基于深度学习的无标记步态分析模型显示,当与基于二维标记数据的数据进行验证时,对狗的准确性非常有希望

科学领域:

• 兽医医学 兽医医学 兽医医学
• 生物机械分析 生物机械分析
• 动物健康中的人工智能

背景情况:

• 步态分析对于诊断狗和监测恢复至关重要.
• 传统的基于标记器的系统耗时,需要专门的设备.
• 无标记系统为狗步态分析提供了更容易获得的方法.

研究的目的:

• 开发和验证基于深度学习的无标记步态分析模型,用于狗.
• 评估模型的准确性与传统的基于二维标记器的系统相比.
• 探索无标记步态分析在兽医环境中的临床实用性.

主要方法:

• 一项前性观察性研究,涉及408只不同品种的客户拥有的狗.
• 使用智能手机视频录制 (1080p,30fps) 在一个直立的步道上.
• 在20,000张无标记图像上训练了ViTPose-L深度学习模型,并与兽医放置的标记器进行了验证.

主要成果:

• 无标记模型实现了高精度:96.6%的平均精度,2.29的平均规范化关键点误差和92.62%的正确关键点.
• 性能超过了公共数据集的现有基准.
• 与基于二维标记的数据相比,表现出强大的犬类地标定位精度.

结论:

• 深度学习无标记步态分析系统显示,对犬类标志物定位的早期准确性有希望.
• 这项技术在评估狗的步态方面具有潜在的临床实用性.
• 在例行临床采用之前,建议在各种品种和环境中进行进一步的验证.