基于视觉的方法来检测膝关节关节炎和帕金森病,利用人类的步态模式

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 神经学 神经学

背景情况:

• 肌肉骨和神经系统疾病的患病率越来越高,如膝关节关节炎 (KOA) 和帕金森病 (PD).
• 步行模式分析是诊断这些疾病的新兴趋势.
• 现有的方法包括基于传感器和基于视觉的系统,许多方法专注于使用步态轮或传统相似性方法对帕金森病的分类.

研究的目的:

• 提出一种新的深度学习方法,用于使用步态模式诊断KOA和PD.
• 通过深度学习和转移学习提取时空步态特征.
• 用先进的深度学习模型分析提取的特征,包括像Gated Recurrent Unit (GRU) 这样的序列模型.

主要方法:

• 从步行视频中提取时空特征,使用深度学习和转移学习.
• 应用先进的深度学习模型,特别是像GRU这样的序列模型,用于步态分析.
• 在公开可用的数据集 (KOA-PD-normal) 上进行的实验,其中包含各种异常的步态视频.

主要成果:

• 拟议的深度学习模型在诊断KOA和PD时实现了大约94.81%的高精度.
• 在步态分析中证明了时空特征提取和先进的深度学习模型的有效性.
• 在神经和肌肉骨疾病的步态分析中表现优于传统的基于相似性的方法.

结论:

• 这种新的深度学习方法显示出对KOA和PD的准确和高效诊断的重大前景.
• 通过深度学习提取时空特征,为步态分析提供了强大的工具.
• 这项研究强调了像GRU这样的先进序列模型在基于人类运动的医学诊断中的潜力.