从一只单眼相机对边缘设备进行有效的四肢运动范围分析

科学领域:

• 生物力学 生物力学
• 计算机视觉 计算机视觉
• 医疗技术 医疗技术 医学技术

背景情况:

• 传统的四肢运动范围 (ROM) 评估依赖于人工度计,这是劳动密集型的.
• 计算机视觉和深度学习方面的进步为自动化动力学分析提供了潜力.
• 现有的深度学习方法往往将准确性优先于效率和成本,限制了实际的临床应用.

研究的目的:

• 开发一种高性能,低成本,基于相机的工具,用于上肢和下肢ROM测量.
• 创建一个轻量级,快速的深度学习模型,优化为资源有限的边缘设备.
• 为了平衡精度与边缘计算的好处,如成本效益和本地化数据处理.

主要方法:

• 提出了一种轻量级,快速的深度学习模型,用于人类姿势估计和随后的肢体ROM计算.
• 采用紧的神经网络架构,使用8位量子化参数来提高内存效率和降低延迟.
• 在上肢和下肢任务上评估了该模型,并在Raspberry Pi边缘设备上测试了其性能.

主要成果:

• 拟议的模型实现了4.1倍的速度增加,并且比最先进的模型小15.5倍.
• 证明了令人满意的准确性和一致性与肢体ROM. goniometer的测量.
• 在Raspberry Pi上的实验结果证实了保持准确性,同时显著降低了设备和能源成本.

结论:

• 开发的深度学习模型为肢体ROM评估提供了高效和具有成本效益的解决方案.
• 对边缘设备的优化使局部数据处理成为可能,并降低了硬件成本.
• 该方法显示了在各种医疗保健环境中广泛采用和适应各种硬件环境的潜力.