用于肌肉骨骼与神经系统疾病预测的双流卷积网络

肌肉骨骼与神经系统疾病是老年人行走问题最常见的病因，且常导致生活质量下降。人工分析行走运动数据需要受过训练的专业人员，且评估未必总是客观。为促进早期诊断，近期基于深度学习的方法在自动化分析中展现出良好前景，能够发现传统机器学习方法中未发现的模式。我们观察到，现有工作大多将深度学习应用于单个关节特征，如关节位置的时间序列。由于从通常较小规模的医学数据集中发现关节间特征（如双脚间距，即步宽）存在挑战，这些方法通常表现次优。为此，我们提出一种显式地将单个关节特征与关节间特征同时作为输入的方案，从而免除系统从小数据中发掘更复杂特征的需求。鉴于两类特征的显著差异，我们引入双流框架，其中一流从关节位置时间序列中学习，另一流从相对关节位移时间序列中学习。我们进一步开发了一种中层融合模块，以结合两流中发现的模式用于诊断，从而形成数据的互补表示，获得更好的预测性能。我们使用包含45名肌肉骨骼与神经系统疾病患者的3D骨架运动基准数据集验证系统，取得了95.56%的预测准确率，优于当前最优方法。