یادگیری عمیق برای ردیابی خودکار بدون نشانگر حرکات عمومی نوزادان

حضور حرکات عمومی ناهنجار نوزادان (GMS) یک پیش بین قوی برای اختلالات عصبی پیشرو، از جملهافتراق مغزی (CP) است. اتوماسیون ارزیابی، مانع مشکلات قابلیت اجرا می شود که محدودیت های مقیاس پذیری را که تحویل آن به افراد با خطر مواجهه را محدود می کند، برطرف می کند. در اینجا، یک طرح تخمین پوز بدون نشانگر، براساس فناوری یادگیری عمیق پیشرفته، برای پیگیری حرکات نوزادان در فیلم های ویدئویی دستگاه های همراه مصرف کننده گزارش شده است. دو مدل شبکه عصبی عمیق به نام های Ef ci ent net -b۶ و resnet-۱۵۲ با استفاده از داده های دستی نگارش شده در دوازده موقعیت آناتومیکی (۳ در هر عضو) در ۱۲ ویدئو از ۶ نوزاد به دوره تمام (میانگین سن= ۱۷.۳۳ (SD ۲.۹) هفته، ۴ مرد، ۲ زن) با استفاده از چارچوب DeepLabCut آموزش داده شدند. اعتبار سنجی متقاطع K-f ol d توانایی تعمیم شبکه های عمیق مدل عملکرد (Ef ci ent net -b۶) بر روی تمام نوزادان (محدوده عملکرد : ۸۴.۳۲-۹۹.۲۴% در تمام مواقع آناتومیکی) نشان می دهد. این مقاله به علاوه یک ارستراتژی اتوماتیک و بدون نظارت برای ارزیابی عملکرد در طی ضبط های گسترده خارج از دامنه از طریق ترکیب احتمالات از یک فیلتر Kal nan و شبکه عمیق معرفی می کند. یافته ها نشان می دهند که امکان ایجاد یک پلتفرم پیگری اتوماتیک GM به عنوان یک جایگزین مناسب برای پروتکل های مشاهده فعلی برای تشخیص زودرس اختلالات عصبی در دوران نوزادی امکان پذیر است یا به عنوان حمایت از آنها عمل کند.

کلیدواژه ها:

ارزیابی حرکات عمومی نوزادان (GMA) ، پیگیری حرکت خودکار بدون نشانگر ، یادگیری عمیق ، پردازش تصویر ، گرفتن حرکت