基于步态的生物标志物的自监督学习
计算机视觉与模式识别
2023-08-01 v1
摘要
无标记动作捕捉（MMC）正在使临床环境中的步态分析变得更加普及，从而提出了如何从步态数据中提取最具临床意义信息的问题。从图像处理到自然语言处理等多个领域中，从大量未标注数据中进行自监督学习（SSL）能为下游任务产生非常有效的表示。然而，SSL在学有效的步态与动作表示方面仅得到有限应用，且尚未应用于基于MMC的步态分析。尚未应用于步态的一种SSL目标是对比学习，其寻找能将相似样本在所学空间中拉得更近的表示。若所学相似度度量捕捉到临床有意义的差异，则可为许多下游临床任务产生有用表示。对比学习也可与因果掩码结合以预测未来时间步，鉴于步态的动力学性质，这是一个吸引人的SSL目标。我们将这些技术应用于一家康复医院中来自多样化临床人群的MMC步态分析。我们发现，对未标注步态数据进行对比学习可学到捕捉临床有意义信息的表示。我们使用生物标志物框架探查该所学表示，并通过表明其能准确从步态分类诊断且对住院疗法有响应，分别展示其作为诊断与响应生物标志物的潜力。我们最终希望这些所学表示能促成基于预测与预后的步态生物标志物，从而通过更广泛使用MMC量化康复中运动来实现精准康复。
引用
@article{arxiv.2307.16321,
title = {Self-Supervised Learning of Gait-Based Biomarkers},
author = {R. James Cotton and J. D. Peiffer and Kunal Shah and Allison DeLillo and Anthony Cimorelli and Shawana Anarwala and Kayan Abdou and Tasos Karakostas},
journal= {arXiv preprint arXiv:2307.16321},
year = {2023}
}
备注
Accepted to Ambient Inteligence for Healthcare workshop at MICCAI 2023