我們的移動方式充分說明了我們的大腦狀態(tài)。正常的運動行為指向健康的腦功能,但偏差可能表明由于神經(jīng)系統(tǒng)疾病而受損。因此,運動模式的觀察和評估是基礎(chǔ)研究的一部分,并且同樣是臨床應用中非侵入性診斷最重要的工具之一。在計算機科學家比約恩·奧默爾(BjörnOmmer)教授的領(lǐng)導下,并與瑞士研究人員合作,海德堡大學在這種情況下開發(fā)了一種新的基于計算機的方法。正如對人體測試人員的研究表明的那樣,這種方法可以全自動識別運動障礙,并通過他們的分析,
對于計算機支持的運動分析,通常必須使用反射性標記對受試者進行標記,或者必須將虛擬標記應用于評估框架中生成的視頻材料。兩種程序都比較復雜。此外,必須預先知道明顯的運動行為,以便可以對其進行進一步檢查。海德堡大學跨學科科學計算中心計算機視覺小組的負責人Ommer教授解釋說:“真正的診斷工具不僅應能確認運動障礙,而且能夠首先識別出運動障礙并對其進行正確分類。”
正是由于他的團隊開發(fā)了新穎的診斷方法,這才成為可能,這種方法被稱為“使用深度學習的無監(jiān)督行為分析和放大”(uBAM)。底層算法基于使用人工神經(jīng)網(wǎng)絡的機器學習,并且可以獨立且完全自動地識別特征行為和病理偏差,這是海德堡科學家所解釋的。該算法通過直接在視頻中突出顯示不同類型的偏差并使它們可見,從而確定受影響的身體部位并充當行為模式的放大鏡。作為其一部分,將相關(guān)的視頻資料與其他健康或同樣受損的對象進行比較。運動障礙的治療進展也可以通過這種方式進行記錄和分析。根據(jù)Ommer教授的說法,
uBAM接口的基礎(chǔ)是所謂的卷積神經(jīng)網(wǎng)絡,一種用于圖像識別和圖像處理目的的神經(jīng)網(wǎng)絡??茖W家對網(wǎng)絡進行了訓練,以識別不同對象的相似運動行為,即使它們的外觀差異很大。這是可能的,因為人工智能可以區(qū)分姿勢和外觀。除了識別和量化損傷外,對癥狀的詳細分析也很重要。Ommer教授說:“為了詳細研究它們,我們使用了生成神經(jīng)網(wǎng)絡。”“通過這種方式,我們可以幫助神經(jīng)科學家和臨床醫(yī)生專注于運動行為的細微偏差,而肉眼可能會忽略這些細微偏差,并通過放大偏差使它們易于看到。然后,我們可以準確地確定個別情況下的疾病類型。”
研究小組已經(jīng)能夠借助不同的動物模型和人類患者研究證明這種新方法的有效性。他們測試了uBAM區(qū)分健康運動能力和受損運動能力的精確度。在有關(guān)該主題的出版物中,科學家們報告說,小鼠和人類患者的回收率都很高。“總體而言,我們的研究表明,與傳統(tǒng)方法相比,基于人工智能的方法以更少的工作量提供了更詳細的結(jié)果,”BjörnOmmer強調(diào)。
免責聲明:本文由用戶上傳,如有侵權(quán)請聯(lián)系刪除!