Dec, 2023

D-STGCNT: 基于 Transformer 的稠密时空图卷积 GRU 网络用于患者体能康复评估

PDF
TL;DR本研究使用一种新的基于图的模型，即使用密集时空图卷积 GRU 网络与 Transformer 相结合的模型，对没有临床医生监督下进行的物理康复训练进行自动评估，以提供质量评分确保正确执行并达到期望的效果。在 KIMORE 和 UI-PRMD 数据集上的评估结果表明，与最先进的方法相比，该模型在准确性和计算时间方面具有潜力，实现了更快速和更准确的康复训练学习和评估，并通过定性插图提供有价值的反馈，有效地突出了具体训练中关节的重要性。
physical rehabilitation exercisesquality scoregraph-based modelskeleton datarehabilitation exercise evaluation
发现论文，激发创造
  • 基于空间和时间变换器网络的基于骨架的动作识别

    本文提出了一种基于 Spatial-Temporal Transformer 网络的骨骼姿态行为识别方法，使用自注意力机制成功提取了骨骼运动及其相关性的信息，与其他同类算法相比在多个大规模数据集上表现出更好的精度。

    Aug, 2020

  • 用于动作识别的分层图卷积骨架变换器

    本文提出了一种名为 Hierarchical Graph Convolutional skeleton Transformer (HGCT) 的新型架构，通过引入 Disentangled Spatiotemporal Transformer 块，利用全局时空注意力和本地信息增强相互协同，以解决基于骨架的动作识别中的邻域限制和空间时间特征表示相互干扰等问题，同时具有计算效率高、解释性好等优点。

    Sep, 2021

  • 基于骨骼的动作识别的时空图卷积

    本文提出了一种称为 Spatio-Temporal Graph Convolution (STGC) 的方法，用于动作识别中的骨架，该方法组合了本地卷积过滤器的成功和自回归移动平均的序列学习能力，通过递归地进行多尺度局部图卷积过滤器构建。实验表明 STGC 模型的有效性和优于现有技术的改进。

    Feb, 2018

  • 基于骨骼的动作识别的时空图卷积网络

    提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型，该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现，并且在动作识别以及泛化能力方面远优于之前的方法。

    Jan, 2018

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • 1D 卷积变换器用于步态的帕金森病诊断

    该研究提出了一种用于诊断帕金森病步态的高效深度神经网络模型。具体地，我们引入了一种混合的 ConvNet-Transformer 架构，通过检测疾病的严重程度准确诊断帕金森病。所提出的架构通过单一的端到端模型充分利用了卷积神经网络和 Transformer 的优势，前者能够从纵向地面反作用力信号中提取相关的局部特征，而后者能够捕捉数据中的长期时空依赖关系。我们的混合架构相比于单独使用任一模型获得了改进的性能。实验结果表明，我们的方法对于从步态数据检测帕金森病不同阶段是有效的，最终准确率达到了 88%，超过了 Physionet 步态数据集上其他最新人工智能方法。此外，我们的方法可以推广和适应其他分类问题，在处理一维信号中的特征相关性和时空依赖性问题上具有潜力。我们的源代码和预训练模型可以在此 https URL 公开获取。

    Nov, 2023

  • MR-STGN：使用注意力融合的多重残差时空图网络用于患者动作评估

    基于多残差时空图网络的自动化病人行动评估方法，在捕捉病人行动时空动态特征的同时，通过集成注意力融合机制，实现对病人运动的准确评估，超越现有方法，在实时病人行动评分方面表现出色。

    Dec, 2023

  • 基于骨架的动作识别的时序图建模

    本篇文章介绍了一种称之为 Temporal Enhanced Graph Convolutional Network (TE-GCN) 的新模型，用于构建骨骼动作识别应用中的时间关系图，以提取骨架序列的时间动态。文章对两个广泛使用的大型数据集进行了广泛的实验，在动作识别中取得了最先进的性能，同时通过多头机制进一步探索时间关系图。

    Dec, 2020

  • STEP CATFormer：基于空时有效部位交叉注意力变换器的基于骨骼的动作识别

    我们通过引入图卷积网络（GCN）和时序注意力转换器，提出了一种名为空间时序有效身体部位交叉注意力转换器的强大图卷积网络，用于骨骼动作识别和特征提取。

    Dec, 2023

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017