深度学习:使用标准视频录像对婴儿一般运动进行无标记的跟踪
概括
这项研究介绍了一种低成本,无标记的AI系统,用于使用手持设备跟踪婴儿一般运动 (GM). 这项技术有助于早期检测神经障碍,如脑,使得及时干预.
科学领域:
- 发育神经科学的发展神经科学.
- 医学成像医学成像
- 医疗保健中的人工智能
背景情况:
- 自发的一般运动 (GM) 对于评估婴儿神经发育至关重要.
- 异常的转基因预测神经障碍,包括脑 (CP).
- 早期干预是最佳神经肌肉结果的关键,但目前的评估方法耗时.
研究的目的:
- 开发一种简单,廉价和广泛适用的无标记物姿势估计方法,用于自动跟踪婴儿运动.
- 使用手持设备的常规视频录制用于婴儿转基因分析.
- 为了能够早期识别患有神经疾病风险的婴儿.
主要方法:
- 使用深度学习 (resnet152,移动网络-v2-1) 识别每12个解剖位置的无标记姿势估计方法.
- 从使用手持设备的传统视频记录中追踪婴儿的运动.
- 一种新的无监督方法,将卡尔曼过器和深网输出融合为验证.
主要成果:
- 深度学习模型 (resnet152,移动网络v2-1) 在识别解剖位置方面实现了高精度 (>99.65%aPCK).
- 该系统成功地在未见的视频中追踪了婴儿的运动.
- 验证证实了模型在识别关键身体部位方面的能力.
结论:
- 拟议的技术可用于使用低成本设备自动跟踪婴儿转基因.
- 这种方法促进了神经疾病的早期诊断,当干预最有效时.
- 它提供了一个公开可访问的工具,用于监测婴儿的神经发育,并识别有风险的婴儿.
