我们的移动方式充分说明了我们的大脑状态。正常的运动行为指向健康的脑功能，但偏差可能表明由于神经系统疾病而受损。因此，运动模式的观察和评估是基础研究的一部分，并且同样是临床应用中非侵入性诊断最重要的工具之一。在计算机科学家比约恩·奥默尔(BjörnOmmer)教授的领导下，并与瑞士研究人员合作，海德堡大学在这种情况下开发了一种新的基于计算机的方法。正如对人体测试人员的研究表明的那样，这种方法可以全自动识别运动障碍，并通过他们的分析，
对于计算机支持的运动分析，通常必须使用反射性标记对受试者进行标记，或者必须将虚拟标记应用于评估框架中生成的视频材料。两种程序都比较复杂。此外，必须预先知道明显的运动行为，以便可以对其进行进一步检查。海德堡大学跨学科科学计算中心计算机视觉小组的负责人Ommer教授解释说：“真正的诊断工具不仅应能确认运动障碍，而且能够首先识别出运动障碍并对其进行正确分类。”
正是由于他的团队开发了新颖的诊断方法，这才成为可能，这种方法被称为“使用深度学习的无监督行为分析和放大”(uBAM)。底层算法基于使用人工神经网络的机器学习，并且可以独立且完全自动地识别特征行为和病理偏差，这是海德堡科学家所解释的。该算法通过直接在视频中突出显示不同类型的偏差并使它们可见，从而确定受影响的身体部位并充当行为模式的放大镜。作为其一部分，将相关的视频资料与其他健康或同样受损的对象进行比较。运动障碍的治疗进展也可以通过这种方式进行记录和分析。根据Ommer教授的说法，
uBAM接口的基础是所谓的卷积神经网络，一种用于图像识别和图像处理目的的神经网络。科学家对网络进行了训练，以识别不同对象的相似运动行为，即使它们的外观差异很大。这是可能的，因为人工智能可以区分姿势和外观。除了识别和量化损伤外，对症状的详细分析也很重要。Ommer教授说：“为了详细研究它们，我们使用了生成神经网络。”“通过这种方式，我们可以帮助神经科学家和临床医生专注于运动行为的细微偏差，而肉眼可能会忽略这些细微偏差，并通过放大偏差使它们易于看到。然后，我们可以准确地确定个别情况下的疾病类型。”
研究小组已经能够借助不同的动物模型和人类患者研究证明这种新方法的有效性。他们测试了uBAM区分健康运动能力和受损运动能力的精确度。在有关该主题的出版物中，科学家们报告说，小鼠和人类患者的回收率都很高。“总体而言，我们的研究表明，与传统方法相比，基于人工智能的方法以更少的工作量提供了更详细的结果，”BjörnOmmer强调。
标签： 神经系统疾病
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
