我们提出了一种深度学习模型,利用步态周期数据集实现对帕金森病的二分类早期检测,通过使用 1D - 卷积神经网络(CNN)、门控循环单元(GRU)和图神经网络(GNN)层,协同地捕捉数据中的时序动态和空间关系,从而实现了非凡的性能表现,准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。
Apr, 2024
本文提出了一种基于前馈深度网络的预测人体运动的方法,通过在运动轨迹空间而非传统的姿态空间中编码时间信息,同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系,从而实现了超越以往人体运动预测方法的性能。
Aug, 2019
使用可解释的人工智能(如 SHAP)增强基于深度学习的步态分类模型的透明度,以区分不同年龄群体之间在步行过程中的加速度和减速度模式的差异。
Nov, 2023
提出了一种端到端的基于深度学习的模型,该模型使用来自不同导航模式的数据直接学习人类的运动模式,包括一个软关注机制和一种新颖的方法来预测动态轨迹,同时还考虑了场景中的静态物体存在,通过在行人轨迹数据集上的测试结果显示,可以显著优于现有的最新技术水平,也可以自然地扩展到同时处理多个移动模式。
May, 2017
本文旨在研究人体运动建模领域的前沿研究,特别关注基于深度递归神经网络的研究成果,对当前问题的评价方法进行了调查,在研究现有的体系结构、代价函数和训练程序时,提出了三点标准改进措施,取得了最新技术的突破性进展。
人体行走是一种复杂的活动,精确检测步态阶段对于控制下肢辅助装置如外骨骼和假肢至关重要。本研究提出了几种基于下肢肌电数据的机器学习模型,其中包括高斯朴素贝叶斯、决策树、随机森林、线性判别分析以及深度卷积神经网络。传统机器学习模型通过手工特征或使用主成分分析对其降维处理,而深度卷积神经网络模型则利用卷积层从原始数据中提取特征。结果显示传统机器学习模型的平均准确率为 75%,深度学习模型的准确率为 79%。在训练的深度学习模型中,经过 50 次试验,最高准确率达到 89.5%。
Mar, 2024
通过分析步态,我们提出了一个深度框架用于情感识别,该模型由一系列空间 - 时间图卷积网络组成,用于生成稳健的基于骨架的情感分类任务的表示,评估结果显示相对于现有技术,准确率提高了约 5%,此外,我们观察到训练期间我们的模型比现有技术方法收敛更快。
May, 2024
本研究提出一个基于深度学习的人体动作捕捉数据的通用模型,学习自大量的捕捉数据中,并成功应用于人体动作特征提取、分类和预测,优于现有最新技术,具有普遍性。
Feb, 2017
本文提出了一种基于姿态的卷积神经网络模型,用于人体步态识别,利用肢节周围区域的动作信息和光流法提取特征,实验证明该方法的效果超过现有技术水平。
Oct, 2017
本研究旨在探索使用单个腰部传感器和深度学习模型提高老年人步态事件检测的准确性,结果表明使用带有注意机制和双向机制的 CNN-RNN 混合模型有望实现准确的步态事件检测,有助于未来可穿戴设备的远程健康监测和诊断。
Feb, 2022