相关实验视频
Updated: Jun 8, 2025
3D Kinematic Gait Analysis for Preclinical Studies in Rodents
Published on: August 3, 2019
生成对抗性网络创建合成运动捕捉数据集,包括主体和步态特征
Metin Bicer1, Andrew T M Phillips2, Alessandro Melis3
1Department of Civil and Environmental Engineering, Imperial College London, London, UK; Faculty of Sport Sciences, Hacettepe University, Ankara, Türkiye; Translational and Clinical Research Institute, Faculty of Medical Sciences, Newcastle University, Newcastle upon Tyne, UK.
本研究引入了条件生成对抗网络 (cGANs),以创建多样化的合成运动捕获 (mocap) 数据,解决深度学习应用中的挑战,并使数据更容易共享而无需隐私问题.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 资源密集型的运动捕捉 (mocap) 系统需要大规模,多样化的数据集来进行预测深度学习.
- 现有的mocap数据生成方法在多样性和可扩展性方面存在局限性.
研究的目的:
- 开发有条件生成对抗网络 (cGAN),能够生成多种合成mocap数据.
- 为了能够根据特定的受试者和步态特征生成mocap数据,包括标记轨迹,关节角度和地面反应力 (GRF).
- 解决使用mocap数据的深度学习应用中的数据稀缺性和隐私问题.
主要方法:
- 修改生成对抗网络 (GAN) 成为有条件的GAN (cGAN) 具有编码器,解码器和区分器组件.
- 训练有素的单条件模型 (年龄,性别,腿长,质量,步行速度) 和结合所有条件的多cGAN模型.
- 通过将合成数据与动力学和GRFs的实验数据进行比较,评估模型性能.
主要成果:
- 所有模型都严格复制了训练数据 (步态周期差异<8.1%).
- 多cGAN模型在狭窄的条件范围内表现出优异的复制,产生类似的动力学 (<1°) 和GRF (<0.02体重).
- 合成数据表现出动态一致性,并使得准确的衍生计算成为可能,而步行速度条件模型显示出对未见数据的最佳预测.
结论:
- cGAN有效地产生多样化和动态一致的合成mocap数据.
- 多cGAN方法提供了一个可扩展的解决方案,用于创建现实的mocap数据集.
- 合成的mocap数据通过减轻隐私问题,促进生物力学深度学习来促进数据共享.
更多相关视频
06:25Paw-Print Analysis of Contrast-Enhanced Recordings PrAnCER: A Low-Cost, Open-Access Automated Gait Analysis System for Assessing Motor Deficits
Published on: August 12, 2019
10:52Simulation of Human-induced Vibrations Based on the Characterized In-field Pedestrian Behavior
Published on: April 13, 2016