基于骨架数据的图卷积长短期记忆注意力网络用于卒中后代偿运动检测
计算机视觉与模式识别
2025-12-09 v1
摘要
大多数卒中患者经历上肢运动功能障碍。代偿运动在康复训练中普遍存在，不利于患者的长期恢复。因此，检测代偿运动具有重要意义。本研究提出了一种基于骨架数据的图卷积长短期记忆注意力网络（GCN-LSTM-ATT），用于卒中后代偿运动的检测。研究选取了16名卒中患者。使用Kinect深度相机采集患者执行特定康复运动时的骨架数据。数据处理后，分别使用GCN-LSTM-ATT模型、支持向量机（SVM）、K近邻算法（KNN）和随机森林（RF）构建检测模型。结果表明，GCN-LSTM-ATT模型的检测准确率达到0.8580，显著高于传统机器学习算法。消融实验表明，模型的每个组件对性能提升均有显著贡献。这些发现为卒中后代偿运动的检测提供了更精确、更强大的工具，有望促进卒中患者康复训练策略的优化。
关键词
引用
@article{arxiv.2512.06736,
title = {Graph Convolutional Long Short-Term Memory Attention Network for Post-Stroke Compensatory Movement Detection Based on Skeleton Data},
author = {Jiaxing Fan and Jiaojiao Liu and Wenkong Wang and Yang Zhang and Xin Ma and Jichen Zhang},
journal= {arXiv preprint arXiv:2512.06736},
year = {2025}
}