一项关于使用视觉和惯性传感器识别烦躁不安运动的机器学习研究：突出挑战

过去的医学研究表明，婴儿期运动与早期神经发育密切相关。健康婴儿在20周龄前出现的反射性不安运动被证实尤为重要，因为既往研究强调，这类运动的缺失与未来发生脑性瘫痪等神经系统疾病存在强关联。为实现早期干预，全身运动评估作为一种筛查手段被提出，需由经过专门训练识别不安运动的临床人员执行。由于该评估方法在时间和资源上成本较高，已有文献提出了多种利用机器学习技术实现全身运动评估自动化的方案，但目前尚未形成公认的最优技术路径。为探索这一问题，我们采用深度学习方法对95名婴儿（平均年龄：[公式：见原文]周）采集的RGB-D视频与惯性测量单元数据进行解耦特征表征学习，以实现不安运动识别。研究结果表明：虽然可以提取独立于受试者信息的运动特征，但获得能稳定泛化至训练集外受试者的特征表征仍具挑战性。具体而言，我们发现基于视觉和基于传感器的数据模态在不安运动识别中均存在特定难点。本文对此展开讨论并提出建议，以期为未来该领域的研究者提供参考。