DynSTG-Mamba：用于步态障碍识别的动态时空图 Mamba 网络及跨图知识蒸馏
摘要
步态障碍识别在早期诊断和监测运动障碍方面发挥着关键作用。现有方法，包括时空图卷积网络 (ST-GCN)，常面临高内存需求，难以捕获复杂的时空依赖关系，限制了其在临床应用中的效率。为解决这些挑战，我们引入 DynSTG-Mamba (Dynamic Spatio-Temporal Graph Mamba)，一种新型框架，将 DF-STGNN 和 STG-Mamba 结合以增强运动序列建模。DF-STGNN 包含一种动态时空滤波器，能够自适应地调整肢体关节之间的空间连接以及不同运动阶段的时序相互作用。这种方法通过考虑肢体步态数据的层次性和动态特性，确保通过动态图结构实现更好的特征传播。同时，STG-Mamba 是一种针对肢体运动数据扩展的 Mamba 网络，确保状态的连续传递，促进对长期依赖关系的捕获，同时降低计算复杂度。为减少模型参数和计算成本同时保持一致性，我们提出了跨图关系知识蒸馏，这是一种新颖的知识迁移机制，通过共享内存将教师模型（大型架构）和学生模型（小型架构）之间的关系信息进行对齐。这确保了关节的相互作用和运动模式在运动序列中得到准确保留。我们在 KOA-NM、PD-WALK 和 ATAXIA 数据集上验证了 DynSTG-Mamba，在 Accuracy、F1-score 和 Recall 等指标上均优于最先进的方法。我们的结果突显了该方法的高效性和鲁棒性，为自动化步态分析和运动障碍评估提供了一个轻量且高度准确的解决方案。
引用
@article{arxiv.2503.13156,
title = {DynSTG-Mamba: Dynamic Spatio-Temporal Graph Mamba with Cross-Graph Knowledge Distillation for Gait Disorders Recognition},
author = {Zakariae Zrimek and Youssef Mourchid and Mohammed El Hassouni},
journal= {arXiv preprint arXiv:2503.13156},
year = {2025}
}
备注
After receiving detailed feedback from journalreviewers, we identified limitations in the initial approach and substantially improved the methodology and contributions of the work. To ensure clarity and avoid confusion between the initial and revised versions, we are withdrawing this submission. A new version reflecting these improvements will be submitted and made available on arXiv shortly