MS-TCRNet:使用传感器增强动力学进行动作细分的多阶段时间卷积循环网络
Adam Goldbraikh1, Omer Shubi2, Or Rubin2
1Applied Mathematics Department at the Technion - Israel Institute of Technology, Haifa, 3200003, Israel.
Pattern recognition
|November 4, 2024
概括
本研究介绍了新的多阶段时间卷积循环网络 (MS-TCRNet) 和使用动态数据进行动作细分的数据增强方法. 这些进步在评估外科技能方面取得了最先进的结果.
科学领域:
- 计算机科学 计算机科学
- 机器人技术 机器人技术 机器人技术
- 生物医学工程 生物医学工程
背景情况:
- 动作细分对于使用传感器数据进行高层次流程分析至关重要.
- 动力学数据分析对准确的行动细分提出了独特的挑战.
- 现有的方法可能无法充分利用动力学数据的几何性质.
研究的目的:
- 在动态数据上开发先进的深度学习模型,用于动作细分.
- 引入针对动态数据量身定制的新型数据增强技术.
- 为了提高手术任务中的动作细分算法的性能和稳定性.
主要方法:
- 引入两种版本的多阶段时间卷积循环网络 (MS-TCRNet).
- MS-TCRNet架构具有具有阶段内规范化和双向LSTM/GRU精细化阶段的预测生成器.
- 关于两种新的数据增强技术的建议:世界框架旋转和手扭转.
主要成果:
- 在三个手术接数据集 (VTS,BRS,JIGSAWS) 上实现了最先进的性能.
- 通过拟议的数据增强技术,证明了改进的算法性能和稳定性.
- 验证MS-TCRNet在复杂的外科模拟任务上的有效性.
结论:
- 拟议的MS-TCRNet模型和数据增强技术在动态数据上显著提升了动作细分.
- 这些方法为分析手术技巧和其他复杂的人类行为提供了强大的解决方案.
- 开源代码促进了相关领域的进一步研究和应用.
