使用基于骨架的步态序列和脚压图像数据集来诊断萨科佩尼亚
Muhammad Tahir Naseem1, Na-Hyun Kim1, Haneol Seo1
1Laboratory of Computer Vision and Human Visual Perception, Department of Electronic Engineering, Yeungnam University, Gyeongsan, Republic of Korea.
Frontiers in public health
|December 12, 2024
概括
这项研究表明,人工智能可以使用脚压和骨数据来检测sarcopenia. 这两种方法都显示出对类病的分类潜力,有助于早期诊断这种与年龄相关的肌肉疾病.
科学领域:
- 生物医学工程 生物医学工程
- 老年学是一门学科.
- 人工智能的人工智能
背景情况:
- 萨科佩尼亚是一种常见的与年龄有关的疾病,其特点是肌肉强度和功能下降.
- 目前的萨科佩尼亚诊断方法包括步态分析和脚压成像.
- 以前的人工智能驱动的肉类症检测研究主要使用了骨架数据,忽视了多式联络数据集的综合潜力.
研究的目的:
- 开发和评估人工智能模型,使用脚压和骨数据对肉类症进行分类.
- 评估脚压和骨数据对于检测肉症的个体和综合潜力.
- 建立一个多式联络数据集,用于未来的肉症研究.
主要方法:
- 从100名参与者中收集了一套多式数据集,包括脚压和骨数据.
- ResNet-18模型被应用于足压数据集进行分类.
- 时空图卷积网络 (ST-GCN) 应用于骨架数据集进行分类.
- 用RGB+D摄像头以30/秒的速度记录了参与者的步态,提取了25个特征点的3D骨架数据.
主要成果:
- 通过使用脚压数据,ResNet-18模型实现了77.16%的准确性,用于使用脚压数据对肉症进行分类.
- 使用骨架数据,ST-GCN模型实现了78.63%的准确性,用于使用骨架数据进行肉症分类.
- 脚压和骨数据都显示出在分类萨科佩尼亚方面具有重大潜力.
结论:
- 脚压成像和骨数据,当与AI分析时,显示了对萨尔科佩尼亚分类的希望.
- 这项研究强调了多式联络数据在改善肉症检测方面的潜力.
- 这些发现支持开发人工智能驱动的工具,用于早期诊断肉症.


