May, 2024
用于临床应用的基于骨架的运动编码模型的基准测试：估计步行序列中的帕金森病严重程度
Benchmarking Skeleton-based Motion Encoder Models for Clinical Applications: Estimating Parkinson's Disease Severity in Walking Sequences
Vida Adeli, Soroush Mehraban, Yasamin Zarghami, Irene Ballester, Andrea Sabo...
TL;DR本研究通过对大规模人体动作数据集上进行训练的通用人体动作编码器在分析帕金森病患者步态模式方面的应用进行了调查。结果显示，这些模型在分析帕金森步态等病理性动作方面的有效性尚未得到充分验证。我们提出了一个比较框架，并通过评估六个预训练的最先进的人体动作编码器模型从运动捕捉数据中预测运动障碍学会统一帕金森病分级量表（MDS-UPDRS-III）的步态得分。与最近发布的一个大型公开帕金森病数据集中的基于特征的预测模型进行比较，基于特征的模型目前显示出更高的加权平均准确度、精确度、召回率和 F1 分数。性能相近的动作编码器模型展示了在临床环境中可扩展性和效率的潜力。在帕金森病训练集上进行微调后，编码器模型表现出更好的性能。在六个人体动作模型中，其中四个提供的预测分数在服药状态和不服药状态之间存在显著差异。这一发现揭示了运动编码器模型对微妙临床变化的敏感性。它还强调了继续定制这些模型以更好地捕捉疾病特异性特征的必要性，从而减少对劳动密集型特征工程的依赖。最后，我们在临床环境中建立了基于骨架的动作编码器模型分析的基准。据我们所知，这是第一个为使最先进模型能在临床环境中得到测试和竞争提供的基准研究。代码和基准研究排行榜可在代码处获取。