用单个Azure Kinect-D摄像头进行粘合性囊炎分类的基于注意力的深度序列模型
概括
这项研究介绍了一种使用Azure Kinect-D摄像头的AI框架,通过分析肩膀运动来诊断粘合性囊炎 (冷的肩膀). Att-GRU模型的准确度超过98%,提供了可靠的,非侵入性的诊断工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物力学 生物力学
背景情况:
- 粘合性囊炎 (AC),或冷的肩膀,导致严重的肩膀疼痛和硬.
- 准确的诊断对于有效的治疗和管理至关重要.
- 当前的诊断方法可能是主观的,耗时的.
研究的目的:
- 开发和验证一种基于注意力的新型深度序列框架,用于分类粘合性囊炎.
- 为了利用Azure Kinect-D摄像头捕捉到的肩膀绑架运动来进行AC诊断.
- 评估与注意力机制集成的循环神经网络的诊断性能.
主要方法:
- 提出了一个深层次的序列框架,将注意力机制纳入LSTM,BiLSTM和GRU模型.
- 用单个Azure Kinect-D摄像头捕捉了肩膀绑架运动.
- 评估了Att-GRU模型的分类准确性,精度,特异性,回忆,F1得分和AUC.
主要成果:
- Att-GRU模型表现出卓越的性能,准确率为98.51%,精度为98.28%,特异性为100%,回忆率为98.26%,F1得分为98.85%,AUC为0.992.
- 注意力重量分析发现了不同的运动模式,使健康人与AC人区别开来.
- 该框架被证明是确定疾病特异性移动动态的可靠和客观工具.
结论:
- 提出的基于注意力的深度序列框架为诊断粘合性囊炎提供了一个高度准确和可靠的方法.
- 这种使用现有摄像机技术的非侵入性方法在冷肩部诊断中具有显著的临床应用潜力.
- 该模型能够专注于临床相关的运动模式,从而提高了诊断的客观性.
