基于神经网络学习的儿童落头部伤害评估系统

科学领域:

• 儿科健康 儿科健康
• 人工智能的人工智能
• 生物机械工程 生物机械工程

背景情况:

• 小孩很容易在家中因摔倒而遭受严重的头部伤害.
• 现有的落评估解决方案在有效性和精度上是有限的.

研究的目的:

• 开发一个实时评估系统,用于倒后幼儿头部损伤.
• 利用人工智能和视频分析进行精确的伤害评估.

主要方法:

• 第一阶段:使用监控视频的Open Pose从监控视频中共同提取数据,然后进行长短期记忆 (LSTM) 网络和3D转换模型集成.
• 第二阶段:推导头部加速,计算头部损伤标准 (HIC) 值,并开发损伤分类模型.
• 数据采集:200个RGB视频显示幼儿 (13-30个月) 摔倒,其中500段用于培训/验证,300段用于测试.

主要成果:

• 人工智能系统在评估因跌倒而造成的头部伤害方面表现出高达96.67%的分类准确度.
• 该框架成功地整合了来自身体关键关节的空间和时间信息.

结论:

• 这项研究验证了实时人工智能技术的可行性,用于监测和评估幼儿因跌倒而造成的头部伤害.
• 这项技术为早期检测和干预幼儿落相关头部创伤提供了潜在的解决方案.