基于骨架的动作分析用于 ADHD 诊断
该研究使用机器学习和神经科学方法,基于 ADHD200 数据集进行多分类和二分类诊断生物标记,使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断,准确率达到 92.5%。
Feb, 2023
本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类,计算脑部体素活动的配对相关性,使用网络特征训练 PCA-LDA 分类器,应用图形模式特征和脑部区域做脑图像,在分类性能,尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。
Jun, 2023
本研究采用深度学习技术,针对基于骨骼的动作识别的敌对性弱点进行分析,并提出了一种基于约束优化和 ADMM 的优化算法及防御机制。经过广泛评估,该方法在不同情境下具有良好的攻击及防御效果。
May, 2020
这篇研究论文介绍了从基于深度学习架构的角度全面讨论使用三维骨架数据进行动作识别,并详细介绍了基于循环神经网络 (RNN)-based、卷积神经网络 (CNN)-based 和图卷积网络 (GCN)-based 的主流动作识别技术,并介绍了包括 NTU-RGB+D 在内的多个数据集和算法。
Feb, 2020
通过游戏表现和智能手机运动传感器评估核心症状,FishFinder 测试了 26 名患有 ADHD 的儿童和 26 名健康儿童,最终结论是 FishFinder 具有较强的识别儿童 ADHD 的能力,因此可以用作 ADHD 的客观筛查的一种经济实惠、易获得和有趣的方法。
Dec, 2023
我们提出了一种新颖的无监督骨架动作识别系统,该系统基于编码器 - 解码器递归神经网络,可以无需提供任何标签或摄像头深度输入,并可在各维度的身体关键点(2D 或 3D)和附加提示描述移动的情况下操作,并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能,且与有监督骨架动作识别表现相似。
Nov, 2019
本文探讨了自动化反应测量技术,通过使用深度神经网络模型从视频中识别人类动作,利用引导式弱监督技术实现分类器重新训练,从源数据和目标数据之间的相似性中获取标签来校准目标数据,最终得出对自闭症技能评估的提升结果。
Nov, 2019
该论文提出了一种基于对比学习的决策树分类框架,使用交互邻接矩阵 (IAM) 和骨架图等模型各种动作相关特征,并构建预处理任务来支持高级别识别任务,提高交互识别和对称性检测的效果,同时在 CalTech 面试视频数据库中展示了可应用于自闭症谱系障碍诊断的潜力。
Apr, 2023
本论文介绍一种基于数据增强的新方法,使用 DDPM 和 ST-Trans 生成高质量和多样化的顺序动作序列,有效地提高了现有动作识别模型的性能。
Feb, 2023
基于视频流,本研究开发了一个机器学习系统,用于检测手工装配过程中的当前动作,以提取关键绩效指标并提高手工过程的分析能力。通过骨骼动作识别方法,研究证明了机器学习在手工过程分析中的潜力。
Oct, 2023