面向可解释的异常婴儿运动识别：基于身体部位的预测与可视化框架
计算机视觉与模式识别
2021-06-10 v1 机器学习
摘要
提供脑瘫（CP）的早期诊断对于改善患者的发育结局至关重要。诸如全身运动评估（GMA）之类的诊断工具在早期诊断中已产生有前景的结果，然而这些人工方法可能费力。在本文中，我们提出一种基于 GMA 的婴儿身体运动自动分类新框架，与以往方法不同，它还结合了可视化框架以辅助可解释性。我们提出的框架分割提取的特征，以在时空上检测与 GMA 相关的烦躁运动（FMs）的存在。这些特征随后用于识别对身体部位分类决策贡献最大的部分，并高亮相关身体部位片段，向用户提供视觉反馈。我们在定量上将所提框架的分类性能与文献中若干其他方法比较，并定性评估可视化的准确性。我们的实验结果表明，所提方法在此场景下比可比技术更鲁棒，同时提供相关的视觉可解释性。
引用
@article{arxiv.2106.04966,
title = {Towards Explainable Abnormal Infant Movements Identification: A Body-part Based Prediction and Visualisation Framework},
author = {Kevin D. McCay and Edmond S. L. Ho and Dimitrios Sakkos and Wai Lok Woo and Claire Marcroft and Patricia Dulson and Nicholas D. Embleton},
journal= {arXiv preprint arXiv:2106.04966},
year = {2021}
}
备注
Proceedings of the 2021 IEEE EMBS International Conference on Biomedical & Health Informatics (BHI), accepted, 2021