我們的移動(dòng)方式充分說明了我們的大腦狀態(tài)。正常的運(yùn)動(dòng)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(yùn)動(dòng)模式的觀察和評(píng)估是基礎(chǔ)研究的一部分，并且同樣是臨床應(yīng)用中非侵入性診斷最重要的工具之一。在計(jì)算機(jī)科學(xué)家比約恩·奧默爾(BjörnOmmer)教授的領(lǐng)導(dǎo)下，并與瑞士研究人員合作，海德堡大學(xué)在這種情況下開發(fā)了一種新的基于計(jì)算機(jī)的方法。正如對(duì)人體測(cè)試人員的研究表明的那樣，這種方法可以全自動(dòng)識(shí)別運(yùn)動(dòng)障礙，并通過他們的分析，
對(duì)于計(jì)算機(jī)支持的運(yùn)動(dòng)分析，通常必須使用反射性標(biāo)記對(duì)受試者進(jìn)行標(biāo)記，或者必須將虛擬標(biāo)記應(yīng)用于評(píng)估框架中生成的視頻材料。兩種程序都比較復(fù)雜。此外，必須預(yù)先知道明顯的運(yùn)動(dòng)行為，以便可以對(duì)其進(jìn)行進(jìn)一步檢查。海德堡大學(xué)跨學(xué)科科學(xué)計(jì)算中心計(jì)算機(jī)視覺小組的負(fù)責(zé)人Ommer教授解釋說：“真正的診斷工具不僅應(yīng)能確認(rèn)運(yùn)動(dòng)障礙，而且能夠首先識(shí)別出運(yùn)動(dòng)障礙并對(duì)其進(jìn)行正確分類。”
正是由于他的團(tuán)隊(duì)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(xué)習(xí)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(luò)的機(jī)器學(xué)習(xí)，并且可以獨(dú)立且完全自動(dòng)地識(shí)別特征行為和病理偏差，這是海德堡科學(xué)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(dāng)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(duì)象進(jìn)行比較。運(yùn)動(dòng)障礙的治療進(jìn)展也可以通過這種方式進(jìn)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(luò)，一種用于圖像識(shí)別和圖像處理目的的神經(jīng)網(wǎng)絡(luò)?？茖W(xué)家對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，以識(shí)別不同對(duì)象的相似運(yùn)動(dòng)行為，即使它們的外觀差異很大。這是可能的，因?yàn)槿斯ぶ悄芸梢詤^(qū)分姿勢(shì)和外觀。除了識(shí)別和量化損傷外，對(duì)癥狀的詳細(xì)分析也很重要。Ommer教授說：“為了詳細(xì)研究它們，我們使用了生成神經(jīng)網(wǎng)絡(luò)。”“通過這種方式，我們可以幫助神經(jīng)科學(xué)家和臨床醫(yī)生專注于運(yùn)動(dòng)行為的細(xì)微偏差，而肉眼可能會(huì)忽略這些細(xì)微偏差，并通過放大偏差使它們易于看到。然后，我們可以準(zhǔn)確地確定個(gè)別情況下的疾病類型。”
研究小組已經(jīng)能夠借助不同的動(dòng)物模型和人類患者研究證明這種新方法的有效性。他們測(cè)試了uBAM區(qū)分健康運(yùn)動(dòng)能力和受損運(yùn)動(dòng)能力的精確度。在有關(guān)該主題的出版物中，科學(xué)家們報(bào)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(xì)的結(jié)果，”BjörnOmmer強(qiáng)調(diào)。
標(biāo)簽： 神經(jīng)系統(tǒng)疾病
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請(qǐng)聯(lián)系刪除！