基于骨架的运动编码器模型在临床应用中的基准测试：估计帕金森病行走序列的病情严重程度
计算机视觉与模式识别
2024-05-31 v2
摘要
本研究探讨了将在大规模人类运动数据集上训练的通用人类运动编码器用于分析帕金森病（PD）患者的步态模式的应用效果。尽管这些模型已学习了丰富的人类生物力学知识，但其在分析病态运动（如帕金森性步态）方面的有效性尚未得到充分验证。我们提出了比较范式，对六个预训练的 state-of-the-art 人类运动编码器模型进行评估，其预测从运动捕捉数据中估计 Movement Disorder Society - Unified Parkinson's Disease Rating Scale（MDS-UPDRS-III）步态分数的能力。我们将其与基于传统步态特征的预测模型进行比较，测试于最近公开的大型 PD 数据集中，包括服药前后 PD 患者。特征基准模型显示出更高的加权平均准确率、精确率、召回率和 F1 分数。与接近结果的运动编码器模型在临床环境的可扩展性和效率方面表现出前景。这一潜力体现在对该编码器模型在 PD 训练集上微调后性能提升的观察中。四个六个人类运动模型中，四个模型在服药前后状态之间的预测得分显著不同。这一发现揭示了运动编码器模型对细微临床变化的敏感性，也凸显了继续针对这些模型进行定制化以更好地捕捉疾病特异性特征的必要性，从而减少对耗时的特征工程依赖。最后，我们在临床环境中建立了骨架-based 运动编码器模型的基准。据我们所知，这是首个为使 state-of-the-art 模型在临床语境中进行测试和竞争提供基准的研究。代码和基准决赛榜已公开 code。
引用
@article{arxiv.2405.17817,
title = {Benchmarking Skeleton-based Motion Encoder Models for Clinical Applications: Estimating Parkinson's Disease Severity in Walking Sequences},
author = {Vida Adeli and Soroush Mehraban and Irene Ballester and Yasamin Zarghami and Andrea Sabo and Andrea Iaboni and Babak Taati},
journal= {arXiv preprint arXiv:2405.17817},
year = {2024}
}