UDF-GMA：面向全身运动评估的不确定性解耦与融合
计算机视觉与模式识别
2025-07-08 v1 机器学习
图像与视频处理
摘要
全身运动评估 (GMA) 是一种通过定性评估全身运动来早期检测脑功能障碍的非侵入性工具，自动化方法的发展可以拓宽其应用。然而，主流的基于姿态的自动化 GMA 方法由于高质量数据有限和姿态估计噪声大而容易产生不确定性，缺乏可靠的不确定性度量阻碍了其临床可靠性。在这项工作中，我们引入了 UDF-GMA，它显式地建模了模型参数中的认知不确定性和来自数据噪声的偶然不确定性，用于基于姿态的自动化 GMA。UDF-GMA 通过直接建模偶然不确定性和通过贝叶斯近似估计认知不确定性，有效地解耦了不确定性。我们进一步提出将这些不确定性与嵌入的运动表示相融合，以增强类别分离。在 Pmi-GMA 基准数据集上的大量实验证明了所提方法在预测不良运动模式方面的有效性和泛化能力。
引用
@article{arxiv.2507.04814,
title = {UDF-GMA: Uncertainty Disentanglement and Fusion for General Movement Assessment},
author = {Zeqi Luo and Ali Gooya and Edmond S. L. Ho},
journal= {arXiv preprint arXiv:2507.04814},
year = {2025}
}
备注
This work has been accepted for publication in IEEE Journal of Biomedical and Health Informatics (J-BHI)