Feb, 2024

DS-MS-TCN: 用双尺度多阶段时间卷积网络的奥塔哥锻炼识别

PDF
TL;DR通过在日常生活中采用单个腰部佩戴惯性测量单元（IMU）来识别社区中老年人进行 Otago 运动项目（OEP）锻炼，使用双尺度多阶段时间卷积网络（DS-MS-TCN）模型实现了基于序列的两级分类，超过现有深度学习模型，在评估的四个锻炼中实现了超过 80％的 F1 分数和超过 60％ 的交集联合（IoU）F1 分数。
otago exercise programwearable sensorsinertial measurement unitdual-scale multi-stage temporal convolutional networkhuman activity recognition
发现论文，激发创造
  • 一种用于 Otago 微标签识别的掩码半监督学习方法

    通过将 Transformer 编码器用于特征提取和时序卷积神经网络（TCN）用于分类来识别 Otago 锻炼计划（OEP）中的微操作，并结合掩码无监督学习任务提高有监督学习任务的性能，研究结果显示 f1 - 分数超过临床实用的 0.8 阈值，从而使得可以自动监测老年人日常生活中锻炼的强度和难度。

    May, 2024

  • 使用单一 IMU 和分层机器学习模型对老年人进行奥塔哥运动监测

    通过使用腰部佩戴的惯性测量单元 (IMU) 进行数据收集，并采用深度学习模型，本研究提出了一个无障碍且准确的系统来监测老年人的 Otago 运动计划。研究结果表明，在实验室和家庭环境中，使用单个 IMU 可以对 Otago 运动计划及其子类进行准确的监测。

    Oct, 2023

  • 基于可穿戴设备的多级对比网络用于关节活动分割和识别

    本文介绍了一种基于深度学习的多类窗口问题解决方案 —— 使用分割技术的人类活动识别方法，并引入多阶段时间卷积网络（MS-TCN）进行样本级别的活动预测，同时使用多级对比损失以提高方法的鲁棒性，并在两个公共 HAR 数据集上验证了该方法的有效性。

    Aug, 2022

  • 多通道时序分解网络用于可泛化的基于传感器的活动识别

    这篇论文介绍了一种基于传感器的人体活动识别方法，通过多通道时间序列分解网络（MTSDNet）进行信号分解，学习原始信号的低秩表示，提高模型的域外泛化能力，并通过层注意机制聚合分解得到的组件，来实现最终的分类结果。通过对多个公共数据集的广泛评估，证明了该方法在预测准确性和稳定性方面的优势，具有解释性和分层特性。

    Mar, 2024

  • MS-TCN++：基于多阶段时间卷积网络的动作分割

    本文提出了一种多阶段架构的深度学习模型，通过利用扩张时间卷积和双重扩张时间卷积层，实现了在长时间的未修剪视频中对动作进行准确的时序分割，并在三个数据集上取得了最先进的结果。

    Jun, 2020

  • 使用多阶段时间卷积网络识别手术阶段的 TeCNO 系统

    本文提出了一种多级时间卷积网络（MS-TCN），可以用于手术阶段识别，具有层次化预测细化和因果扩张卷积的特点。本文的方法经过多组数据集的评估，并在胆囊手术视频中得到成功应用。

    Mar, 2020

  • 一种使用腰部佩戴的 IMU 进行排球跳跃分类的多阶段时间卷积网络

    使用惯性测量单元的不显眼系统和多层时间卷积网络模型可准确地识别排球跳跃类型，表现优于其他深度学习模型，并且具有较低的计算成本。

    Oct, 2023

  • 用于胃旁路手术阶段和步骤联合识别的多任务时序卷积网络

    本研究提出了一个多任务多阶段时间卷积网络 (MTMS-TCN)，旨在联合识别手术活动的两个互补粒度 —— 阶段和步骤，从而提高手术活动识别的精确性和召回率。在 Bypass40 数据组上进行实验表明，MTMS-TCN 在相较于单一任务方法，无论在阶段识别还是步骤识别方面，准确度、精确度和召回率上均具有 1-2% 左右的提升，并且相较于 LSTM 模型，其在步骤识别方面具有更高的性能。

    Feb, 2021

  • MS-TCN：多阶段时间卷积网络用于动作分割

    本研究提出了一种多阶段架构方法来解决视频动作分段问题，使用扩张卷积神经网络来生成初始预测并利用平滑损失进行训练，模型在多个数据集上实现了最新的研究成果。

    Mar, 2019

  • 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

    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。

    Dec, 2023