基于新分区策略的ST-GCN人体动作识别

人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力。最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率,相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标,相比原模型提升了2.3%和3.3%;在真实场景下,所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高,对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低,尚有进一步提高的空间。

CNV-Seq联合二维超声在产前判断先天性心脏发育异常的诊断效能观察

目的探讨基因组拷贝数变异测序(CNV-seq)联合二维超声在产前判断先天性心脏发育异常的诊断效能。方法选取产前超声检查判断为先天性心脏发育异常胎儿的孕妇74例,所有孕妇均给予CNV-Seq联合二维超声检查,记录超声特征与拷贝数变异情况,以介入性穿刺术作为诊断的金标准判断诊断价值。结果在74例孕妇中,介入性穿刺诊断为胎儿先天性心脏发育异常48例(异常组),其中X染色体单体2例、13-三体3例、18-三体15例、21-三体28例;异常类型:室间隔缺损24例、瓣膜异常12例、流出道异常10例、锥干异常2例。所有孕妇的超声图像质量能达到诊断要求,异常组的舒张末期容积(EDV)、收缩末期容积(ESV)、心脏指数(CI)、EDV指数(EDVI)显著高于正常组(P<0.05),左心室射血分数(LVEF)显著低于正常组(P<0.05)。在74例孕妇中,CNV-Seq检查判断为胎儿先天性心脏发育异常51例,占比60.8%,其中X染色体单体2例、13-三体3例、18-三体18例、21-三体28例。CNV-Seq联合二维超声判断为胎儿先天性心脏发育异常47例,诊断的敏感性与特异性分别为97.9%和100.0%。结论CNV-Seq联合二维超声在产前判断先天性心脏发育异常的诊断能有效反映胎儿的血流特征与非整倍体异常情况,具有很好的诊断敏感性与特异性。