stopnia skrócenia (w programie określanym jako “niepewność”), która wynika bezpośrednio z przyjętej dla tej zmiennej wartości funkcji przynależności. Stopień skrócenia równy 100% oznacza całkowite skrócenie danej taśmy na odcinku, którego ta wartość dotyczy. Dla każdej taśmy podawana jest sumaryczna wartość skrócenia, obliczana jako suma iloczynów wag i stopni skrócenia dla poszczególnych zmiennych opisujących tą taśmę. Przykładowo dla jednego pacjenta o skróceniu TPT świadczą następujące zmienne:
• S_PL & y_YZ ze stopniem skrócenia równym 95.00% • S_PP & y_YZ ze stopniem skrócenia równym 78.75% • G_C7 & y_YZ ze stopniem skrócenia równym 5.38%
• RL_PL & PL_HL_YZ ze stopniem skrócenia równym 100.00% • RP_PP & PP_HP_YZ ze stopniem skrócenia równym 100.00% • M_C7 & y_YZ ze stopniem skrócenia równym 96.25%
W przypadku tego pacjenta wagi zmiennych opisujących TPT są sobie równe i wynoszą 0,071, zatem sumaryczne skrócenie TPT jest równe 35,24%. Dla tego samego pacjenta ta-śma TBL posiada tylko jeden skrócony odcinek, określony zmienną RL_KPL & RL_PL_XY. Stopień skrócenia dla tego odcinka wynosi 66,67%. Ponieważ jest to pacjent skoliotyczny, su-maryczne skrócenie tej taśmy wynosi 66, 67% · 0, 175 = 11, 67%.
Poniższy przykład ilustruje kompletne wyniki uzyskane dla innego pacjenta: TPT
---Kat: G_C7-y_YZ 164.15, niepewnosc: 100.00% Kat: KPL_KTL-y_YZ 88.54, niepewnosc: 19.19% Kat: KPP_KTP-y_YZ 88.79, niepewnosc: 16.74% Kat: M_C7-y_YZ 42.72, niepewnosc: 100.00% Kat: W_G-y_YZ 56.09, niepewnosc: 61.67% Sumaryczne skrocenie dla tasmy wynosi: 39.13%
TPP
---Kat: S_PL-y_YZ 179.72, niepewnosc: 68.80% Kat: S_PP-y_YZ 180.10, niepewnosc: 85.71% Kat: C7_S-y_YZ 177.20, niepewnosc: 8.68% Kat: RL_PL-PL_HL_YZ 272.27, niepewnosc: 62.41% Kat: RP_PP-PP_HP_YZ 271.29, niepewnosc: 66.47% Kat: KTL_RL-RL_PL_YZ-1 365.64, niepewnosc: 0.74% Kat: HL_PL-y_YZ 86.05, niepewnosc: 29.29% Kat: HP_PP-y_YZ 86.10, niepewnosc: 28.90% Sumaryczne skrocenie dla tasmy wynosi: 15.04%
TBL
---Kat: RL_KPL-RL_PL_XY 174.18, niepewnosc: 78.22% Sumaryczne skrocenie dla tasmy wynosi: 15.64%
TBP
---Kat: G_C7-y_XY 182.68, niepewnosc: 38.81% Kat: BL_BP-y_XY 92.18, niepewnosc: 42.95% Sumaryczne skrocenie dla tasmy wynosi: 16.35%
TSL
---Kat: G_EP-EL-C7_M_XZ-1 364.17, niepewnosc: 79.78% Kat: C7_M-PP_HP_XZ-1 356.12, niepewnosc: 20.03% Kat: BP_BL-KPP_KPL_XZ-1 357.43, niepewnosc: 61.56%
Kat: C7_M-BL_BP_XZ 88.62, niepewnosc: 1.81% Kat: RP_KPP-RP_PP_XY 183.76, niepewnosc: 53.73% Sumaryczne skrocenie dla tasmy wynosi: 43.38%
TSP
---Kat: PL_HL-C7_M_XZ-1 363.82, niepewnosc: 0.88% Sumaryczne skrocenie dla tasmy wynosi: 0.18%
PODSUMOWANIE ---Tasma dominujaca to TSL, skrocenie 43.38%
Jako taśma dominująca określana jest ta, dla której wartość sumarycznego skrócenia jest największa.
Podsumowanie
7.1 Wnioski końcowe
W niniejszej pracy konsekwentnie zmierzano do udowodnienia przedstawionej w rozdziale 1.2 tezy. Jej brzmienie jest następujące:
Na podstawie wyników fotogrametrycznych pomiarów geometrii ciała ludzkiego możliwa jest analiza przebiegu powierzchownych taśm anatomicznych,
pozwalająca wskazać, która z taśm jest dominująca w kształtowaniu postawy ciała konkretnego pacjenta.
Dowodzenie tezy rozpoczęto od opracowania modeli głównych taśm anatomicznych na pod-stawie wyników pomiarów fotogrametrycznych, uzyskanych za pomocą systemu PBE. Proces tworzenia modeli AT opisano w rozdziale 4. W przypadku idealnym u zdrowego człowieka -wszystkie taśmy anatomiczne są zrównoważone i utrzymują prawidłową PCC. O wystąpieniu, a w szczególności dominacji danej taśmy świadczą pojawiające się na całej jej długości bądź na niektórych odcinkach skrócenia, będące wynikiem nadmiernego napięcia tej taśmy czy też jej fragmentu. Dlatego istotnym elementem pracy było opracowanie wzorców dla ludzi zdrowych poszczególnych parametrów wybranych przez autorkę do opisu AT. Odchylenia od wyznaczo-nych wartości wzorcowych świadczą o występowaniu skrócenia na odpowiadającym im odcinku jednej z dwóch współpracujących ze sobą taśm. Dla każdego parametru zdefiniowano:
• wzorzec dla ludzi zdrowych - wartość średniej arytmetycznej uzyskanej z pomiarów dla grupy kontrolnej,
• wzorzec rozszerzony - wyznaczony jako przedział ufności dla wartości oczekiwanej (śred-niej) danego parametru i przyjętego poziomu ufności 95%
• przedziały przejściowe - przedziały liczbowe wyznaczone w oparciu o regułę trzech sigm (wartość średnia parametru ± 3 * odchylenia standardowe)
• skrócenia - wartości odpowiednio powyżej maksymalnej lub poniżej minimalnej wartości przedziału przejściowego
Wymienione przedziały wartości dla poszczególnych parametrów stały się podstawą do opra-cowania reguł stworzonego systemu wspomagania decyzji fizjoterapeutów, opisanego w rozdziale 6. System ten został zaprojektowany przez autorkę pracy w oparciu o logikę rozmytą. Jego głównym zadaniem jest na podstawie uzyskanych wyników wskazanie która z rozważanych taśm anatomicznych jest dominująca w przypadku konkretnego pacjenta. Istotną, z punktu widzenia fizjoterapeuty, informacją jest wskazanie dodatkowo odcinków danej AT, na których wystąpiło skrócenie. System podaje dla każdej zmiennej odbiegającej od wyznaczonych wzorców wartość niepewności, na podstawie wartości funkcji przynależności. Niepewność jest podawana w pro-centach, przy czym przyjęto, że wartość 100% oznacza wartość zmiennej całkowicie odbiegającą od wzorca.
Opracowane modele taśm anatomicznych pozwoliły również na porównanie PCC osób zdro-wych oraz cierpiących na określone schorzenia. Porównywane jednostki chorobowe to:
• depresja, • dyskopatia, • koksartroza, • skolioza, • zpz.
Wyniki uzyskane dla wymienionych grup pacjentów zestawiono dodatkowo z grupą pacjen-tów, u których, stwierdzono istnienie, ale nie zidentyfikowano rodzaju jednostki chorobowej, oznaczoną w pracy jako njch. Zależności te badano analizując macierze korelacji dla parame-trów opisujących AT oraz przeprowadzając analizę skupień. Przeprowadzoną analizę opisano w rozdziale 5.1. W efekcie tych rozważań potwierdzono hipotezę o istnieniu związków pomiędzy postawą ciała, opisaną przy użyciu opracowanych modeli taśm anatomicznych, a wybranymi jednostkami chorobowymi, również takimi, których powiązanie z postawą nie jest oczywiste (np. depresją). Uzyskane wyniki, które zaprezentowano podczas międzynarodowej konferencji Cybernetic Modelling of Biological Systems MCSB 2015 [13], mają istotne znaczenie prak-tyczne, potwierdzając tym samym istotność badań nad PCC w kontekście diagnostyki chorób. Na podstawie powyższych rozważań można stwierdzić, że postawiona teza została udowodniona oraz cel pracy został osiągnięty.
Jako najważniejsze, w przekonaniu autorki, rezultaty pracy należy wskazać:
• utworzenie modeli taśm anatomicznych, będących dotychczas nie zweryfikowaną w sposób naukowy, a szeroko stosowaną w praktyce koncepcją,
• potwierdzenie hipotezy o istnieniu związków pomiędzy postawą ciała człowieka, a wybra-nymi jednostkami chorobowymi,
• opracowanie idei oraz zgromadzenie wstępnych doświadczeń, które mogą stanowić punkt wyjścia do dalszych prac badawczych i wdrożeniowych, dotyczących wykorzystania metod eksploracji danych i sztucznej inteligencji we wspomaganiu diagnostyki medycznej opartej o ocenę postawy ciała człowieka.
Przedstawione w niniejszej pracy rozwiązania, poza kodem źródłowym systemu eksperto-wego, są w całości oryginalnym dokonaniem autorki.
7.2 Sugerowane kierunki dalszych badań
Rozwiązanie będące przedmiotem niniejszej pracy posiada kilka słabych punktów, które warto poddać dyskusji. Badania prowadzone w ramach prezentowanej pracy doktorskiej są w całości oparte o wyniki pomiarów fotogrametrycznych pacjentów stojących w postawie swobodnej. W przyszłości warto je rozszerzyć o analizę dodatkowych pozycji ciała, np. na wdechu, wydechu, z uniesionym prawym lub lewym barkiem, z podparciem prawej lub lewej kończyny dolnej, itp. Tworzenie modeli taśm anatomicznych opisanych w niniejszej dysertacji opiera się o mar-kerową metodę oceny postawy ciała człowieka, która jest czasochłonna i obarczona ryzykiem błędu wynikającym z niedokładnego umiejscowienia markerów na skórze człowieka. W przy-padku systemu PBE dochodzi jeszcze kwestia możliwości dokonania przez lekarza zmiany po-łożenia badanych punktów z pozostawieniem nazwy markera - przykładowo punkty RP i RL wyznaczające położenie stawu kolanowego były oznaczane markerem umiejscowionym na rzepce lub w dole podkolanowym. Znacznie lepsze rezultaty można uzyskać przy użyciu metod po-wierzchniowych, które nie wymagają doświadczenia i umiejętności manualnej lokalizacji punk-tów antropometrycznych, co znacznie skraca czas i obniża koszty badania [91, 88]. Rozpoczęto już prace nad wprowadzeniem tego rozwiązania. Do oceny PCC wykorzystywana jest metoda rekonstrukcji powierzchni ciała bazująca na zbudowanym skanerze 3d, działającym w opar-ciu o sensory światła strukturalnego typu Microsoft Kinect [33]. Dzięki takiemu rozwiązaniu rejestrowana jest cała powierzchnia ciała, co pozwala na znacznie dokładniejszą analizę (np. śledzenie zmian kształtu klatki piersiowej pod wpływem oddychania). Otrzymywane tym spo-sobem wyniki w postaci map warstwicowych (rysunek 7.1) są bardziej intuicyjne, a tym samym znacznie łatwiejsze do interpretacji dla klinicystów.
Rysunek 7.1: Przykład zobrazowania kompensacji zachodzących w ciele pacjenta przy użyciu skanera 3d.
Uzyskane wyniki wstępne zaprezentowano podczas międzynarodowej konferencji 5th Inter-national Conference and Exhibition on 3D Body Scanning Technologies, będącej wiodącą na świecie platformą wymiany doświadczeń w zakresie technologii 3D wykorzystywanych do ska-nowania ciała człowieka, gdzie spotkały się z dużym zainteresowaniem [32].
[1] K.-P. Adlassnig. Fuzzy systems in medicine. Proceedings of the International Conference in Fuzzy Logic and Technology, Leicester, UK, 2001. De Montfort University.
[2] K.-P. Adlassnig, A. Blacky, H. Mandl, A. Rappelsberger, W. Koller. Fuzziness in healthcare-associated infection monitoring and surveillance. Norbert Wiener in the 21st Century (21CW), 2014 IEEE Conference on, pages 1–7, June 2014.
[3] M. M. Baig, H. G. Hosseini, M. J. Harrison. Fuzzy logic based anaesthesia monitoring systems for the detection of absolute hypovolaemia. Computers in Biology and Medicine, 43:683–692, 2013.
[4] S. Bąk. Postawa ciała, jej wady i leczenie. PZWL, Warszawa, 1965.
[5] S. Barro, R. Marín, editors. Fuzzy Logic in Medicine. Studies in Fuzziness and Soft Computing. Physica-Verlag HD, 2002.
[6] R. Będziński. Biomechanika inżynierska. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław, 1997.
[7] M. Białko. Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych. Wydaw-nictwo Uczelniane Politechniki Koszalińskiej, Koszalin, 2005.
[8] J. Z. Canales, T. A. Cordas, J. T. Figuer, A. F. Cavalante, R. A. Moreno. Posture and body image in individuals with major depressive disorder: a controlled study. Revista Brasileira de Psiquiatria, 32(4):375–380, 2010.
[9] E. M. Cennerilli, S. Santoro. Latest trends in prosthesis application. presentation of real case of total upper rehabilitation. H. C. D. N. D’Apuzzo, editor, Proceedings of the 5th International Conference on 3D Body Scanning Technologies, pages 102–114, Lugano, Swit-zerland, October 2014.
[10] M. Chochowska, M. Wytrążek, J. T. Marcinkowski. Związek zaburzeń w układzie mięśniowo- powięziowym oraz objawów sugerujących kamicę dróg żółciowych – studium przypadku zaburzeń czynnościowych. Medycyna Ogólna i Nauki o Zdrowiu, 18(4):261–267, 2012.
[11] A. Czechowicz, R. Tokarczyk. Lokalizacja punktów pomiarowych w systemie do trójwy-miarowego pozycjonowania ciała wybranymi metodami sztucznej inteligencji. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 20:67–79, 2009.
[12] S. Das, S. R. Chowdhury, H. Saha. Accuracy enhancement in a fuzzy expert decision making system through appropriate determination of membership functions and its ap-plication in a medical diagnostic decision making system. Journal of Medical Systems, 36(3):1607–1620, June 2012.
[13] M. M. Długosz, W. Kurzydło. Human body posture as a source of information about various diseases. Bio-Algorithms and Med-Systems, International conference Cybernetic Modelling of Biological Systems MCSB 2015, 11(2):13–14, 14-15 May 2015.
[14] N. Dunk, J. Lalonde, J. Callaghan. Implications for the use of postural analysis as a clinical diagnostic tool: Reliability of quantifying upright standing spinal postures from photographic images. Journal of Manipulative and Physiological Therapeutics, 28(6):386– 392, 2005.
[15] C. Ellsworth, J. Winters. An innovative system to enhance upper-extremity stroke reha-bilitation. Proceedings of the Second Joint EMBS/BMES Conference, pages 2367–2368, Houston, TX, USA, October 23-26 2002.
[16] S. Finando, D. Finando. Fascia and the mechanism of acupuncture. Journal of Bodywork & Movement Therapies, 15:168–176, 2011.
[17] C. Fortin, D. E. Feldman, F. Cheriet, D. Gravel, F. Gauthier, H. Labelle. Reliability of a quantitative clinical posture assessment tool among persons with idiopathic scoliosis. Physiotherapy, 98(1):64–75, 2012.
[18] C. Fortin, D. E. Feldman, F. Cheriet, H. Labelle. Clinical methods for quantifying body segment posture: a literature review. Disability and Rehabilitation, 33(5):367–383, 2011. [19] B. Fuller. Synergetics, chapter 7. Macmillan, New York, 1975.
[20] J. Golec, T. Mazur, E. Szczygieł, A. Bac, D. Czechowska, D. Bacz, E. Golec. Zaburzenia statyki ciała w chorobie zwyrodnieniowej stawu biodrowego w ocenie fotogrametrycznej. Kwartalnik Ortopedyczny, 1:16–22, 2012.
[21] J. Golec, M. Zięba, E. Szczygieł, D. Czechowska, A. Milert, E. Golec. Ocena wpływu choroby zwyrodnieniowej stawów biodrowych na przestrzenną orientację wybranych ele-mentów układu kostno-stawowego. Ostry Dyżur, 5(1-2):6–11, 2012.
[22] W. Hammer. Can the body use fascia as a method of communication? Dynamic Chiro-practic, 30(14), 2012.
[23] J. Hasselstrom, J. Liu-Palmgren, G. Rasjo-Wraak. Prevalence of pain in general practice. Eur J Pain, 6(5):375–385, 2002.
[24] T. Kasperczyk. Wady postawy ciała. Diagnostyka i leczenie. Wydawnictwo "Kasper", Kraków, 1994.
[25] R. Koprowski, R. Tokarczyk, M. Huppert, Z. Wróbel, W. Mierzwa. Identyfikacja punktów reprezentujących wybrane elementy narządów w trójwymiarowym pozycjonowaniu ciała pacjenta. P. zbiorowa pod redakcją Reginy Tokarczyk, redaktor, Automatyzacja pomiaru na obrazach cyfrowych w systemie fotogrametrycznym do badania wad postawy. Uczelniane Wydawnictwa Naukowo-Techniczne AGH, 2007.
[26] N. A. Korenevskiy. Application of fuzzy logic for decision-making in medical expert sys-tems. Biomedical Engineering, 49(1):46–49, May 2015.
[27] N. A. Korenevsky, S. A. Gorbatenko, R. A. Krupchatnikov, M. I. Lukashov. Design of network-based fuzzy knowledge bases for medical decision-making support systems. Bio-medical Engineering, 43(4):187–190, 2009.
[28] M. Kouchi, M. Mochimaru. Errors in landmarking and the evaluation of the accuracy of traditional and 3d anthropometry. Applied Ergonomics, 42(3):518–527, 2011.
[29] C. Koutsojannis, E. Nabil, M. Tsimara, I. Hatzilygeroudis. Using machine learning techni-ques to improve the behaviour of a medical decision support system for prostate diseases. Intelligent Systems Design and Applications, 2009. ISDA ’09. Ninth International Confe-rence on, pages 341–346, Nov. 2009.
[30] A. Kumar. Fuzzy Expert Systems for Disease Diagnosis. IGI Global, 2015.
[31] Y. Kuo, E. Tully, M. Galea. Video analysis of sagittal spinal posture in healthy young and older adults. Journal of Manipulative and Physiological Therapeutics, 32(3):210–215, 2009.
[32] W. Kurzydło, M. M. Długosz. 3d scanning in myofascial dysfunction detection. H. C. D. N. D’Apuzzo, editor, Proceedings of the 5th International Conference on 3D Body Scanning Technologies, pages 137–141, Lugano, Switzerland, October 2014.
[33] W. Kurzydło, B. Stach, A. Bober, M. Wodzińska, M. M. Długosz. Structured-light 3d scanner in use to assess the human body posture in physical therapy – a pilot study. Folia Medica Cracoviensia, 54(1):21–35, 2014.
[35] A. Łachwa. Rozmyty świat zbiorów, liczb, relacji, faktów, reguł i decyzji. Problemy współ-czesnej nauki. Teoria i zastosowania. Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2001.
[36] C. Lehnert-Schroth. Three-dimensional treatment for scoliosis: Physiotherapeutic method for deformities of the spine. Martindale Press, Palo Alto, CA, 1st edition, 2007.
[37] C. T. Leondes, redaktor. Fuzzy logic and expert systems applications. Academic Press, San Diego, 1998.
[38] R. Luo, Y.-C. Yeh. Sensory controlled intelligent assistant system for walking rehabilita-tion. IECON 02 [Industrial Electronics Society, IEEE 2002 28th Annual Conference of the], vol 2, pages 1573–1578, Nov. 2002.
[39] E. Massad, N. Ortega, L. de Barros, C. Struchiner. ...and beyond: Fuzzy logic in medical diagnosis. Fuzzy Logic in Action: Applications in Epidemiology and Beyond, vol 232 sieries Studies in Fuzziness and Soft Computing, pages 277–310. Springer Berlin Heidelberg, 2008. [40] S. Mętel, T. Mazur, K. Rybak, E. Szczygieł, E. Golec, J. Głodzik. Fotogrametryczna ocena efektów leczenia usprawniającego paluchów koślawych. Kwartalnik Ortopedyczny, 3:437–450, 2012.
[41] S. Mikrut, R. Tokarczyk. Close range photogrammetry system for medicine and railways. International Archieves of Photogrammetry and Remote Sensing, XXXIII:519–524, 2000. [42] G. H. B. Miranda, J. C. Felipe. Computer-aided diagnosis system based on fuzzy logic for
breast cancer categorization. Computers in Biology and Medicine, 64:334–346, 2015. [43] V. Moulianitis, V. Syrimpeis, N. Aspragathos, E. Panagiotopoulos. An expert system
for supporting the conceptual design of controllers for lower limbs rehabilitation systems. Control and Automation, 2009. MED ’09. 17th Mediterranean Conference on, pages 1462– 1467, June 2009.
[44] F. Murtagh. Multidimensional Clustering Algorithms. Physica-Verlag, 1985.
[45] F. Murtagh, P. Legendre. Ward’s hierarchical clustering method: Clustering criterion and agglomerative algorithm. arXiv preprint arXiv:1111.6285, 2011.
[46] T. W. Myers. Anatomy Trains. Myofascial Meridians for Manual and Movement Thera-pists. Churchill Livingstone; Elsevier, 2001.
[47] T. W. Myers. Taśmy anatomiczne. Meridiany mięśniowo-powięziowe dla terapeutów ma-nualnych i specjalistów leczenia ruchem. DB Publishing, wydanie 2-gie, 2009.
[48] N. Nelson, R. Hughes. Quantifying relationships between selected work-related risk factors and back pain: A systematic review of objective biomechanical measures and cost-related health outcomes. International Journal of Industrial Ergonomics, 39(1):202–210, 2009. [49] A. Niederliński. Regułowo-modelowe systemy ekspertowe. Wydawnictwo Pracowni
Kom-puterowej Jacka Skalmierskiego, Gliwice, 2006.
[50] A. Nobili, R. Adwersi. Relationship between posture and occlusion: A clinical experimental inwestigation. Craniomandibular Practice, 14:274–285, 1996.
[51] T. Novacheck. The biomechanics of running. Gait & Posture, 7(1):77–95, 1998.
[52] R. K. Nowicki. Rozmyte systemy decyzyjne w zadaniach z ograniczoną wiedzą. Problemy współczesnej nauki. Teoria i zastosowania. Akademicka Oficyna Wydawnicza EXIT, War-szawa, 2009.
[53] S. Olivo, J. Bravo, D. M. N. Thie, P. Major, C. Flores-Mir. The association between head and cervical posture and temporomandibular disorders: a systematic review. Journal of orofacial pain, 20(1), 2006.
[54] R. Orchard. FuzzyClips version 6.10d User’s Guide. National Research Council of Canada, 2004.
[55] K. O’Sullivan, P. O’Sullivan, L. O’Sullivan, W. Dankaerts. What do physiotherapists consider to be the best sitting spinal posture? Manual Therapy, 17(5):432–437, 2012. [56] S. Oyama, J. Myers, C. Wassinger, R. Ricci, S. Lephart. Asymmetric resting scapular
posture in healthy overhead athletes. Journal of athletic training, 43(6):565, 2008. [57] S. Paoletti. The Fasciae: Anatomy, Dysfunction and Treatment. Eastland Press, 2006. [58] F. Peterson-Kendall, E. Kendall-McCreary, P. Geise-Provance, M. McIntyre-Rodgers,
W. Romani. Muscles testing and function with posture and pain. Lippincott Williams & Wilkins, Philadelphia, 2005.
[59] A. Pischinger. The Extracellular Matrix and Ground Regulation: Basis for a Holistic Biological Medicine. North Atlantic Books, Berkeley, 2007.
[60] P. J. Pownall, R. W. Moran, A. M. Stewart. Consistency of standing and seated posture of asymptomatic male adults over a one-week interval: A digital camera analysis of multiple landmarks. International Journal of Osteopathic Medicine, 11(2):43–51, 2008.
[61] E. Quirino, F. Paraguacu, G. Souza. An aid system to the medical diagnosis of patients with neurological problems. Computer-Based Medical Systems, 2006. CBMS 2006. 19th IEEE International Symposium on, pages 259–263, 2006.
[62] A. Reeve, A. Dilley. Effects of posture on the thickness of transversus abdominis in pain-free subjects. Manual Therapy, 14(6):679–684, 2009.
[63] P. Richter, E. Hebgen. Punkty spustowe i łańcuchy mięśniowo-powięziowe w osteopatii i terapii manualnej. Galaktyka, 2010.
[64] M. Romanowski. Łańcuchy mięśniowo-powięziowe. charakterystyka taśm anatomicznych. Kwartalnik Medycyna Manualna, 2:13–19, 2011.
[65] S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Pearson, 3rd edition, 2009.
[66] D. Rutkowska. Zbiory rozmyte w sztucznej inteligencji. Wydawnictwo Politechniki Śląskiej, Gliwice, 2001.
[67] L. Rutkowski, M. Korytkowski, R. Scherer, R. Tadeusiewicz, L. A. Zadeh, J. M. Żurada, editors. Artificial Intelligence and Soft Computing – ICAISC 2012, vol 7268 series Lecture Notes in Computer Science. Springer Berlin Heidelberg, April/May 2012.
[68] L. Rutkowski, R. Tadeusiewicz, L. A. Zadeh, J. M. Żurada, editors. Artificial Intelligence and Soft Computing, Lecture Notes in Artificial Intelligence, vol 5097. Springer-Verlag, Berlin-Heidelberg-New York, 2008.
[69] B. Sageder, K. Boegl, K. P. Adlassnig, G. Kolousek, B. Trummer. The knowledge model of medframe/cadiag-iv. Studies in health technology and informatics, 43 Pt B:629–633, 1997. [70] R. Schleip, T. W. Findley, L. Chaitow, P. A. Huijing. Fascia. The tensional network of
the human body. Churchill Livingstone; Elsevier, 2012.
[71] M. Seem. A new American acupuncture: Acupuncture osteopathy, the myofascial release of the bodymind’s holding patterns. Blue Poppy Press, 1993.
[72] J. Sidun. Inżynieria ortopedyczna i rehabilitacyjna, rozdział Antropometria, strony 37–77. Wydawnictwo Politechniki Białostockiej, 2008.
[73] A. Silva, T. Punt, M. Johnson. Reliability and validity of head posture assessment by observation and a four-category scale. Manual Therapy, 15(5):490–495, 2010.
[74] A. Silva, T. Punt, P. Sharples, J. Vilas-Boas, M. Johnson. Head posture and neck pain of chronic nontraumatic origin: A comparison between patients and pain-free persons. Archives of Physical Medicine and Rehabilitation, 90(4):669–674, 2009.
[75] D. G. Simons, J. G. Travell, L. S. Simons. Myofascial pain and dysfunction: The trigger point manual. Upper Half of Body, vol 1. Lippincott Williams & Wilkins, 2nd edition, 1999.
[76] P. H. A. Sneath, R. R. Sokal. Numerical Taxonomy. The pronciples and practise of nume-rical classification. W. H. Freeman and Company, San Francisco, 1973.
[77] G. Solberg. Postural disorders & musculoskeletal dysfunction. Diagnosis, prevention and treatment. Churchill Livingstone; Elsevier, 2nd edition, 2008.
[78] A. Stanisz. Tom 3. analizy wielowymiarowe. Przystępny kurs styatystyki z zastosowaniem Statistica PL na przykładach z medycyny. StatSoft Polska Sp. z o.o., Kraków, 2007. [79] A. Stecco, V. Macchi, C. Stecco, A. Porzionato, J. A. Day, V. Delmas, R. D. Caro.
Ana-tomical study of myofascial continuity in the anterior region of the upper limb. Journal of Bodywork & Movement Therapies, 13:53–62, 2009.
[80] C.-J. Su, C.-Y. Chiang, J.-Y. Huang. Kinect-enabled home-based rehabilitation system using dynamic time warping and fuzzy logic. Applied Soft Computing, 22:652–666, 2014. [81] P. S. Szczepaniak, P. J. G. Lisboa, J. Kacprzyk, editors. Fuzzy Systems in Medicine, vol 41
seriesStudies in Fuzziness and Soft Computing. Physica-Verlag HD, 2000.
[82] R. Tadeusiewicz, J. Morajda. Komputerowe metody analizy i przetwarzania danych, roz-dział Metody sztucznej inteligencji. Uniwersytet Ekonomiczny w Krakowie, 2012.
[83] R. Tokarczyk. Fotogrametryczne pomiary geometrii ciała ludzkiego w zastosowaniu do ba-dania wad postawy. Numer 198 serii Rozprawy, Monografie. AGH Uczelniane Wydawnictwa Naukowo-Dydaktyczne, 2009.
[84] R. Tokarczyk, S. Mikrut. Fotogrametryczny system cyfrowy bliskiego zasięgu do pomiarów ciaa ludzkiego dla potrzeb rehabilitacji leczniczej. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 9, 1999.
[85] R. Tokarczyk, S. Mikrut. System trójwymiarowego pozycjonowania ciała. P. zbiorowa pod redakcją Reginy Tokarczyk, redaktor, Automatyzacja pomiaru na obrazach cyfro-wych w systemie fotogrametrycznym do badania wad postawy. Uczelniane Wydawnictwa Naukowo-Techniczne AGH, 2007.
[86] R. Tokarczyk, M. Mitka. Badanie fotogrametrycznego systemu trójwymiarowego pozycjo-nowania ciała dla celów rehabilitacji leczniczej. Zeszyty Naukowe AGH, Geodezja, t. 8, zeszyt 1, 2002.
[87] R. Tokarczyk, M. Szczygieł. Analiza topografii ciała ludzkiego w zastosowaniu do badania wad postawy. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 18:601–612, 2008. [88] R. Tokarczyk, P. Tokarczyk. Wykorzystanie analiz typu gis do detekcji wybranych części
anatomicznych ciała ludzkiego dla potrzeb badania wad postawy. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 19:423–435, 2009.