基于面部动作单元的面瘫症状检测

面瘫是由于面神经损伤而导致的面部肌肉异常,其主要表现为面部不对称。传统的方法通常通过分析面部的表面特征(如面部关键点)来检测面瘫症状,但无法捕捉到潜藏在黑箱模型中的面瘫症状。针对这一问题,提出了一种基于面部动作单元(AUs)的面瘫症状检测方法。为了提高AU强度的预测精度,设计了差分集成模型。根据预测的AU强度,提出了一种高度可解释的面瘫症状检测模型,用以描述面部肌肉力量的不对称性。实验结果显示,该模型在眉部、眼部和嘴部肌肉功能检测的F1值分别为83.92%、81.90%和90.91%,因此可作为临床医学的有力辅助工具。

基于人体关节点多特征融合的暴力行为识别

针对目前视频中暴力行为识别算法识别准确率不高的问题,提出一种基于人体关节点多特征融合的暴力行为识别方法。使用YOLO-Pose算法实现人体检测与姿态估计,获取人体关节点位置信息,基于人体结构提取关节点的距离特征和形状特征,基于运动特性提取关节点的动态特征和姿态特征,将所有特征信息进行融合,构建Bi-LSTM行为识别模型实现暴力行为识别分类,并设计行为识别结果稳定器,解决识别过程中因随机干扰导致的行为误判问题。在公开暴力行为数据集Violent-Flows与自制暴力行为数据集Vio-B上验证提出方法的有效性,实验表明,在Violent-Flows数据集与Vio-B数据集上本方法准确率分别达到97.9%与98.5%,高于现有方法。

基于面部地标的面瘫客观评估

面部瘫痪是由于神经损伤而导致的面部运动的丧失。面瘫评估通常是由临床医生根据个人主观经验进行判断。因此,制定客观的评估方法对医学评估、治疗和监测至关重要。提出了一种基于面部地标的面瘫客观评估方法。通过使用MediaPipe面部网格系统来检测面部地标,然后根据这些面部地标的空间位置来量化面部特征。最后利用机器学习模型对面瘫的严重程度进行客观评估。实验结果显示,这种方法的整体准确度达到了91.5%,相比于临床医生根据Sunnybrook面部分级系统评估的结果高13.7%。因此,基于面部地标量化面部特征可以辅助临床医生评估患者病情。