适应动作识别神经网络用于自动婴儿检测

科学领域:

• 神经学 神经学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 婴儿是一种严重的综合征,具有显著的发育后果.
• 婴儿的延迟诊断通常是由于异常呈现的结果.
• 早期和准确的诊断对于有效的治疗和改善结果至关重要.

研究的目的:

• 引入一种新的方法,仅使用视频数据来识别婴儿.
• 为了利用无标记计算机视觉技术来自动检测.
• 为了提高婴儿的诊断准确性和及时性.

主要方法:

• 利用在Kinetics人类动作识别数据集上预先训练的扩展3D神经网络.
• 从婴儿的短视频段中提取了时空特征.
• 使用多个分类器来对提取的特征进行二进制分类.

主要成果:

• 开发的系统在3秒窗口中实现了ROC曲线下的平均面积为0.813±0.058.
• 证明了基于视频的分析对婴儿的识别的有效性.
• 验证了模型捕捉的主要时空特征的能力.

结论:

• 无标记计算机视觉为客观检测婴儿提供了一个有希望的途径.
• 这种基于视频的方法可以帮助克服与婴儿有关的诊断挑战.
• 进一步的开发可能会导致更好的临床工具,用于早期婴儿的诊断.