基于机器视觉的步态扫描方法用于识别老年人认知障碍
Yuzhen Qin1, Haowei Zhang2, Linbo Qing1
1College of Electronics and Information Engineering, Sichuan University, Chengdu, China.
Frontiers in aging neuroscience
|July 31, 2024
概括
一种新的深度学习方法,Deep Optimized GaitPart (DO-GaitPart) 准确地从老年人的步态分析中识别认知衰退. 这种机器视觉方法显示出作为早期认知评估和减少与年龄相关的残疾负担的工具的希望.
科学领域:
- 老年学是一门学科.
- 计算机视觉 计算机视觉
- 神经学 神经学
背景情况:
- 早期识别认知障碍对于管理与年龄有关的残疾至关重要.
- 步行参数被认为是认知能力下降的指标和预测因素.
- 在认知研究中用于步态分析的现有机器学习方法需要优化,特别是使用机器视觉.
研究的目的:
- 开发和评估一种基于深度机器视觉的新方法,用于分析步态,以识别老年人认知能力下降.
- 引入深度优化步行部分 (DO-GaitPart) 网络,以提高步行模式识别.
主要方法:
- 使用了西中国医院老年人步行数据集 (158名成年人),标记了认知状态 (简短的便携式精神状态问卷).
- 提出了DO-GaitPart网络,使用轮和骨步行图像.
- 包含一个短期时间模板生成器 (STTG),深度智能空间特征提取器 (DSFE) 和具有注意力机制的多尺度时间聚合 (MTA).
主要成果:
- 废弃试验证实了每个DO-GaitPart组件的重要贡献.
- 与现有方法相比,DO-GaitPart在CASIA-B和Gait3D数据集上表现出优异的性能.
- 实现了认知状态分类的0.876的曲线下的接收器操作特征区域 (ROCAUC).
结论:
- DO-GaitPart方法有效地从步态视频数据中识别认知衰退.
- 这种机器视觉方法可以作为一种潜在的原型工具,用于老年人的认知评估.
