Jul, 2024

临床步态分析的计算机视觉: 步态异常视频数据集

HTML
PDF
TL;DR临床步态分析（CGA）是人工智能中的新兴领域，面临着可访问的现实世界数据和明确的任务目标方面的障碍。本文为CGA提供了基础，介绍了适用于步态分析的基于计算机视觉的方法和数据集。我们引入了步态异常视频数据集（GAVD），它是最大的视频步态数据集，包括1874个正常、异常和病态步态序列，并包含来自公开在线平台的临床注释的RGB数据。我们使用预训练模型Temporal Segment Networks（TSN）和SlowFast网络对GAVD数据集进行了94%和92%的视频异常检测，并提供了超过450个在线视频的GitHub仓库链接和与CGA相关的临床注释。
发现论文，激发创造
  • 神经紊乱引起的步态异常检测

    本文通过开发人体姿势的关键点,如肩膀，肘部等提取特征，从步态方面入手，探究如何检测神经学等常见疾病，如巴金森症，亚健，半瘫和亨廷顿舞蹈病的不同异常，通过构建合成视频数据集进行实验验证，并且证明了其有效性。

    Aug, 2020

  • 野外步态识别基准测试

    本文提供了新的野外步态识别基准 GREW，该基准数据集采用自然视频捕捉，并包含数百个摄像机和成千上万小时的流。GREW 包含 26k 个身份和 128k 个序列，具有丰富的属性用于非受控步态识别。该基准可作为 state-of-the-art 步态识别算法的有效预训练，旨在促进野外步态识别技术的发展。

    May, 2022

  • Pose2Gait: 从独眼视频中提取痴呆个体的步态特征

    通过基于视频的环境监测老年痴呆患者步态分析，使用深度神经网络从视频中提取出与深度相机相关的三维时空步态特征，可以准确预测出步态的速度和步长信息，并可用于长期环境监测中检测步态方面的有意义变化。

    Aug, 2023

  • 基于Transformer注意力网络从单视角RGB视频中学习估计关键的步态参数

    在本研究中，通过引入一种新的时空转换网络，利用单视角摄像机拍摄的RGB视频，估计关键步态参数，从而在临床步态分析中提供一种更具可用性和经济效益的选择，该方法在公开数据集上的实证评估表明，其优于当前最先进的方法，并在预测一般步态参数时取得显著改进，还能减少参数数量和减轻对手动特征提取的需求。

    Dec, 2023

  • 跨协变量步态识别：基准测试

    本文描述了一个20个月的工作，收集了一个具有交叉共变量的步态识别数据集，提出了基于解析数据的步态识别方法ParsingGait，通过广泛的实验证明了交叉共变量对步态识别的挑战，并揭示了现有方法在此数据集上的精度低于43%的紧迫性。

    Dec, 2023

  • 基于可解释性人工智能的膝踝足矫形器患者步态分析的视频摄像机方法

    近年来，人工智能和计算机视觉的最新技术进展使得步态分析可以在手机等便携设备上进行。本文提出了一种针对摄像机运动具有鲁棒性并提供输出解释的步态分析系统，通过使用运动捕捉系统捕捉的七个特征来区分两种步态，并经验证可靠。

    Feb, 2024

  • 步态运动：一种用于病态步态预测的多任务数据集

    利用可穿戴传感器捕捉患者的实时运动，为步幅/步长分割和步幅/步长长度预测等多个任务提供了大量的真实标签，从而增强研究人员对与神经系统障碍相关的步态紊乱的整体理解，并为医疗产品、法医技术和生物力学研究等领域提供了有益的数据资源。

    May, 2024

  • GAD：一种具有在线自适应学习的实时步态异常检测系统

    通过降维和长短时记忆（LSTM）方法，该论文引入了GAD（实时步态异常检测系统），用于在三维加速度计读数中检测个人的异常步态，并通过在线学习自适应于细微模式变化，实现了较高的检测准确率。

    May, 2024

  • 基于耳戴式IMU的短序列步态周期分割方法GCCRR

    本文解决了使用耳戴式IMU进行短序列步态周期分割的关键问题，为有运动功能障碍的患者提供了一种实用的家庭监测和康复方法。我们提出了步态特征曲线回归与恢复(GCCRR)方法，通过两阶段的创新方法提升短步态序列的细粒度分割精度，实验结果显示，在HamlynGait数据集上的准确率超过80%。

    Sep, 2024

  • 病理步态分类中深度学习模型的可靠性基准研究

    本研究针对神经退化性疾病早期检测中的现存问题，分析了当前机器学习算法在步态检测中的应用缺陷。我们提出了一种名为异步多流图卷积网络（AMS-GCN）的新基线模型，能有效识别不同类型的病理步态，促进了理论成果在实际应用中的转化。

    Sep, 2024