利用深度学习与光流估计临床工作量与患者活动
计算机视觉与模式识别
2022-02-11 v1 人机交互
机器学习
摘要
利用热成像进行非接触式监测已越来越多地被提议用于监测医院患者的病情恶化，最近一次是在COVID-19大流行期间用于检测发热和感染。本文提出一种新方法，采用类似的技术设置，但结合开源目标检测算法（YOLOv4）和光流，来估计患者运动并观察临床工作量。患者运动估计用于近似评估患者的躁动与镇静状态，而医护人员运动则用作护理人员工作量的替代指标。通过将重症监护室记录的患者视频中超过32000帧图像与临床工作人员记录的临床躁动评分进行比较，展示了该方法的性能。
引用
@article{arxiv.2202.04748,
title = {Estimation of Clinical Workload and Patient Activity using Deep Learning and Optical Flow},
author = {Thanh Nguyen-Duc and Peter Y Chan and Andrew Tay and David Chen and John Tan Nguyen and Jessica Lyall and Maria De Freitas},
journal= {arXiv preprint arXiv:2202.04748},
year = {2022}
}