MassNet: A Deep Learning Approach for Body Weight Extraction from A Single Pressure Image

要約

重要な生理学的特性としての体重は、身体管理、リハビリテーション、および患者固有の治療のための薬物投与などの多くの用途において非常に重要です。
体重推定タスクに関する以前の研究は、主に視覚に基づいており、2D/3D、深度、または赤外線画像を使用しており、照明、遮蔽、および特にプライバシーの問題に直面しています。
圧力マッピングマットレスは、横になっている人の体重と強く相関するベッド表面の圧力分布画像を取得するための非侵襲的でプライバシーを保護するツールです。
この画像から体重を抽出するために、ディープ ラーニング ベースのモデルを提案します。これには、ディープ フィーチャとポーズ フィーチャをそれぞれ抽出するためのデュアル ブランチ ネットワークが含まれます。
対照学習モジュールも深層機能ブランチと組み合わせて、すべての被験者のさまざまな姿勢にわたる相互要因をマイニングするのに役立ちます。
2 つのグループの特徴は、体重回帰タスクのために連結されます。
さまざまなハードウェアと姿勢の設定でモデルのパフォーマンスをテストするために、自作の圧力感知シーツを使用して、10 人の被験者と 23 の姿勢の圧力画像データセットを作成します。
この論文とともに公開されているこのデータセットは、公開されているデータセットとともに検証に使用されます。
結果は、モデルが 2 つのデータセットの両方で最先端のアルゴリズムよりも優れていることを示しています。
私たちの研究は、臨床および在宅診療の両方で完全に自動化された体重推定に向けた重要なステップを構成します。
私たちのデータセットは、https://github.com/USTCWzy/MassEstimation で研究目的で利用できます。

要約(オリジナル)

Body weight, as an essential physiological trait, is of considerable significance in many applications like body management, rehabilitation, and drug dosing for patient-specific treatments. Previous works on the body weight estimation task are mainly vision-based, using 2D/3D, depth, or infrared images, facing problems in illumination, occlusions, and especially privacy issues. The pressure mapping mattress is a non-invasive and privacy-preserving tool to obtain the pressure distribution image over the bed surface, which strongly correlates with the body weight of the lying person. To extract the body weight from this image, we propose a deep learning-based model, including a dual-branch network to extract the deep features and pose features respectively. A contrastive learning module is also combined with the deep-feature branch to help mine the mutual factors across different postures of every single subject. The two groups of features are then concatenated for the body weight regression task. To test the model’s performance over different hardware and posture settings, we create a pressure image dataset of 10 subjects and 23 postures, using a self-made pressure-sensing bedsheet. This dataset, which is made public together with this paper, together with a public dataset, are used for the validation. The results show that our model outperforms the state-of-the-art algorithms over both 2 datasets. Our research constitutes an important step toward fully automatic weight estimation in both clinical and at-home practice. Our dataset is available for research purposes at: https://github.com/USTCWzy/MassEstimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google