基于深度学习的自动化人体测量估计：用于参与运动的心血管筛查
计算机视觉与模式识别
2025-12-09 v1 机器学习
摘要
参与运动的心血管检查（PPCE）旨在通过识别具有结构或电气心脏异常的运动员，从而防止突发性心脏病死亡。人体测量（如腰围、肢体长度和躯干比例）可用于检测马夫氏综合征，从而指示 elevated 的心血管风险。传统的手动方法工作量大、受操作员影响且难以扩展。我们提出一种完全自动化的深度学习方法，从2D合成人体图像中估计五个关键人体测量值。该研究基于100,000张由3D人体网格派生的图像数据集训练和评估了VGG19、ResNet50和DenseNet121，并采用全连接层进行回归。所有模型均实现亚厘米精度，其中ResNet50表现最佳，整体平均绝对误差（MAE）为0.668厘米。我们的结果表明，深度学习可在规模化方面提供准确的人体测量数据，为运动员筛查方案提供实用工具。未来工作将在真实图像上验证模型，以扩大适用性。
引用
@article{arxiv.2512.06434,
title = {Automated Deep Learning Estimation of Anthropometric Measurements for Preparticipation Cardiovascular Screening},
author = {Lucas R. Mareque and Ricardo L. Armentano and Leandro J. Cymberknop},
journal= {arXiv preprint arXiv:2512.06434},
year = {2025}
}
备注
8 pages, 2 figures, 3 tables