通过PoseNet和人工智能赋予下肢疾病识别权力

科学领域:

• 生物力学 生物力学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 下肢疾病会影响运动和生活质量.
• 准确的诊断对于有效的治疗计划至关重要.
• 目前的诊断方法可能具有侵入性或缺乏详细的动力学信息.

研究的目的:

• 开发和评估一种新的,非侵入性的方法来分类下肢疾病.
• 为了利用步态分析和PoseNet功能来识别膝盖,部和脚的情况.
• 为了比较各种机器学习算法的性能,用于此分类任务.

主要方法:

• 使用视频数据和PoseNet算法进行步行分析,以提取关键关节运动.
• 提取特征的标准化,用于输入机器学习模型.
• 训练和测试随机森林,额外树分类器,多层感知器,人工神经网络 (ANN) 和卷积神经网络 (CNN),使用K折交叉验证对174名患者的数据集.

主要成果:

• 该研究在分类下肢疾病方面取得了很高的准确性和精度.
• 人工神经网络 (ANN) 显示了最高的分类准确率,为98.84%.
• 提出的方法在区分各种下肢疾病方面被证明是有效的.

结论:

• 开发的方法为诊断下肢疾病提供了一种非侵入性和高效的方法.
• 基于PoseNet的步态分析与机器学习相结合,显示出提高诊断准确性的巨大潜力.
• 这种方法可以帮助在膝盖,部和脚疾病的患者更好地规划治疗.