CN111104902B - 一种基于图卷积网络的偏瘫步态分类方法 - Google Patents

一种基于图卷积网络的偏瘫步态分类方法 Download PDF

Info

Publication number
CN111104902B
CN111104902B CN201911315237.8A CN201911315237A CN111104902B CN 111104902 B CN111104902 B CN 111104902B CN 201911315237 A CN201911315237 A CN 201911315237A CN 111104902 B CN111104902 B CN 111104902B
Authority
CN
China
Prior art keywords
gait
network
graph
data
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911315237.8A
Other languages
English (en)
Other versions
CN111104902A (zh
Inventor
郑伟诗
陈禹亘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911315237.8A priority Critical patent/CN111104902B/zh
Publication of CN111104902A publication Critical patent/CN111104902A/zh
Application granted granted Critical
Publication of CN111104902B publication Critical patent/CN111104902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图卷积网络的偏瘫步态分类方法，包括下述步骤：S1、获取待分析的步态数据，对该步态数据进行预处理；S2、基于图卷积网络构建检测网络模型，并训练该网络模型；S3、将步态数据按关节点结构输入训练好的模型中，得到最后一层的卷积结果；S4、获取最后一层的卷积结果，按特征权重比进行缩放；S5、根据得到的特征缩放结果，在全连接层中进行计算，分别得到该目标是健康人和是偏瘫患者的分。本发明利用图卷积神经网络自动提取关节点数据特征，增强了抗噪性能，使得分类速度和分类精度有大幅度提高。

Description

一种基于图卷积网络的偏瘫步态分类方法
技术领域
本发明属于步态分析的技术领域，具体涉及一种基于图卷积网络的偏瘫步态分类方法。
背景技术
步态分析(Gait Analysis)是指对人体步行运动的系统研究，是计算机视觉和模式识别领域中一个热门研究方向。它主要通过特定仪器测量人体的躯体移动，进行人体力学分析和肌肉活动分析。步态分析常常被用于评估和检测一些影响人类行走的因素，也频繁用于医学研究中判断病人的相关疾病的康复状况。
早期偏瘫步态分析的分类方法依赖于医生的人工判断，通过判断下肢关键特征的取值范围来确定患者是否偏瘫。如关节的弯曲角度，动量、对地反作用力等。这种方法涉及因素复杂，依赖人工判断，费时费力。
现有技术中主要是以机器学习和深度学习为主的统计学习方法，近年机器学习和深度学习的发展迅速，其强大的特征提取能力使得步态分析有了进一步的突破。一些基于机器学习和深度学习的方法被提出，主要有三类方法：
以LR，SVM为代表的传统机器学习方法：该类方法能较为有效提取关节点特征，对偏瘫关键特征进行定位，其特点是实现简易，精度较低；
以DeepGait为代表的基于深度学习预训练模型方法：这类方法通过卷积网络提取深度步态特征，再基于深度特征进行偏瘫分类。特点是实现复杂，精度较高；
以PLSTM为代表的基于LSTM和GEI的方法：这类方法首先将关节点特征输入LSTM，再基于步态轮廓图GEI进行对比进行分类。特点是使用时序特征，精度较高。
但是，LR，SVM传统机器学习类方法搭建的模型较为简单，容易受外界条件干扰，提取步态特征的能力有限，分类精度较低；深度学习预训练模型方法基于二维图像信息进行判断，受数据拍摄视角的影响较大，且未能利用三维关节点间的联系，因此难以提取步态特征的空间信息；基于LSTM和GEI的方法侧重于挖掘数据的时序信息，对关节点之间的空间信息没有进一步的提取分析，因此分类精度受限。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于图卷积网络的偏瘫步态分类方法，解决了关节点结构的数据不能直接进行卷积的问题，有效利用了关节点间的空间信息，高效提取了步态特征，实现高精度分类的效果。
为了达到上述目的，本发明采用以下技术方案：
一种基于图卷积网络的偏瘫步态分类方法，包括下述步骤：
S1、获取待分析的步态数据，对该步态数据进行预处理；
S2、基于图卷积网络构建检测网络模型，并训练该网络模型；
所述建立图卷积网络包括：
特征邻接矩阵，将输入图像中有联系的特征点连接起来；
建立步态图，直接跟步态数据进行矩阵相乘；
建立好步态图以后，对每一个节点初始化权重W，对于每一个输入的矩阵H，将矩阵H、图卷积网络G、初始化权重W进行相乘，即可得到每一个节点的特征，在这个过程中，图卷积利用了关节点间的连接信息，能够更好地提取特征，最后得到特征图；
训练网络模型的步骤如下：
将步态数据输入神经网络，获取分类结果后计算结果与真实值的差距，使用随机梯度下降和反向传播的方法调整网络参数，逐步缩小检测值与真实值的差距；
S3、将步态数据按关节点结构输入训练好的模型中，得到最后一层的卷积结果；
S4、获取最后一层的卷积结果，按特征权重比进行缩放；
S5、根据得到的特征缩放结果，在全连接层中进行计算，分别得到该目标是健康人和是偏瘫患者的得分。
作为优选的技术方案，步骤S1中，对该步态数据进行预处理是将数据缺失值补全，采用下述公式：
Dataempty＝1/m∑Datai
其中，m是每一个人的步态周期数量，Datai是第i个步态周期数据。
作为优选的技术方案，步骤S2中，在特征邻接矩阵中，矩阵的每一行代表一类特征，每一列代表一个特定的帧。
作为优选的技术方案，步骤S2中，建立步态图的步骤中，D表示degree matrix度矩阵，每一个点D(i，i)代表有多少个点和该点有连接，为了消除近处节点的影响过大，远处节点过小的问题，步态图的建立需要先将邻接矩阵进行归一化操作，即：
Figure BDA0002325661130000031
其中，
Figure BDA0002325661130000041
为A添加自环后的结果，使得节点本身和邻接节点对自身的影响保持一致。
作为优选的技术方案，步骤S2中，在图卷积的操作过程中，计算公式为：
Figure BDA0002325661130000042
其中，σ(·)为激活函数，这里指Relu；H为输入矩阵，W为权重因子，
Figure BDA0002325661130000043
为按关节点和步态数据建的图，A为G的邻接矩阵，L为该图卷积网络的层数，输入H，即可得到对应的特征值。
作为优选的技术方案，步骤S2中，使用损失函数训练神经网络，定义如下：
Figure BDA0002325661130000044
其中，x表示样本，y表示预测的输出，a表示实际的输出，n表示样本总数量。
作为优选的技术方案，步骤S3具体为：
将输入特征进行初步归一化，即将其使用减去总体均值，再放进训练好的模型中。输入的特征图H将进入G2步态图中，和G1中的W、
Figure BDA0002325661130000045
相乘，得到第一层的特征图H1，再对特征图放进Relu激活函数中，即将特征图中的负值置0，使得整个网络结构变成非线性结构，增加了模型的拟合能力。H1出来以后再放进另一个步态模块G2中，同理经过W、
Figure BDA0002325661130000046
ReLu后，得到最后的特征图H2，该特征即为最后一层的卷积结果。
作为优选的技术方案，步骤S4中，包括下述步骤：
S41、使用SVM对每一项步态特征进行粗分类，得到每一项特征的准确率，SVM公式为：
s.t.yi(wTxi+b)≥l，i＝1，2，...，m.
其中，w为权重因子，b为偏置项，用于计算；yi为分类结果，二分类中只取0,1；xi为输入的步态数据，i代表第i项数据；
S42、在全连接层中，对所有节点进行重新排列，并通过全连接网络输出最终分类结果。
本发明与现有技术相比，具有如下优点和有益效果：
1、相较于基于传统机器学习的分类算法，本发明利用图卷积神经网络自动提取关节点数据特征，增强了抗噪性能，使得分类速度大幅度提高，分类精度也有一定程度的提升。
2、相较于深度学习的分类算法，本发明针对关节点数据难以使用传统卷积网络的特性，采用了图卷积神经网络进行训练和预测，更有效地提取了关节点的空间特征，使得分类的性能进一步加强。
附图说明
图1是本发明基于图卷积网络的偏瘫步态分类方法的流程图；
图2是本发明检测网络模型的示意图；
图3是本发明图卷积网络结构的示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例基于图卷积网络的偏瘫步态分类方法，包括下述步骤：
S1、获取待分析的步态数据，对该步态数据进行预处理；
对该步态数据进行预处理主要是将数据缺失值补全，采用下述公式：
Dataempty＝1/m∑Datai
其中，m是每一个人的步态周期数量，Datai是第i个步态周期数据。
数据缺失补全的策略是从同一个人其他完整的步态数据中取平均值，补全该部分为空的数据，再将每一个步态周期的帧数整合到100，采用的缩放方法是双线性内插法。
S2、建立图卷积网络模型，并训练该图卷积网络模型，
图2为建立的检测网络，其中输入(Input)是维度为112*100的矩阵，每一行代表一类特征，每一列代表一个特定的帧。Graph Conv Block指图卷积网络结构，步态数据通过该网络结构提取中间层特征。Relu为激活函数层，SVM为支持向量机，输入步态数据进行粗分类，按准确率排序Feature weight，设定每个特征权重以等比数列升序排序，如1,0.9,0.81,……；将最后每个节点的特征和特征权重相乘，即可放入全连接层。FC layer为全连接层，对所有节点进行重新排列，并通过全连接网络输出最终分类结果。
如图3所示，图卷积网络主要的网络结构主要包括：
Adjacency matrix为特征的邻接矩阵，具体来说是指图中的哪一些特征是有边连接起来的。比如第i个特征为膝关节弯曲角度，第i+1个特征为踝关节弯曲角度，在人体骨架中这两个关节直接相连，则将A(i,i+1)置为1，代表这两个特征之间有联系。同理也可以将其推广到广义的特征连接，比如脚的对地反作用力，和趾关节和踝关节直接相关，则将这两个特征也在A中置为1。A在反向传播过程中，特征点将会受到其邻接的特征点的影响，从而改变该特征点的特征值和权重。
Gait Graph为建立的步态图，建立好之后即可直接跟数据进行矩阵相乘操作。D表示degree matrix(度矩阵)，每一个点D(i，i)代表有多少个点和该点有连接。为了消除近处节点的影响过大，远处节点过小的问题，步态图的建立需要先将邻接矩阵进行归一化操作，即
Figure BDA0002325661130000071
其中，
Figure BDA0002325661130000072
为A添加自环后的结果，目的是使得节点本身和邻接节点对自身的影响保持一致。
图卷积操作：建立好步态图以后，对每一个节点初始化权重W，对于每一个输入的矩阵H，将H、G、W进行相乘，即可得到每一个节点的特征。在这个过程中，图卷积利用了关节点间的连接信息，能够更好地提取特征。最后得到特征图。总体的计算公式为：
Figure BDA0002325661130000073
其中，σ(·)为激活函数，这里指Relu；H为输入矩阵，W为权重因子，
Figure BDA0002325661130000074
为按关节点和步态数据建的图，A为G的邻接矩阵。L为该图卷积网络的层数。输入H，即可得到对应的特征值。
训练神经网络：训练的整体过程是将步态数据输入网络，获取分类结果后计算结果与真实值的差距，使用随机梯度下降和反向传播的方法调整网络参数，逐步缩小检测值与真实值的差距。损失函数定义为交叉熵函数(Cross-entropy cost function)。使用该损失函数训练本神经网络，定义如下：
Figure BDA0002325661130000081
其中，x表示样本，y表示预测的输出，a表示实际的输出，n表示样本总数量。
S3、将步态数据按关节点结构输入训练好的模型中，得到最后一层的卷积结果，具体为：
将输入特征进行初步归一化，即将其使用减去总体均值，再放进训练好的模型中。输入的特征图H将进入G2步态图中，和G1中的W、
Figure BDA0002325661130000082
相乘，
得到第一层的特征图H1，再对特征图放进Relu激活函数中，即将特征图中的负值置0，使得整个网络结构变成非线性结构，增加了模型的拟合能力。H1出来以后再放进另一个步态模块G2中，同理经过W、
Figure BDA0002325661130000083
ReLu后，得到最后的特征图H2，该特征即为最后一层的卷积结果。
S4、获取最后一层的卷积结果，按特征权重比进行缩放；
其中特征权重即为每个特征放入SVM中得到的分类准确率。这个分类准确率可以反映每个特征在偏瘫问题中的区分程度。按准确率排序Feature weight，设定每个特征权重以等比数列升序排序，如1,a,a2,……,an；其中a为缩放因子，n为特征数量。
a.SVM为支持向量机，是机器学习常用的分类算法之一。其公式为：
Figure BDA0002325661130000084
其中，w为权重因子，b为偏置项，用于计算；yi为分类结果，二分类中只取0,1；xi为输入的步态数据，i代表第i项数据。使用SVM对每一项步态特征进行粗分类，即可得到每一项特征的准确率。该参数可初步用于判断步态特征对于偏瘫问题的区分性。
b.FC layer为全连接层，对所有节点进行重新排列，并通过全连接网络输出最终分类结果。
S5、根据上一步得到的特征缩放结果，将其放入全连接层中进行计算，最后分别得到该目标是健康人和是偏瘫患者的分数。如果健康人的分数较高，则判断该目标为健康人，反之则为偏瘫患者。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于图卷积网络的偏瘫步态分类方法，其特征在于，包括下述步骤：
S1、获取待分析的步态数据，对该步态数据进行预处理；
S2、基于图卷积网络构建检测网络模型，并训练该网络模型；
建立图卷积网络包括：
特征邻接矩阵，将输入图像中有联系的特征点连接起来；
建立步态图，直接跟步态数据进行矩阵相乘；
建立好步态图以后，对每一个节点初始化权重W，对于每一个输入的矩阵H，将矩阵H、图卷积网络G、初始化权重W进行相乘，即可得到每一个节点的特征，在这个过程中，图卷积利用了关节点间的连接信息，能够更好地提取特征，最后得到特征图；
训练网络模型的步骤如下：
将步态数据输入神经网络，获取分类结果后计算结果与真实值的差距，使用随机梯度下降和反向传播的方法调整网络参数，逐步缩小检测值与真实值的差距；
S3、将步态数据按关节点结构输入训练好的模型中，得到最后一层的卷积结果；
S4、获取最后一层的卷积结果，按特征权重比进行缩放；
S5、根据得到的特征缩放结果，在全连接层中进行计算，分别得到目标是健康人和是偏瘫患者的得分。
2.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S1中，对该步态数据进行预处理是将数据缺失值补全，采用下述公式：
Dataempty＝1/m∑Datai
其中，m是每一个人的步态周期数量，Datai是第i个步态周期数据。
3.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S2中，在特征邻接矩阵中，矩阵的每一行代表一类特征，每一列代表一个特定的帧。
4.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S2中，建立步态图的步骤中，D表示degree matrix度矩阵，每一个点D(i，i)代表有多少个点和该点有连接，为了消除近处节点的影响过大，远处节点过小的问题，步态图的建立需要先将邻接矩阵进行归一化操作，即：
Figure FDA0002325661120000021
其中，
Figure FDA0002325661120000022
为A添加自环后的结果，使得节点本身和邻接节点对自身的影响保持一致。
5.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S2中，在图卷积的操作过程中，计算公式为：
Figure FDA0002325661120000023
其中，σ(·)为激活函数，这里指Relu；H为输入矩阵，W为权重因子，
Figure FDA0002325661120000024
为按关节点和步态数据建的图，A为G的邻接矩阵，L为该图卷积网络的层数，输入H，即可得到对应的特征值。
6.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S2中，使用损失函数训练神经网络，定义如下：
Figure FDA0002325661120000025
其中，x表示样本，y表示预测的输出，a表示实际的输出，n表示样本总数量。
7.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S3具体为：
将输入特征进行初步归一化，即将其使用减去总体均值，再放进训练好的模型中，输入的特征图H将进入G2步态图中，和G1中的W、
Figure FDA0002325661120000026
相乘，得到第一层的特征图H1，再对特征图放进Relu激活函数中，即将特征图中的负值置0，使得整个网络结构变成非线性结构，增加了模型的拟合能力，H1出来以后再放进另一个步态模块G2中，同理经过W、
Figure FDA0002325661120000031
ReLu后，得到最后的特征图H2，该特征即为最后一层的卷积结果。
8.根据权利要求1所述基于图卷积网络的偏瘫步态分类方法，其特征在于，步骤S4中，包括下述步骤：
S41、使用SVM对每一项步态特征进行粗分类，得到每一项特征的准确率，SVM公式为：
s.t.yi(wTxi+b)≥1，i＝1，2，...，m.
其中，w为权重因子，b为偏置项，用于计算；yi为分类结果，二分类中只取0,1；xi为输入的步态数据，i代表第i项数据；
S42、在全连接层中，对所有节点进行重新排列，并通过全连接网络输出最终分类结果。
CN201911315237.8A 2019-12-19 2019-12-19 一种基于图卷积网络的偏瘫步态分类方法 Active CN111104902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911315237.8A CN111104902B (zh) 2019-12-19 2019-12-19 一种基于图卷积网络的偏瘫步态分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911315237.8A CN111104902B (zh) 2019-12-19 2019-12-19 一种基于图卷积网络的偏瘫步态分类方法

Publications (2)

Publication Number Publication Date
CN111104902A CN111104902A (zh) 2020-05-05
CN111104902B true CN111104902B (zh) 2023-03-10

Family

ID=70421984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911315237.8A Active CN111104902B (zh) 2019-12-19 2019-12-19 一种基于图卷积网络的偏瘫步态分类方法

Country Status (1)

Country Link
CN (1) CN111104902B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598021A (zh) * 2020-11-27 2021-04-02 西北工业大学 一种基于自动机器学习的图结构搜索方法
CN113159007B (zh) * 2021-06-24 2021-10-29 之江实验室 一种基于自适应图卷积的步态情感识别方法
CN113569480B (zh) * 2021-07-27 2024-02-27 同济大学 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222611A (zh) * 2019-05-27 2019-09-10 中国科学院自动化研究所 基于图卷积网络的人体骨架行为识别方法、系统、装置
CN110427877A (zh) * 2019-08-01 2019-11-08 大连海事大学 一种基于结构信息的人体三维姿态估算的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222611A (zh) * 2019-05-27 2019-09-10 中国科学院自动化研究所 基于图卷积网络的人体骨架行为识别方法、系统、装置
CN110427877A (zh) * 2019-08-01 2019-11-08 大连海事大学 一种基于结构信息的人体三维姿态估算的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Unsupervised Learning for Forecasting Action Representations;Wei-Shi Zheng et al.;《2018 25th IEEE International Conference on Image Processing (ICIP)》;20180906;第1-2页 *

Also Published As

Publication number Publication date
CN111104902A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN111259930B (zh) 自适应注意力指导机制的一般性目标检测方法
CN112052886B (zh) 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN111104902B (zh) 一种基于图卷积网络的偏瘫步态分类方法
CN105117611B (zh) 基于卷积神经元网络的中医舌诊模型的确定方法及系统
WO2022166800A1 (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
CN110276745B (zh) 一种基于生成对抗网络的病理图像检测算法
CN109919245A (zh) 深度学习模型训练方法及装置、训练设备及存储介质
CN109817276A (zh) 一种基于深度神经网络的蛋白质二级结构预测方法
CN106295555A (zh) 一种活体指纹图像的检测方法
CN108921019A (zh) 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN108875586B (zh) 一种基于深度图像与骨骼数据多特征融合的功能性肢体康复训练检测方法
CN111144165B (zh) 一种步态信息识别方法、系统及存储介质
CN111401151B (zh) 一种精确的三维手部姿态估计方法
CN111176447A (zh) 一种融合深度网络和几何模型的增强现实眼动交互方法
CN108681689A (zh) 基于生成对抗网络的帧率增强步态识别方法及装置
KR102363879B1 (ko) 환자의 상지 동작에 의해 도출되는 특징값을 이용한 임상평가척도 예측 방법
CN111507184B (zh) 基于并联空洞卷积和身体结构约束的人体姿态检测方法
CN114943721A (zh) 一种建立基于改进U-Net网络的颈部超声图像分割方法
CN107242876A (zh) 一种用于精神状态辅助诊断的计算机视觉方法
KR102280291B1 (ko) 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법
CN115346272A (zh) 基于深度图像序列的实时摔倒检测方法
CN109064511B (zh) 一种人体重心高度测量方法、装置及相关设备
CN113947119A (zh) 一种利用足底压力信号检测人体步态的方法
CN111144167A (zh) 一种步态信息识别优化方法、系统及存储介质
CN109191425B (zh) 基于多层神经网络模型医学影像分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant