结合3D骨架数据和深度卷积神经网络,用于在走路时评估平衡

科学领域:

• 生物力学 生物力学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 失衡是各种疾病的关键指标,需要及早检测以减轻跌倒风险和疾病进展.
• 当前余额评估依赖于使用余额秤的主观评估,限制了客观性和精确性.
• 需要客观和自动化的方法来提高平衡能力评估的准确性和及时性.

研究的目的:

• 开发和验证一种自动化的方法来评估行走平衡能力,使用3D骨架数据和深 convolutional 神经网络 (DCNNs).
• 将拟议的DCNN方法的性能与传统的机器学习和其他基于CNN的方法进行比较.
• 为准确的平衡评估确定最相关的身体部位,并解释DCNN模型的决策过程.

主要方法:

• 一种结合3D骨数据和DCNN的新方法被设计用于在走路时自动评估平衡.
• 为了模型的训练和验证,收集了一个包含三个标准化平衡能力水平的3D骨架数据集.
• 进行了广泛的比较,涉及不同的骨架节点选择,DCNN超参数和离开一个主体的交叉验证.

主要成果:

• 拟议的DCNN方法实现了高精度 (93.33%),精度 (94.44%) 和F1得分 (94.46%),优于现有方法.
• 分析表明,身体干部和下肢的数据对于平衡评估至关重要,而上肢数据可能会降低准确性.
• 与最先进的姿势分类方法相比,DCNN模型在行走平衡评估中表现出更好的准确性.

结论:

• 开发的基于DCNN的方法提供了一种快速,准确和客观的方法来评估步行平衡能力.
• 这种自动化系统有潜力在早期发现和管理平衡损失方面显著帮助.
• 使用层级相关性传播 (LRP) 的进一步研究可以提高DCNN模型在平衡评估中的可解释性和临床适用性.