自动运动识别用于评估婴儿的总运动发育
Yin-Zhang Yang1, Jia-An Tsai1, Ya-Lan Yu2
1Department of Computer Science and Information Engineering, National Taipei University of Technology, Taipei 10608, Taiwan.
Children (Basel, Switzerland)
|March 28, 2025
概括
这项研究开发了一种视频分析方法,用于早期检测婴儿的总运动延迟. 机器学习模型准确地从家庭视频中识别出发育异常,达到94%的准确率.
科学领域:
- 儿科神经学 儿科神经学
- 机器学习在医疗保健中的应用.
- 婴儿运动发育评估婴儿运动发育评估
背景情况:
- 目前婴儿发育迟缓诊断依赖于临床检查,这些检查可能会受到陌生的环境的影响.
- 婴儿在临床环境中可能表现出不典型的行为,可能会误解他们的真实发育状态.
研究的目的:
- 开发和验证一种基于视频的方法,用于早期检测2-6个月龄的台湾婴儿的毛细运动异常.
- 为了利用机器学习,并提出对婴儿运动发育的客观评估的认可.
主要方法:
- 利用家庭录制的婴儿视频进行分析.
- 雇佣了两个儿科神经科医生来手动注释毛发动机延迟.
- 应用转移学习使用ViTPose,HRNet,DARK和UDP进行姿势识别.
- 训练随机森林,支持矢量机,物流回归和XGBoost模型用于发展状态预测.
主要成果:
- ViTPose在姿势识别方面表现出卓越的表现.
- 提取了227个运动,运动和姿势特征,其中106个被认为是显著的.
- 随机森林模型实现了最高的性能:F1得分为0.94,加权平均AUC为0.98,准确度为94%.
结论:
- 视频分析与机器学习相结合,提供了一种有希望的方法,用于早期和准确地检测婴儿的毛细运动延迟.
- 与临床诊所相比,家庭视频评估可以提供更可靠的婴儿发育反映.
- 开发的模型在识别需要进一步发展评估的婴儿方面表现出高效率.
