20、秘鲁手语识别与慢性疼痛估计的研究进展

秘鲁手语识别与慢性疼痛估计的研究进展

1. 秘鲁手语识别

在秘鲁手语识别领域，提出了一种基于卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。该模型融合了诸如最大输出（maxout）、注意力机制和残差连接等先进模型，主要由四个部分构成：
- 预处理阶段 ：对RGB、深度和骨骼数据进行预处理。
- 特征提取阶段 ：使用基于ResNet50的CNN进行特征提取。
- 编码阶段 ：降低输入数据的维度。
- 解码阶段 ：关联时间信息并推断手语的含义。

该模型在VideoLSP10数据集上翻译短语的准确率达到了99.2%，在LSA数据集中仅使用RGD数据时准确率为98.44%。相比之下，池化层方法的准确率为95.21%，预测方法的准确率为80.87%。这表明该混合模型在不同数据集上都能取得较高的准确率，具有应用于任何手语识别的潜力。

2. 慢性疼痛估计

慢性疼痛已成为全球重要的医学问题，约35%的慢性疼痛患者伴有抑郁症及其他心理问题。传统的疼痛评估方法，如视觉模拟评分法（VAS）和医生检查的客观疼痛强度量表（OPI），往往存在不一致的情况。而且，部分患者（如儿童或表达能力有限的患者）难以客观地完成自我评估，这使得疼痛临床分析缺乏客观性。

为了解决这些问题，提出了一种结合深度面部特征表示和序列分析的深度学习方法。该方法的主要步骤如下：
- 图像预处理 ：
- 光照归一化