人类睡眠姿势估计来自IR图像用于床上患者监测,使用图像处理和深度学习技术

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 人体姿势估计 (HPE) 对于分析各种应用中的人体运动至关重要.
• 使用红外 (IR) 图像对卧床患者的二维姿势估计对于医疗监测至关重要.
• 一个关键的挑战是缺乏覆盖患者的标记数据,这是昂贵和耗时的.

研究的目的:

• 开发一个深度学习框架,以从卧床患者的红外线图像中准确的2D人类睡眠姿势估计.
• 通过仅使用未覆盖的培训图像来解决覆盖患者标记数据的稀缺问题.
• 通过先进的数据增强,转移学习和半监督技术来提高模型的性能.

主要方法:

• 设计了一个深度学习框架,用于使用未覆盖的培训数据对被覆盖的患者图像进行姿势估计.
• 基于统计和生成对抗网络 (GAN) 的图像增强技术被探索为域调整.
• 从RGB姿势估计数据集转移学习和使用新型姿势区分器进行半监督学习.

主要成果:

• 统计增强方法显著优于基于GAN的域调整方法.
• 与非增强数据相比,使用统计增强的模型精度提高了124%.
• 通过转移学习和半监督学习,分别实现了4%和3%的准确度增长.

结论:

• 拟议的培训管道有效地允许从被覆盖的卧床患者的红外图像进行二维姿势估计.
• 强增强,转移学习和半监督学习对于利用有限的注释数据和丰富的无注释数据至关重要.
• 这种方法为持续的患者监测提供了一个实用的解决方案,同时尊重隐私问题.