基于新生儿复苏视频的活动识别
图像与视频处理
2023-03-15 v1 计算机视觉与模式识别
摘要
目的：出生窒息是新生儿死亡的主要原因之一。生存的关键在于立即并持续进行高质量的新生儿复苏。在坦桑尼亚Haydom收集了一组新生儿复苏过程中的记录信号（包括视频）数据集，旨在分析治疗及其对新生儿结局的影响。一个重要步骤是生成相关复苏活动的时间线，包括通气、刺激、吸痰等，于复苏时段中。方法：我们提出一种两步深度神经网络系统ORAA-net，利用低质量复苏时段视频记录进行新生儿复苏期间的活动识别。第一步是使用卷积神经网络（CNN）与后处理检测和跟踪相关对象，第二步是分析第一步提出的活动区域，使用3D CNN进行活动识别。结果：该系统识别新生儿未覆盖、刺激、通气和吸痰活动的平均精确率为77.67%，平均召回率为77.64%，平均准确率为92.40%。此外，对复苏时段中在场医护人员（HCP）数量的估计准确率为68.32%。结论：结果表明，所提出的基于CNN的两步ORAA-net可用于噪声低质量新生儿复苏视频中的对象检测与活动识别。意义：深入分析不同复苏活动对新生儿结局的影响，有可能使我们优化新生儿复苏中的治疗指南、培训、复盘和本地质量改进。
引用
@article{arxiv.2303.07789,
title = {Activity Recognition From Newborn Resuscitation Videos},
author = {Øyvind Meinich-Bache and Simon Lennart Austnes and Kjersti Engan and Ivar Austvoll and Trygve Eftestøl and Helge Myklebust and Simeon Kusulla and Hussein Kidanto and Hege Ersdal},
journal= {arXiv preprint arXiv:2303.07789},
year = {2023}
}
备注
10 pages