Разработка искусственной нейронной сети для обнаружения хромоты на поддерживающие задние конечности: пилотное исследование на рабочих собаках

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Педро Фигейриньяс, Оливер Родригес, Хосе Мануэль Вилар, Департамент патологии животных, Университет Лас-Пальмас-де-Гран-Канария, Испания; Адриан Санчес, Алексис Кесада, Департамент компьютерных наук и Институт кибернетики, Кампус Тафира, Университет Лас-Пальмас-де-Гран-Канария, Испания; Хосе Родригес-Альтонага, Хосе Мануэль Гонсало-Орден, Departamento de Medicina y Cirugia Veterinaria, Campus de Vegazana, Universidad de Le?n, Испания

Субъективная оценка хромоты была спорным вопросом из-за отсутствия согласия между наблюдателями; это побудило к разработке кинетических и кинематических устройств для объективной оценки двигательной системы у собак. После надлежащего обучения нейронные сети потенциально способны ставить диагноз собачьей хромоты. Целью этого исследования было выяснить, можно ли использовать искусственные нейронные сети для определения хромоты задних конечностей у собак только с помощью вычислительных средств. Результат этого исследования потенциально может оценить эффективность определенных методов лечения заболеваний, вызывающих хромоту. С этой целью входные данные были получены от инерциального датчика, расположенного на крупе. Данные собак с односторонней хромотой задних конечностей и здоровых собак использовали для получения различий между обеими группами при ходьбе. Искусственная нейронная сеть после необходимых настроек была интегрирована в инструмент веб-управления, и предварительные результаты различения хромых и здоровых собак обнадеживают. Анализ пространственных данных с помощью искусственных нейронных сетей был обобщен и разработан в виде веб-приложения, которое оказалось полезным инструментом для различения здоровых и хромых собак. Кроме того, эта среда позволяет ветеринарным врачам адекватно следить за лечением пациентов с хромотой.

Введение

Визуальная оценка хромоты сильно различается среди наблюдателей, что не согласуется с объективными измерениями функций конечностей, такими как кинетика и кинематика. Однако растет интерес к лучшему пониманию хромоты у собак с использованием более точных и объективных методов оценки.

Недавнее кинематическое исследование собак с экспериментально вызванной хромотой, проведенное с помощью системы захвата движения, показало, что измерения симметрии вертикального движения головы и таза, которые являются клиническими переменными, обычно используемыми при визуальной оценке хромоты, были достаточными для выявления хромоты.

Системы инерциальных измерительных блоков или инерциальных датчиков (IMU) были разработаны на коммерческой основе для оценки объективной хромоты у лошадей; Системы IMU основаны на сенсорной технологии и включают гироскопы, акселерометры и магнитометры. Имеющийся в продаже IMU для лошадей был экспериментально использован на собаках. Другие системы IMU также использовались для обнаружения хромоты у овец путем измерения общей активности этих животных.

Использование искусственного интеллекта в медицине позволило разработать различные системы медицинской поддержки для ранней диагностики опухолей кожи и сердечно-сосудистых заболеваний. Однако не существует коммерчески доступного программного обеспечения для обнаружения хромоты у собак таким же образом, как у лошадей.

Теоретически искусственные нейронные сети пытаются имитировать поведение нейронов человека. Внутренняя «структура» имеет некоторое сходство: дендриты нейронов человека получают сигналы от других нейронов. Эти сигналы обрабатываются в теле клетки, и, наконец, сигнал распространяется посредством аксональных соединений с дендритами других нейронов.

Структура нейрона (вверху) и искусственного нейрона (внизу)

Точно так же в искусственном нейроне на вход поступают данные; затем к «телу» искусственного нейрона применяются математические алгоритмы, производящие выходные данные. Эти алгоритмы основаны на линейной регрессии. И наоборот, смещение — это дополнительная константа, целью которой является корректировка нейронного выхода. Это дополнение пытается улучшить результат, чтобы имитировать реальную ситуацию.

Вместо использования одного нейрона несколько искусственных нейронов группируются в искусственную нейронную сеть (ИНС), которая организована слоями; например, входной слой получает входные данные и предоставляет параметры для анализа, скрытый слой обрабатывает входные данные, а выходной слой предоставляет выходные результаты, классифицированные по категориям.

Структура ИНС

Чтобы правильно предсказывать разные категории с точностью, необходимо «обучить» сеть. Для этого жизненно необходимо иметь большое количество разнообразных обучающих данных. Таким образом, сеть будет постепенно «учиться» на этих входных данных. С помощью функции потерь выходные данные сети сравниваются с ожидаемыми выходными данными.

В настоящее время, насколько известно авторам, технология ИНС не разработана для обнаружения хромоты у собак.

Основываясь на этих предпосылках, основной целью данного исследования является разработка ИНС, которая с помощью пространственных данных, полученных от IMU, может определить, есть ли у собаки односторонняя хромота на задние конечности. Во-вторых, это исследование направлено на разработку веб-портала с возможностью управления данными о хромоте собак с целью отслеживания состояния собаки с течением времени.

Представленное здесь исследование было задумано как «проверка концепции», первоначальная разработка которой потребовала многократных корректировок многих параметров, пока не будут получены удовлетворительные характеристики; по этой причине разделы материалов, методов и результатов объединены.

Материалы, методы и результаты

Инструментарий

Для записи данных использовался IMU (MTw Awinda Wireless 3DOF Motion Tracker, Xsens®, Enschede, Нидерланды).

Внешний вид IMU и ключа беспроводного подключения

Все данные были собраны с помощью специального программного обеспечения (MT Manager®, Xsens®, Enschede, Нидерланды).

IMU располагали выше средней линии остистых отростков 2-го крестцового позвонка с помощью лейкопластыря. Данные датчика были оцифрованы (8 бит) с частотой 100 Гц в режиме реального времени. Устройство имеет размеры 4,7x3x1,3 см и массу 16 г.

Чтобы наблюдать образцы данных, полученные с помощью датчика, чтобы различать, какие релевантные элементы отличают здоровых собак от односторонне хромых задних конечностей, была измерена амплитуда движения крупа с обеих сторон.

Расположение IMU. Двусторонний наклон измеряют с собакой на прогулке.

Гироскоп предоставляет данные об ориентации в продольном направлении по тангажу, рысканью и крену. Из них крен предоставляет угловые данные о боковом наклоне.

Гироскоп IMU предоставляет данные о наклоне по осям X, Y и Z

Собаки

Для этого исследования были набраны 15 рабочих собак весом более 15 кг. Собаки массой менее 15 кг были исключены из исследования, так как эти животные сильнее ощущают присутствие датчиков при движении, создавая «возмущенную» локомоцию. Из 15 рабочих собак для обучения ИНС использовали 12 собак, из них 7 здоровых и 5 хромых; На этапе проверки использовались 3 дополнительные собаки. Владельцы хромых собак были клиентами Учебной ветеринарной больницы Университета Лас-Пальмас-де-Гран-Канария (Испания).

Процедура

Собак выгуливали прямо на поводке в течение времени, достаточного для достижения равномерного аллюра, рядом с проводником, не натягивая поводок и с прямой головой; поставить собак в «одинаковое динамическое состояние»; скорость постепенно увеличивалась, чтобы достичь максимума, когда собаки все еще шли. Во время ходьбы чередующиеся движения обеих задних конечностей создают на датчике последовательный наклон в обе стороны, генерируя данные наклона (перекат). Ниже данные наклона для нескольких последовательных шагов визуализируются графически.

Данные о поперечном наклоне крестца при многократном шаге здоровой собаки на шагу

Как показано на выше, восходящий и нисходящий шаблоны показывают определенную согласованность, учитывая, что максимальное и минимальное значения наклона одинаковы. Однако некоторые изолированные значения, по-видимому, не соответствуют этому шаблону; эти аномалии могут быть связаны с движениями головы из-за отвлечения внимания, тряски головой и т. д. Данные, представленные в виде блочной диаграммы, имеют диапазон наклона около 20 градусов. Однако можно наблюдать значительное количество выбросов; этот факт может вызвать смещение, когда система пытается обобщить входные данные. По этой причине мы предварительно обработали тестовые данные, чтобы исключить «шум» или выбросы значений. Что касается критериев выбросов, в процессе использовалась медиана последовательности, а по процентилям производилась отсечка, принимая во внимание, что используемая выборка имела значения от 10% до 90% выборки.

(а) Блочная диаграмма до очистки данных. (б) Диаграмма Boxplot после очистки данных, исключающей выбросы значений

При этой процедуре отбрасывались посторонние данные, не относящиеся к необходимому движению.

Изображение той же звуковой собаки после очистки данных; симметрия данных была увеличена по сравнению с данными на прошлом рисунке

Нейронная сеть

Дизайн

Данные, полученные с помощью IMU, представляли собой временные ряды, в которых определенные данные зависели от предыдущих данных; по этой причине использовалась рекуррентная нейронная сеть (РНС), поскольку этот тип ИНС способен «запоминать» предыдущие события. В частности, был выбран вариант RNN, известный как Long Short-Term Memory (LSTM), потому что он предлагал лучшую производительность по сравнению с другими вариантами RNN.

Первоначально заданные параметры LSTM были следующими:

  • Количество входов: 1. Последовательность последовательных данных была установлена на 250 как один вход.
  • Слои LSTM: 2.
  • Отсев: 50%. Этот метод случайным образом «замораживает» определенное количество нейронов (в нашем случае 50%), чтобы эти нейроны игнорировались на этапе обновления параметров. Это создает нейроны, которые все еще работают и являются более актуальными, выделяя небольшие изменения в обучающих данных и улучшая способность сети обобщать данные. Как упоминалось ранее, эта техника использовалась исключительно на этапе обучения.
  • Количество выходов: 2. Поскольку выход сети может быть любым числовым значением, оно было нормализовано с помощью сигмовидной функции, дающей значение 0 для здоровых собак и значение 1 для хромых собак. Для окончательной диагностики звука или хромоты сеть LSTM дополняется традиционной ИНС, известной как полносвязный уровень (FCL).
  • Количество нейронов в каждой ячейке: 256. Как это принято во многих искусственных нейронных сетях, этот параметр был получен эмпирическим путем. Мы выбрали начальное значение мощности, равное 2, и, проведя серию интенсивных тестов, выбрали значение, дающее наилучшие результаты при сохранении разумных вычислительных затрат.

Что касается нейронной сети, то на каждой итерации в сети LSTM есть один вход, значение которого представляет собой степень наклона крупа в каждый момент времени. Таким образом, входные данные соответствуют степеням задних конечностей в каждый момент времени (23*, 35* и т. д.), а выходные данные сети представляют собой числовые значения, которые в нашем случае мы нормализовали к значениям от 0 до 1, получив таким образом на выходе значение, которое представляет вероятность того, что у собаки есть хромота или нет.

Что касается количества слоев сети LSTM, то использовались два. Использование более низкого значения (1) может привести к тому, что сеть не будет в достаточной мере учиться на обучающих данных из-за низкой сложности сети, и это приведет к тому, что она не сможет правильно обобщить обучающие данные. И наоборот, это значение не было увеличено по двум причинам: чтобы избежать чрезмерных вычислительных затрат на этапе обучения из-за количества нейронов и чтобы избежать переобучения, которое может привести к тому, что сеть запомнит обучающие данные, что ухудшит обобщение системы.

Большинство тренировочных данных содержало более 400 данных, полученных от датчиков, каждое значение относится к степени наклона датчика в каждый момент последовательности, но было решено ограничить эту последовательность 250 данными, чтобы исключить данные. с начала приобретения, так как у них могут быть определенные «аномалии» из-за резких движений собаки в начале. Если в какой-либо последовательности было меньше 250, то она заполнялась нулевыми значениями (0) до тех пор, пока не было достигнуто 250. Мы использовали обучение с учителем, где мы использовали ровно 250 данных, полученных от датчиков, для обучения сети. Если было доступно больше данных, они использовались для создания дополнительных обучающих данных.

Подготовка

До этапа обучения использовались функции стоимости и оптимизации. Функция стоимости оценивает производительность модели. Он принимает как прогнозируемые выходные данные модели, так и фактические выходные данные и вычисляет степень ошибки в прогнозе модели. По сути, это мера успеха сети с обучающим набором, где значение, близкое к 0, означает, что сеть делает точные прогнозы во время обучения. Для этого использовалась формула среднеквадратичной ошибки, представляющая собой сумму квадратов разницы между реальным результатом и прогнозом, сгенерированным нейронной сетью.

После получения ошибки следует скорректировать веса нейронной сети; веса определяют релевантность каждого входа сети для получения более качественных прогнозов. Для этого необходимо выбрать функцию, которая обновляет веса. Это называется функцией оптимизации. В основном для этих целей используется алгоритм градиентного спуска. В нашем исследовании мы специально использовали алгоритм Адама, который является одним из наиболее широко используемых алгоритмов оптимизации благодаря таким преимуществам, как высокая эффективность и низкое потребление ресурсов.

После этого реальный и сгенерированный результат сравнивались, и разница оценивалась. Это разностное значение называется потерями и служит для корректировки весов. Частота обновления весов определяется скоростью обучения, которая является гиперпараметром. Эта скорость была определена эмпирическим путем, потому что при низкой скорости обучения сеть обучается медленно. Однако высокая скорость обучения приводит к расхождению весов и функций ошибок; таким образом, обучения нет вообще. В нашем исследовании мы использовали стандартное значение (0,1).

Дополнительным гиперпараметром, который должен быть установлен для нейронной сети, было количество эпох , или количество раз, когда сеть получает входные данные, чтобы постепенно обобщать и учиться на них. При настройке этого гиперпараметра необходимо было соблюдать осторожность, поскольку неправильное значение могло привести к плохому обучению нейронной сети. Таким образом, вес, эпохи и отсев были изменены в попытке оптимизировать обучение.

Таким образом, первый шаг — перевести сеть в режим обучения и разрешить обновление ее весов. После этого обучающие данные получают партиями; эти обучающие данные использовались в качестве входных данных в сети для наблюдения за сгенерированными прогнозами, а затем для проверки этих прогнозов на соответствие фактическому результату.

На этом этапе в сети используется множество математических операций для генерирования выходных данных. После завершения этой фазы веса сети обновляются с помощью оптимизатора. Цель состоит в том, чтобы скорректировать веса, чтобы они соответствовали входным данным; таким образом, сеть может делать более точные прогнозы в следующие эпохи.

Проверка с помощью слепых данных и улучшений

На этом этапе необходимо было проверить результаты с набором проверочных данных, отличным от набора обучающих данных, чтобы оценить способность сети обобщать свое поведение в присутствии неизвестных данных; в нашем случае проверочный набор представлял 20% доступного набора данных (3 собаки). Когда система оценивалась с этим набором, потери были намного выше, чем на этапе обучения (0,368); к сожалению, точность была относительно низкой (0,6 или 60%).

По этой причине были необходимы определенные доработки. Например, техника отсечения градиента использовалась, чтобы избежать ошибочных обновлений весов. Кроме того, было применено большее отсев (60%), а размер партии был скорректирован до трех испытаний. Благодаря этим улучшениям точность нейронной сети повысилась до 85,7%.

Веб приложение

Диагностический инструмент, реализованный ИНС, был интегрирован в веб-инструмент управления и записи всей информации от собак в этом исследовании. Эта система позволяет ветеринарам собирать соответствующую информацию о собаках, в том числе видео этих животных с различными записями с помощью IMU для сбора данных о наклонах.

Это веб-приложение использовало множество языков программирования и библиотек при разработке. Что касается разработки сервера, то использовался язык «Python» вместе с библиотекой «Flask». Для пользовательского интерфейса использовался фреймворк Angular, основанный на компонентах с открытым кодом.

Элементы и роли пользователей

Для разработки веб-приложений были определены два ключевых элемента:

- Сеансы , которые следуют за хромотой собаки

- Испытания, по три от каждой собаки, с IMU, закрепленным на каудальной части позвоночника каждой собаки. Сенсорные данные были синхронизированы с видеозаписями для одновременной визуализации графики и динамики каждой собаки.

В приложении были установлены две пользовательские роли: администратор, который имеет полный доступ к веб-функциям и имеет исключительные полномочия для регистрации других пользователей в системе, и ветеринар, который вводит данные и управляет ими (регистрация собак в системе, обновление данных, просматривать сеансы собак) и может создавать и редактировать новые сеансы, визуализировать испытания для наблюдения за угловыми характеристиками анализируемых собак и наблюдать за выводами нейронной сети.

Архитектура

Веб-приложение следует общей архитектуре клиент-сервер, позволяя серверу манипулировать данными в приложении и предлагая широкий выбор «сервисов», которые клиент может использовать для получения, изменения, удаления и создания данных в приложении. Для этой связи использовался протокол «HTTP».

Схема связи между различными компонентами приложения

Дизайн базы данных

Для сохранения данных использовалась база данных типа SQLITE3. В нашей базе данных есть разные сущности. Во-первых, это сущность собаки, которая представляет собак, созданных на портале. Он содержит описательные данные о собаке, такие как ее имя, дата рождения, порода, вес или рост, поскольку эти данные могут иметь значение при диагностике хромоты. Во- вторых, у собак есть несколько сеансов, связанных с ними, которые показывают рабочие сеансы между ветеринаром и собакой для хранения нескольких испытаний данных. Испытания отвечают за хранение данных, полученных датчиками, а также за их последующую обработку, чтобы показать различные характеристики наклона, обработать данные в ИНС и предложить диагнозы о наличии хромоты у оцениваемых собак.

Хранилище данных

Веб-портал был разработан для загрузки файлов, видеозаписей и сенсорных данных. С этой целью для хранения различных типов информации использовалась иерархическая структура.

Файловая структура в приложении

У каждой собаки есть своя папка. Имя папки с собакой состоит из префикса «папка с собакой» с добавленным идентификатором собаки, чтобы не было двух папок с одинаковыми именами. Для каждого созданного сеанса создается папка с именем, имеющим ту же структуру, но в данном случае с префиксом «сеанс». На следующем уровне испытания следуют той же структуре, что и выше; наконец, файлы, относящиеся к датчикам и видео, также имеют аналогичный шаблон именования.

Пользовательский интерфейс

Различные мокапы были разработаны с помощью инструмента Figma. В разработке пользовательского интерфейса были все необходимые элементы: хорошее распределение элементов, удобная цветовая палитра и другие важные элементы для конечного пользователя, ветеринара.

В главном окне приложения отображаются собаки, зарегистрированные в системе. Интерфейс позволяет устанавливать различные фильтры, ограничивающие отображаемые клыки.

Доступ к разным собакам, зарегистрированным в системе

При доступе к конкретной собаке отображается другое представление, содержащее основные зарегистрированные данные животного.

Основные данные конкретной собаки

Отсюда пользователь может получить доступ к различным сеансам, записанным для этой собаки.

Доступ к сеансам и испытаниям конкретной собаки

В то же время для каждого сеанса пользователь имеет доступ к различным записанным испытаниям, где визуализация данных датчика синхронизирована с видеозаписью испытания.

Скриншот синхронизированного графика из данных IMU и видеозаписи

Сервер

Разработка интерфейса с репрезентативной передачей состояния (API REST) для сервера позволила отделить логику сервера от пользовательского интерфейса, улучшив обслуживание приложения. Таким образом, существует проект с рядом функций связи в базе данных (создание, обновление, удаление и просмотр), а также отдельный веб-интерфейс, в котором можно наблюдать различные представления.

Для программирования использовался язык Python, учитывая, что он позволяет устанавливать несколько специфических библиотек, таких как Keras, Numpy или Pytorch. Для разработки веб-приложения использовался минималистичный фреймворк Flask.

Клиент

Для разработки веб-интерфейса Angular использовался из-за его качественного и хорошо структурированного программного обеспечения, а также из-за наличия множества возможностей для его разработки. Поскольку веб-интерфейс представляет собой структуру одностраничного приложения (SPA), в которой весь контент хранится на одной странице, страница не требует перезагрузки браузера при доступе к другим маршрутам, что обеспечивает большую гибкость для пользователя. Что касается библиотек, используемых в проекте, для отображения значений IMU использовалась библиотека Chart.js, которая генерирует несколько графиков. Для аутентификации пользователя на веб-странице использовался «Angular JWT». Эта библиотека использует токен, чтобы разрешить последующие операции, запрошенные пользователями после их первоначальной аутентификации с помощью имени пользователя/пароля. Токены проверяются при каждом запросе на сервер, чтобы подтвердить авторизацию запроса. Наконец, «SweetAlert2» использовался для создания всплывающих окон.

Обсуждение

В нашем исследовании оценивалась способность ИНС определять, здорова ли собака или хромает, имитируя знания опытного ветеринарного врача.

В контексте этого экспериментального исследования мы выбрали клыки, поддерживающие хромоту задних конечностей, потому что фиксация инерционного датчика по средней линии остистых отростков крестцового позвонка 2 была проще, чем на макушке. В недавней статье удалось получить надежные данные от датчиков, прикрепленных к макушке головы собак с индуцированной хромотой; в этом исследовании использовалась коммерчески доступная сенсорная система для обнаружения хромоты у лошадей, в которой метод фиксации, несомненно, лучше разработан, чем в нашем экспериментальном исследовании. Если бы нам удалось добиться оптимальной фиксации устройства, мы полагаем, что наша система также могла бы обнаруживать хромоту передних конечностей, но в этом случае о хромоте свидетельствовала бы асимметрия угловых данных шага.

Независимо от размещения ИНС должна быть способна анализировать данные здоровых собак и отличать их от собак с нарушением локомоции из-за хромоты. Эти компенсаторные механизмы хромоты были описаны у собак, демонстрируя, что компенсация происходит путем изменения силы реакции опоры ипсилатеральных и контралатеральных конечностей в попытке облегчить боль. Эти изменения разгружают болезненную конечность и могут быть достигнуты только за счет динамических постуральных адаптаций головы, туловища и конечностей с последующим изменением паттернов их движений. В частности, наши датчики обнаруживали изменения (асимметрию) угла таза, возникающие при односторонней хромоте задних конечностей, когда собака находится на ходу. Мы считаем, что для обнаружения двусторонней хромоты по аналогии с устройствами на основе инерционных датчиков, используемыми у лошадей, потребуются, по крайней мере, объединенные данные от двух или более датчиков, но это все еще требует дальнейшего изучения.

Эта система также потенциально может быть использована для других четвероногих домашних животных, таких как кошки, поскольку динамика движения аналогична. Единственным ограничением может быть то, что животное изменит движение, если устройство вызывает какой-либо дискомфорт.

Что касается способности нейронной сети к обучению и управления входными данными, недавнее исследование на лошадях позволило получить трехмерные данные по маркерам, записанным камерами. Исследование разделило входные данные на один раздел, содержащий 80% всех данных для обучения, и другой раздел, в котором оставшиеся 20% были исключены из этапа обучения. Раздел 20% использовался только для тестирования, чтобы дать объективную оценку производительности сети. Дизайн нашего исследования соответствовал пропорциям предыдущего исследования.

Чтобы получить надежные данные, было принято решение оценить наборы входных данных > 6000, чтобы гарантировать статистическую достоверность. Требования к регистрации действительных собак в нашем исследовании (рабочая собака, телосложение от среднего до крупного, способная ходить на поводке и т. д.) сделали эту цель недостижимой. Чтобы избежать необходимости получать этот огромный объем данных, в недавнем исследовании было предложено идентифицировать и удалять данные, которые лишь незначительно влияют на результат. Поэтому в нашем случае мы решили исключить выбросы, которые добавляли «шум» к набору данных и мешали системе точно различать здоровых и хромых собак. Другие авторы ранее внесли те же поправки в аналогичные исследования, связанные с оценкой хромоты.

И наоборот, некоторые авторы считают, что избыточные данные контрпродуктивны для производительности системы. Такая сеть, как наша (RNN), страдает проблемой исчезающего градиента, когда длинный набор входных данных с нейронами, расположенными дальше от выходных данных, с трудом может узнать что-то новое и не способен «обобщить» шаблоны обучающих данных. По этой причине входные данные в сеть должны быть ограничены на этапе обучения.

По всем причинам, описанным выше, наборы данных были ограничены максимум 250 входными данными с датчика. Это было достигнуто путем первоначального сбора около 400 данных. После удаления выбросов, как описано в разделе «Материалы и методы», осталось примерно 250 входных данных. Если нужно было достичь количества 250 данных; пустые места были заполнены 0, начиная с позиции 0, как если бы собака изначально была неподвижна в начале записи данных. Таким образом, эти дополнительные данные не повлияли на процесс обучения.

При оценке окончательной производительности ИНС некоторые авторы сообщили о правильной классификации хромоты/звука у лошадей в 78,6%; в нашем исследовании мы достигли точности 85,7% у собак с односторонней хромотой на задние конечности, что является аналогичным показателем.

Однако наша система показала различные ограничения и потенциальные улучшения.

Во-первых, сбор и обработка данных могут быть автоматизированы; во-вторых, окончательная диагностика (хромает/звук) должна быть поставлена мгновенно; и в-третьих, хромота может быть определена количественно, как и в других моделях лошадей.

Безусловно, хотя производительность предлагаемой системы высока, авторы считают, что данные несколько ограничены, поскольку они были получены от группы собак с узким конформационным диапазоном. На наш взгляд, решение использовать эту систему в качестве стандартного инструмента является преждевременным и может быть использовано в коммерческих целях.

Выводы

Результаты этого исследования впервые показывают, как ИНС, анализируя данные наклона от ИМУ, прикрепленного к крестцовому позвонку 2 собаки, способна различать здоровых собак и собак с односторонней хромотой, обнаруживая асимметрию в вертикальной амплитуде таза (угол), когда животное находится на ходу. Эти результаты могут помочь в дальнейшей разработке полностью автоматизированной системы обнаружения хромоты в будущем, способной также обнаруживать хромоту на передние и двусторонние конечности. Это поможет улучшить объективное различение при оценке хромоты у собак.


Источник: m.vk.com

Комментарии: