Jul, 2024

步态模式作为生物标记：一种基于视频的脊柱侧弯分类方法

HTML
PDF
TL;DR通过利用步态分析，我们提出了一种基于视频的非侵入式脊柱侧弯分类方法，为青少年脊柱侧弯的早期筛查提供了新的解决方案。该研究展示了Scoliosis1K数据集，这是首个针对视频脊柱侧弯分类而设计的大规模数据集，涵盖了一千多名青少年。利用这个数据集，我们开发了ScoNet和ScoNet-MT两个模型，ScoNet-MT是一个增强模型，通过多任务学习在应用中展现了很好的诊断准确性。我们的研究结果证明了步态可以作为非侵入式的脊柱侧弯生物标志物，革新了筛查实践，并为非侵入式诊断方法奠定了先例。该数据集和代码可公开获取。
发现论文，激发创造
  • Seg4Reg+: 脊柱分割和 Cobb 角度回归之间的一致性学习

    本文提出了一种名为Seg4Reg+ 的多任务框架，通过优化分割和回归网络，探索了它们之间的局部和全局一致性以及知识迁移，并在公共数据集上进行了评估，证明了其在Cobb角估计方面的有效性和卓越表现。

    Aug, 2022

  • Walk4Me：远程医疗社区移动性评估，一种早期诊断和疾病进展的自动化系统

    该研究介绍了Walk4Me——一种基于人工智能检测步态特征的远程健康系统，可通过机器学习运用识别疾病相关的步态障碍及其变化，同时监测疾病的进展并为早期诊断和治疗提供信息。

    May, 2023

  • 采用腰部佩戴加速度计自动检测步态事件和行走距离，跨越典型的步行和跑步速度范围

    通过机器学习技术，商用智能手机的加速度计数据可以在不同行走速度下准确地测量子病和典型发育儿童的步数、行走距离、步长等步态临床特征，为社区基础的可穿着加速度计的行动性评估提供可能。

    Jul, 2023

  • 基于步态的生物标志物的自监督学习

    无标记动作捕捉在临床环境中改革步态分析，通过从未标注数据中学习有效表示，对无标记步态数据进行对比学习可以产生用于临床任务的有用表示。

    Jul, 2023

  • FastPoseGait：高效的基于姿态的步态识别工具箱和基准

    FastPoseGait是一个基于PyTorch的开源工具箱，支持一系列最先进的基于姿势的步态识别算法和相关基准测试。它集成了多种最新算法，旨在促进研究、加快步态识别领域的发展。

    Sep, 2023

  • SkeletonGait: 使用骨架图进行步态识别

    本文提出了一种名为骨骼图的新型骨骼步态表示方法，以及基于骨骼的SkeletonGait方法，利用人体骨骼图的结构信息。通过使用来自骨骼和轮廓的互补特征，SkeletonGait++在各种场景中超过了现有的最先进方法。

    Nov, 2023

  • 深度学习与多位专家观察者比较下的 Cobb 角度测量自动化

    我们创建了全自动软件，使用深度神经网络检测和分割脊柱区域、确定最严重倾斜的椎骨、并在原始图像上直观显示Cobb角度，相较于手动测量方法，平均误差仅为4.17度，具有优越的测量可靠性，可望应用于临床，提高侧弯性脊柱的准确评估和诊断水平，改善病患护理。

    Mar, 2024

  • 通过亲和聚类自动测量青少年特发性脊柱侧弯的超声曲线角度

    通过使用自动超声曲线角度测量模型，我们提出了一种能自动定位骨性标志物并进行角度测量的方法，成功实现了对超声背景下脊柱曲率的测量，为超声脊柱侧弯评估提供了一种具备潜在替代手动指标的可能性。

    May, 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

  • 临床步态分析的计算机视觉: 步态异常视频数据集

    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。

    Jul, 2024