基于混合注意力的轻量级偏瘫步态评估系统

摘要：

脑卒中患者通常会出现偏瘫步态,而视觉式步态分析可以用于检测这些变化.然而,当前公开的病理步态数据集规模较小、缺乏对偏瘫严重程度的详细分级,并且传统的视觉式深度学习步态分析方法通常需要较高计算量和较大参数量,不适用于小规模病理步态数据集.本文设计了一款轻量级偏瘫步态评估系统.系统使用一种轻量级卷积神经网络(convolutional neural networks,CNN)来评估偏瘫步态表现.通过线性拼接不同尺度的分组卷积,低成本地获得高效率特征.系统引入多维度混合的轻量级注意力模块来帮助CNN关注空间和通道维度上的显著特征,从而更好地平衡系统有效性与模型参数量.此外,本文还构建了一个专门用于步态识别的偏瘫模拟步态数据集,为模型训练和测试提供数据支撑.实验结果表明,系统的神经网络仅使用VGG-19 1/53的参数量,将步态识别准确率提高至96.91％,高于预训练后的VGG-19,与其他轻量化SOTA方法相比同样具有精度优势.系统的开发成本低,可部署于移动设备,并支持实时检测,为家庭式病理步态分析提供了一种可行的方案.

关键词：卒中康复、步态分析、偏瘫数据集、轻量级神经网络

所属期刊栏目：32

分类号：TP391.41;TP242;R743.3

资助基金：国家自然科学基金;科技创新项目

在线出版日期：2023-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：96-105