一种轻量级的病理步态识别方法,基于侧面视图中的新步态模板和改进的注意力机制

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 异常步行识别是老年人群的关键医疗保健挑战.
• 现有的算法努力平衡高精度与模型轻量级的病态步态分类.

研究的目的:

• 提出一个轻量级网络 (NSVGT-ICBAM-FACN),用于强大的病态步行识别.
• 在医疗保健应用中提高步态分析的准确性和效率.

主要方法:

• 开发了一种新的侧视步态模板 (NSVGT),整合了步态形状,动态和能量分布.
• 使用了一种改进的卷积块注意模块 (ICBAM),具有并行连接和深度可分离卷积 (DSC).
• 员工将学习和DSC转移到分类头部,以保存空间信息并学习特定位置的权重.

主要成果:

• 在自建数据集上实现了98.43%的分类准确度,在GAIT-IST数据集上达到98.69%.
• 超过了最先进的 (SOTA) 模型,分别为0.77%和0.59%.
• 在模型轻量级和识别性能之间取得了良好的平衡.

结论:

• 拟议的NSVGT-ICBAM-FACN网络为病态步态识别提供了强大而高效的解决方案.
• 集成NSVGT和ICBAM有效地提高了步态表征和模型性能.
• 这种方法在改善医疗保健诊断和患者监测方面具有重大潜力.