混合深度神经网络框架 结合骨和步行特征用于病理步行识别
Kooksung Jun1,2, Keunhan Lee3, Sanghyub Lee2
1Robocare, Seongnam 13449, Republic of Korea.
Bioengineering (Basel, Switzerland)
|October 28, 2023
概括
结合骨数据,关节角度和步态参数,可显著改善病态步态识别. 这种混合深度学习模型通过优于单输入方法来增强医生诊断支持.
科学领域:
- 生物力学 生物力学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 病态步态识别有助于医生进行诊断.
- 现有的方法通常使用原始骨数据或提取的步态特征.
- 结合不同的数据类型可以提高识别准确性.
研究的目的:
- 开发一个深度神经网络 (DNN) 模型,以改善病态步态识别.
- 为了研究结合骨序列,关节角度和步态参数的有效性.
- 为有效的多模式数据融合创建混合DNN框架.
主要方法:
- 一个混合DNN框架,集成图形卷积网络 (GCN),循环神经网络 (RNN) 和人工神经网络 (ANN).
- GCN用于骨架序列,RNN用于关节角度序列,ANN用于步态参数.
- 在最终分类之前,所有三种输入类型的特征融合.
主要成果:
- 拟议的混合模型在两个数据集 (模拟和前置障碍) 上展示了改善的病态步行识别性能.
- 多模输入显著优于单模输入模型.
- 该模型实现了基于骨架的动作识别的最先进的结果.
结论:
- 整合骨数据,关节角度和步态参数可以提高病态步态识别.
- 混合DNN框架为多模式步态分析提供了一个强大的方法.
- 这种方法有望改善临床环境中的诊断决策.
