GPFD-Net:一个几何姿势频率脱网络,用于隐私保护,在医疗保健中识别人类行动

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 人类行动识别 (HAR) 对医疗信息学至关重要,包括临床诊断和康复.
• 点云序列提供保护隐私的3D行为数据,但现有的方法在空间和时间细节方面存在困难.
• 编码微几何细节和动作动态的局限性阻碍了高精度的临床运动分析.

研究的目的:

• 开发一个新的网络,用于高精度和保护隐私的人类行为识别.
• 解决现有方法在从点云序列捕获空间和时间特征的局限性.
• 通过改进3D行为理解来增强临床运动分析.

主要方法:

• 提出了几何姿势频率脱网络 (GPFD-Net) 用于人类行动的识别.
• 引入了一个几何姿势并行协作空间编码器 (GPCSE),具有双流架构,以捕获几何细节和姿势轮.
• 开发了一种频率脱时间捕获器 (FDTC),以适应性地将特征序列处理成光滑和短暂的组件.

主要成果:

• 总体而言,GPFD-Net在四个公共基准数据集上表现出卓越的表现,用于识别人类行为.
• GPCSE有效地融合了微观几何和宏观姿势信息,创造了几何增强的姿势特征.
• FDTC成功地分解和处理特征序列,以实现强大的动作识别.

结论:

• GPFD-Net为医疗保健中高精度,保护隐私的运动分析提供了一种新的方法.
• 拟议的空间和时间编码策略有效地解决了当前点云处理的局限性.
• 这种方法促进了HAR在临床环境中的应用,改善了诊断和监测.