曹旭刚2,
陈健生3, 6,,,
胡春华4,
马羽5
1.中国科学院苏州生物医学工程技术研究所 苏州 215163
2.长春理工大学电子信息工程学院 长春 130022
3.清华大学电子工程系 北京 100084
4.清华大学航天航空学院 北京 100084
5.清华大学玉泉医院 北京 100040
6.北京信息科学与技术国家研究中心 北京 100084
基金项目:国家自然科学基金(61673234)
详细信息
作者简介:陈晓禾：男，1976年生，研究员，研究方向为信号处理、人工智能
曹旭刚：男，1995年生，硕士生，研究方向为深度学习与图像处理
陈健生：男，1977年生，副教授，研究方向为计算机视觉与机器学习
胡春华：男，1976年生，副研究员，研究方向为有源植入医疗器械
马羽：女，1977年生，主任医师，教授，研究方向为功能神经外科
通讯作者:陈健生 jschenthu@mail.tsinghua.edu.cn
中图分类号:TN911.73; TP181计量
文章访问数:207
HTML全文浏览量:103
PDF下载量:53
被引次数:0
出版历程
收稿日期:2020-04-12
修回日期:2021-03-24
网络出版日期:2021-04-29
刊出日期:2021-12-21
Shuffling Step Recognition Using 3D Convolution for Parkinsonian Patients
Xiaohe CHEN1, 2,Xugang CAO2,
Jiansheng CHEN3, 6,,,
Chunhua HU4,
Yu MA5
1. Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou 215163, China
2. Department of Electronic and Information Engineering, Changchun University of Science and Technology, Changchun 130022, China
3. Department of Electronic Eigneering, Tsinghua University, Beijing 100084, China
4. School of Aerospace Engineering, Tsinghua University, Beijing 100084, China
5. Yuquan Hospital, Tsinghua University, Beijing 100040, China
6. Beijing National Research Center for Information Science and Technology, Beijing 100084, China
Funds:The National Natural Science Foundation of China (61673234)
摘要
摘要:冻结步态(FoG)是一种在帕金森病(PD)中常见的异常步态，而拖步则是冻结步态的一种表现形式，也是医生用来判断患者的治疗状况的重要因素，并且拖步状态也对PD患者的日常生活有很大影响。该文提出一种通过计算机视觉来实现患者拖步状态自动识别的方法，该方法通过以3维卷积为基础的网络结构，可以从PD患者的TUG测试视频中自动识别出患者是否具有拖步症状。其思路是首先利用特征提取模块从经过预处理的视频序列中提取出时空特征，然后将得到的特征在不同空间和时间尺度上进行融合，之后将这些特征送入分类网络中得到相应的识别结果。在该工作中共收集364个正常步态样本和362个具有拖步状态的样本来构成实验数据集，在该数据集上的实验表明，该方法的平均准确率能够达到91.3%。并且其能从临床常用的TUG测试视频中自动准确地识别出患者的拖步状态，这也为远程监测帕金森病患者的治疗状态提供了助力。
关键词:视频序列分析/
3维卷积/
异常步态识别/
拖步识别
Abstract:Freezing of Gait (FoG) is a common symptom among patients with Parkinson’s Disease (PD). In this paper, a vision-based method is proposed to recognize automatically the shuffling step symptom from the Timed Up-and-Go (TUG) videos based. In this method, a feature extraction block is utilized to extract features from image sequences, then features are fused along a temporal dimension, and these features are fed into a classification layer. In this experiment, the dataset with 364 normal gait examples and 362 shuffling step examples is used. And the experiment on the collected dataset shows that the average accuracy of the best method is 91.3%. Using this method, the symptom of the shuffling step can be recognized automatically and efficiently from TUG videos, showing the possibility to remotely monitor the movement condition of PD patients.
Key words:Video sequence analysis/
3D convolution/
Abnormal gait recognition/
Shuffling step recognition
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=db4ea0ae-166f-45d2-89cb-db3d98f3cafc
