基于游戏化 AI 方法的痴呆早期检测
计算机视觉与模式识别
2024-05-28 v1
摘要
本文旨在开发一种新的基于深度学习的游戏化方法，用于痴呆的早期检测。该研究将一种基于卷积神经网络（CNN）的强大模型用于通过健康指标数据和面部图像数据进行早期痴呆检测，同时结合基于认知评估的游戏应用。我们收集了来自 Kolkata Apollo 诊断中心的 1000 份健康指标数据样本，标记为痴呆或非痴呆，用于训练游戏水平 1 的 MOD-1D-CNN。另外，我们收集了包含 1800 张面部图像的数据集，标记为痴呆或非痴呆，用于训练游戏水平 2 中的 MOD-2D-CNN 模型。在我们工作中，所提出的 MOD-1D-CNN 模型的损失为 0.2692，识别使用真实生活健康指标数据的痴呆特征的最高准确率为 70.50%。类似地，所提出的 MOD-2D-CNN 模型的损失为 0.1755，最高准确率为 95.72%，用于识别基于真实面部图像数据的痴呆状态。因此，我们应用了基于规则的权重方法来组合这两种方法，以实现最终决策。MOD-1D-CNN 和 MOD-2D-CNN 模型是更轻量、计算更高效的替代方案，因为它们的参数数量显著低于其他最先进模型。我们将其准确率和参数与其他最先进的深度学习模型进行了比较。
引用
@article{arxiv.2405.16537,
title = {I2VEdit: First-Frame-Guided Video Editing via Image-to-Video Diffusion Models},
author = {Wenqi Ouyang and Yi Dong and Lei Yang and Jianlou Si and Xingang Pan},
journal= {arXiv preprint arXiv:2405.16537},
year = {2024}
}
备注
19 pages