相关实验视频
Updated: Sep 11, 2025
07:51
Video Movement Analysis Using Smartphones ViMAS: A Pilot Study
Published on: March 14, 2017
16.9K
基于视频的数据驱动模型用于诊断运动障碍:审查和未来方向
Rafael Martínez-García-Peña1,2, Lisette H Koens1,3,4, George Azzopardi2
1Department of Neurology, University of Groningen, University Medical Centre Groningen (UMCG), Groningen, The Netherlands.
概括
分析临床视频的机器学习和深度学习模型显示出诊断运动障碍的前景. 这些人工智能工具正在改进,接近专家的性能,并提供新的临床工作流的可能性.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 运动障碍显著影响生活质量.
- 目前的诊断依赖于主观的临床评估.
- 临床视频为分析提供客观数据.
研究的目的:
- 对运动障碍的基于视频,数据驱动的模型进行全面审查.
- 检查机器学习 (ML) 和深度学习 (DL) 在这个领域的应用.
- 确定AI在运动障碍分析中的趋势,局限性和未来方向.
主要方法:
- 在科学数据库中对2006-2024年的研究进行文献综述.
- 分析各种视频模式 (RGB,深度,基于标记器,多视角,多模式).
- 专注于姿势估计,实时方法和端到端DL架构.
主要成果:
- 在最近的研究中,出现了对体位估计方法的显著趋势.
- 提高人工智能模型的可用性和性能,接近专家水平.
- 识别局限性:数据稀缺,缺乏标准化指标,隐私问题.
结论:
- 基于视频的AI模型是运动障碍诊断和评估的有希望的进步.
- 未来的研究应该专注于可解释的人工智能,保护隐私的技术和标准化指标.
- 持续开发可以增强临床工作流程和患者护理.
