利用自适应图神经网络从 3D 婴儿运动学中学习发育年龄

可靠的婴儿神经发育评估方法对于早期发现可能需要及时干预的问题至关重要。自发性运动活动（即“运动学”）已被证明是预测未来神经发育的有力替代指标。然而，其评估大体上是定性和主观的，侧重于视觉识别的特定年龄手势。在本工作中，我们引入了发育年龄（Kinetic Age, KA），这是一种新颖的数据驱动指标，通过基于婴儿运动模式预测其年龄来量化神经发育成熟度。KA 为运动发育提供了一个可解释且可泛化的代理指标。我们的方法利用婴儿的 3D 视频记录，通过姿态估计处理以提取解剖标志点的时空序列，并将这些数据发布为一个新的公开数据集。这些数据使用自适应图卷积网络进行建模，能够捕捉婴儿运动中的时空依赖关系。我们还表明，与基于手动设计特征的传统机器学习基线相比，我们的数据驱动方法取得了改进。