使用姿势引导条件扩散模型生成用于康复练习的新型合成数据集:定量和定性评估
Ciro Mennella1, Umberto Maniscalco1, Giuseppe De Pietro1
1Institute for High-Performance Computing and Networking (ICAR) - Research National Council of Italy (CNR), Italy.
Computers in biology and medicine
|November 5, 2023
概括
这项研究生成了老年人执行康复练习的合成图像,以克服机器学习中的数据稀缺性. 新的数据集增强了个性化物理治疗的模型培训.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 康复科学 康复科学 康复科学
背景情况:
- 机器学习 (ML) 为康复治疗监测和评估提供了个性化的见解.
- 开发强大的ML模型用于康复的重大挑战是数据稀缺.
研究的目的:
- 引入一种新的合成数据集,用于使用姿势引导人形图像生成的康复练习.
- 为解决物理治疗机器学习中的数据稀缺问题.
主要方法:
- 杆式有条件扩散模型用于姿势引导人图像生成.
- 处理了6个康复练习的预标记数据集,以生成现实的人类运动图像.
- 产生了22,352张图像,增强了主题属性和背景环境的可变性.
主要成果:
- 生成的图像准确地捕捉到了人类关节关系的空间一致性.
- 实现了对图像评估非常有利的定量指标.
- 在运动数据中保持了优异的类内和类间一致性 (距离相关性 > 0.90).
结论:
- 这种新型合成数据集有效地扩大了在康复中ML的有限现实数据.
- 这种方法通过生成高保真度合成图像来增强现有数据集的价值.
- 促进了针对个性化康复治疗的改进的ML模型开发.
