基于频率注意力图卷积网络的脑瘫预测
计算机视觉与模式识别
2023-03-29 v2 机器学习
摘要
早期诊断和干预在临床被视为脑瘫（CP）治疗的重中之重，因此设计一个高效且可解释的CP自动预测系统至关重要。我们强调了CP婴儿人体运动频率与健康组之间的显著差异，这提升了预测性能。然而，现有基于深度学习的方法未利用婴儿运动的频率信息进行CP预测。本文提出一种频率注意力图卷积网络，并在两个消费级RGB视频数据集（即MINI-RGBD与RVI-38数据集）上进行验证。我们提出的频率注意力模块有助于提升分类性能与系统可解释性。此外，我们设计了一种频率分箱方法，在滤除噪声的同时保留人体关节位置数据的关键频率。我们的预测性能在两个数据集上均达到最先进（SOTA）水平。我们的工作证明了频率信息在 noninvasively 支持CP预测中的有效性，并为在临床资源不充足的资源有限地区支持CP早期诊断提供了途径。
引用
@article{arxiv.2204.10997,
title = {Cerebral Palsy Prediction with Frequency Attention Informed Graph Convolutional Networks},
author = {Haozheng Zhang and Hubert P. H. Shum and Edmond S. L. Ho},
journal= {arXiv preprint arXiv:2204.10997},
year = {2023}
}