计算机视觉用于脑麻患者的步行评估:度量学习和自信估计

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 对神经系统疾病中运动障碍的临床评估至关重要,但目前依赖于时间密集,定性和临床方法.
• 现有的评估提供了有限的定量细节,患者随着时间的推移恢复.
• 需要可访问,定量和连续的方法来监测运动功能.

研究的目的:

• 开发和验证一种新的机器学习方法,用于使用便携式设备评估运动障碍.
• 与当前的临床方法相比,提高运动功能评估的准确性和细节性.
• 为了实现神经疾病恢复的远程和持续监测.

主要方法:

• 利用时空图卷积网络 (STGCN) 来分析智能手机/平板电脑捕获的单眼视频中的姿势数据.
• 开发了一个端到端的模型来评估大脑麻 (CP) 使用总运动功能分类系统 (GMFCS).
• 整合了三倍损失的度量学习和自我监督的培训,以提高有限数据和信心估计的性能.

主要成果:

• 在评估患有CP的儿童 (GMFCS) 中获得了大约76.6%的准确性,比最先进的技术水平提高了5%.
• 强烈同意专业评估 (加权科恩的卡帕 = 0.733).
• 达到88%的估计准确度与0.95的置信值,显示有效的置信估计.

结论:

• 这种基于STGCN的新方法为远程评估运动障碍提供了准确有效的方法.
• 这项技术提供了定量,详细的恢复跟踪,克服了传统临床评估的局限性.
• 该模型在移动设备上的效率使得实时或近实时应用在各种环境中,包括家庭环境.