相关实验视频
Updated: Jul 23, 2025
12:33
Corticospinal Excitability Modulation During Action Observation
Published on: December 31, 2013
8.9K
CNN-LSTM模型用于识别在传统中国练习中执行的视频记录的动作
Jing Chen1, Jiping Wang2, Qun Yuan3
1School of Electronic and Information EngineeringSuzhou University of Science and Technology Suzhou 215009 China.
概括
一个新的卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型准确地识别了复杂的人类行为,在识别Baduanjin练习序列时达到96.43%的准确性. 这种深度学习方法显著优于智能康复评估的传统方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 康复技术 康复技术 康复技术
背景情况:
- 从视频中识别人类行为对于智能康复评估至关重要.
- 使用几何特征的传统方法与复杂的场景作斗争,缺乏稳定性.
- 精确的运动特征提取和模式识别是关键的挑战.
研究的目的:
- 开发和评估一种新的深度学习模型,用于识别复杂的人类行为.
- 将模型应用于识别Baduanjin的具体任务,这是一个传统的中国练习.
- 将拟议模型的性能与传统的基于几何特征的方法进行比较.
主要方法:
- 一个结合的卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型被开发出来.
- 美国有线电视新闻网模块从视频中提取抽象图像特征.
- LSTM模型处理了用于动作识别的顺序数据,并与基于OpenPose的几何特征进行了比较.
主要成果:
- 在测试数据集上,CNN-LSTM模型实现了96.43%的高精度.
- 使用手工提取的几何特征的传统方法只能达到66.07%的准确性.
- 通过CNN提取的特征显著提高了LSTM模型的分类性能.
结论:
- 拟议的CNN-LSTM模型为复杂的人类行为识别提供了强大而准确的解决方案.
- 这种方法显示出作为智能康复和运动分析的有价值工具的巨大潜力.
- 深度学习方法,特别是CNN-LSTM,在识别复杂的身体活动方面超越了传统方法.
