保护性运动行为检测中身体与时序注意力的学习
机器学习
2019-07-18 v3 机器学习
摘要
对于慢性疼痛患者，评估身体功能过程中的保护性行为对于理解其主观疼痛相关体验（例如对疼痛和损伤的恐惧与焦虑）以及他们如何应对此类体验（回避或依赖特定身体关节）至关重要，最终目标是指导干预。深度学习（DL）的进展可促成此类干预的发展。利用 EmoPain MoCap 数据集，我们研究基于注意力的 DL 架构如何通过捕捉表征特定运动及执行策略的最具信息量的时序与身体构型线索，来改进保护性行为的检测。我们提出一种端到端深度学习架构，名为 BodyAttentionNet（BANet）。BANet 旨在学习对保护性行为检测更具信息量的时序与身体部位。该方法独立于所分析的运动类型，处理人们执行运动的多种方式（包括健康人）。通过与其他用于动作捕捉数据的先进机器学习技术进行广泛对比实验，我们展示了使用这些注意力机制所取得的统计显著改进。此外，BANet 架构所需的参数量远少于现有技术，而性能相当甚至更高。
引用
@article{arxiv.1904.10824,
title = {Learning Bodily and Temporal Attention in Protective Movement Behavior Detection},
author = {Chongyang Wang and Min Peng and Temitayo A. Olugbade and Nicholas D. Lane and Amanda C. De C. Williams and Nadia Bianchi-Berthouze},
journal= {arXiv preprint arXiv:1904.10824},
year = {2019}
}
备注
7 pages, 3 figures, 2 tables, code available, accepted in ACII 2019