FP-GCN:频率金字塔图卷积网络,用于增强病态步态分类
Xiaoheng Zhao1, Jia Li2, Chunsheng Hua1
1Institute of Intelligent Robots and Pattern Recognition, School of Cyber Science and Engineering, Liaoning University, Shenyang 110036, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究引入了一种新的频率金字塔图卷积网络 (FP-GCN),用于改进病态步态分类. FP-GCN增强了时间和空间特征的提取,在识别步态异常方面实现了高准确性.
科学领域:
- 生物力学 生物力学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 步态分析提供了关键的健康见解,但目前的方法与时间空间依赖性作斗争.
- 病态步行分类中的低效率限制了诊断准确度.
研究的目的:
- 提出一个频率金字塔图卷积网络 (FP-GCN) 进行增强的步态特征提取.
- 提高病态步态分类的准确性和效率.
主要方法:
- 开发了FP-GCN,集成了用于时间分析的光谱分解和用于空间特征提取的金字塔式方法.
- 利用多种公共和专有数据集进行模型验证.
主要成果:
- 在公共数据集上,FP-GCN实现了98.78%的准确性,在专有数据上达到96.54%.
- 拟议的方法在病态步态识别方面显著超越了现有的方法.
结论:
- FP-GCN提供先进的特征提取和对病态步行的识别.
- 这项技术在远程健康监测和个性化干预方面具有潜在的应用,特别是在资源有限的环境中.
