深度学习赋能的传感器融合提升婴儿运动分类
机器学习
2025-02-21 v6 人工智能
摘要
为了评估发育神经系统的完整性，Prechtl一般运动评估（GMA）因其在早期婴幼症神经功能障碍诊断中的临床价值而受到认可。GMA正通过机器学习方法不断增强，其目的是扩大应用范围，规避人类评估员培训成本，并进一步标准化对自发运动模式的分类。然而，现有的深度学习工具均基于单一传感器模态，仍显著低于经过专业培训的临床评估员水平。此外，这些方法彼此难以比较，因为所有模型均在专有/孤立数据集上设计、训练和评估。本研究提出一种用于评估嗜动运动（FMs）的传感器融合方法。从51名正常发育受试者处记录的FMs被比较了三种不同的传感器模态（压力、惯性和视觉传感器）。测试了各种传感器组合方式以及两种传感器融合方法（晚期融合和早期融合），以评估多传感器系统是否优于单一模态评估。采用卷积神经网络（CNN）架构对运动模式进行分类。实验结果表明，三模态融合（分类准确率为94.5%）的性能显著高于任何单一模态评估。我们证明了传感器融合方法是自动化分类婴幼儿运动模式的有前景的途径。健全的传感器融合系统的开发可能显著提升基于AI的神经功能早期识别能力，从而促进神经发育障碍的自动化早期检测。
引用
@article{arxiv.2406.09014,
title = {Deep learning empowered sensor fusion boosts infant movement classification},
author = {Tomas Kulvicius and Dajie Zhang and Luise Poustka and Sven Bölte and Lennart Jahn and Sarah Flügge and Marc Kraft and Markus Zweckstetter and Karin Nielsen-Saines and Florentin Wörgötter and Peter B Marschik},
journal= {arXiv preprint arXiv:2406.09014},
year = {2025}
}