少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learnin...少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learning of Graph Convolutional Network on Prototype Space).首先,利用卷积神经网络提取多任务数据的特征向量;其次,为了将特征向量映射到原型空间中,根据元学习的训练策略得到特征向量的类原型表达;然后,通过类原型向量和类向量之间的嵌入表示,构建图结构数据,并进行图卷积网络训练、推理.实验结果表明,相较于经典少样本学习方法,FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时,在医学图像领域数据集上实验表明,FSL-GCNPS具有很好的跨域适应性.展开更多
目的:研究爱丁堡观察性步态评估量表(Edinburgh visual gait score,EVGS)的信度,并与三维步态分析进行比较,评价其有效性;同时分析EVGS各项内部以及与脑性瘫痪(cerebral palsy,CP)儿童粗大运动功能分级系统(gross motor function classi...目的:研究爱丁堡观察性步态评估量表(Edinburgh visual gait score,EVGS)的信度,并与三维步态分析进行比较,评价其有效性;同时分析EVGS各项内部以及与脑性瘫痪(cerebral palsy,CP)儿童粗大运动功能分级系统(gross motor function classification system,GMFCS)的相关性,为EVGS在临床应用提供客观依据。方法:从2019年至2021年所有在同济大学附属养志康复医院三维步态分析实验室进行三维步态分析的727例痉挛型CP儿童中随机抽取20例CP,分别由4名不同经验背景的评估者采用EVGS对20例CP的步行视频进行评估,并在间隔1个月后再次评估同一视频。采用同类相关系数分析(intragroup correlation coefficient,ICC)检验4名评估者的间信度,以及同一评估者的重测信度;采用Spearman等级相关系数检验EVGS总分及各项与三维步态分析数据和GMFCS之间的相关性。结果:评估者间第一次评估ICC值为0.947(P<0.001),第二次评估ICC值为0.952(P<0.001),两次评定结果均显示不同评估者对同一组视频采用EVGS的一致性结果较好。各评估者前后两次重测结果显示ICC系数均≥0.75(P<0.0010),表明间隔1个月,同一评估者前后两次评估结果具有较高一致性。相关性分析结果发现,EVGS与三维步态分析结果为中等相关,在校学生评估的总分与校标相关性最大。EVGS与GMFCS等级具有相关性。EVGS各项内相关性分析结果表明,足、骨盆及躯干控制的评估分项对EVGS评估整体步态的结果具有影响。结论:EVGS量表的评估者间信度以及同一评估者重测信度均具有较高可信性,未有丰富的临床经验背景下的评估者使用EVGS同样可以达到较高信效度。相关性分析结果表明,EVGS评估结果的准确性仍存在不足,EVGS评估结果与CP儿童运动功能障碍水平具有相关性,在设备有限情况下,EVGS可以作为步态分析的替补工具,是目前较为可靠的观察性步态评估量表之一。展开更多
文摘少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learning of Graph Convolutional Network on Prototype Space).首先,利用卷积神经网络提取多任务数据的特征向量;其次,为了将特征向量映射到原型空间中,根据元学习的训练策略得到特征向量的类原型表达;然后,通过类原型向量和类向量之间的嵌入表示,构建图结构数据,并进行图卷积网络训练、推理.实验结果表明,相较于经典少样本学习方法,FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时,在医学图像领域数据集上实验表明,FSL-GCNPS具有很好的跨域适应性.