基于图卷积网络的骨架人体动作评估用于阿尔茨海默病进展监测

人类行为评估（Human Action Evaluation, HAE）旨在对人类行为的异常性与质量进行判断。若能有效实施，基于骨骼数据的HAE可应用于阿尔茨海默病（Alzheimer’s Disease, AD）行为疗法疗效的监测。本文提出一种双任务图卷积网络（Two-Task Graph Convolutional Network, 2T-GCN），用于表征骨骼数据，以支持HAE任务中的异常检测与质量评估。该网络首先在UI-PRMD数据集上进行评估，表现出优异的异常检测准确性。在质量评估方面，除实验室采集的UI-PRMD数据外，我们进一步将其应用于一组来自AD患者的真实运动数据。通过计算反映动作偏离正常程度的数值评分，来表征AD的严重程度，因此我们利用2T-GCN生成此类评分。实验结果表明，AD患者在特定运动任务中所获得的数值评分与其临床医生判定的AD严重程度具有一致性。这一结果验证了本方法在监测阿尔茨海默病及其他神经退行性疾病方面的潜在应用价值。