Publikace detail

Multi Path Heterogeneous Neural Networks: Novel comprehensive classification method of facial nerve function

Autoři: Spark Alan | Kohout Jan | Verešpejová Ludmila | Chovanec Martin | Mareš Jan

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Biometric Signal Processing and Control

Strana od-do: 1-9

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Heterogenní neuronové sítě s více cestami: Nová komplexní metoda klasifikace funkce lícního nervu	Tento článek představuje systematickou klasifikaci systému hodnocení obličejových nervů pomocí komplexní metodiky využívající průkopnickou metodu Multi-Path Heterogeneous Neural Network (MPHNN), která byla navržena pro přesnou klasifikaci cvičení. Integruje čtyři odlišné konvoluční neuronové sítě (CNN) a vlastní feedforward neuronové sítě (CFNN) pro zvýšení přesnosti klasifikace. CNN jsou speciálně přizpůsobeny k podrobnému zkoumání změn souřadnic obličejových orientačních bodů v čase, což umožňuje zachytit jak prostorové informace, tak časové vzorce v obličejových výrazech během cvičení. CFNN zahrnují proměnné specifické pro pacienta a statistiky cvičení, včetně faktorů, jako je chirurgická anamnéza, typ cvičení, jeho trvání a syntetické vlastnosti, jako je kumulativní pohyb pro každý bod. Díky využití tohoto komplexního rámce nabízí navrhovaná metoda nuancované zobrazení výkonnosti pacienta při cvičení, což usnadňuje přesnější výsledky klasifikace.	Autoencoder; Klasifikace; Deep learning; Poruchy obličejových nervů; Vision transformer
eng	Multi Path Heterogeneous Neural Networks: Novel comprehensive classification method of facial nerve function	This paper introduces a systematic classification of the facial nerve grading system using a comprehensive methodology using a pioneering Multi-Path Heterogeneous Neural Network (MPHNN) method designed for the accurate classification of exercise. It integrates four distinct Convolutional Neural Networks (CNNs) and Custom Feedforward Neural Networks (CFNNs) to enhance the precision of the classification. The CNNs are specifically tailored to scrutinize changes in the coordinates of facial landmarks over time, enabling the capture of both spatial information and temporal patterns in facial expressions during exercise. The CFNNs incorporate patient-specific variables and exercise statistics, including factors such as their surgical history, the type of exercise, its duration, and synthetic features like cumulative movement for each landmark. By leveraging this comprehensive framework, the proposed method offers a nuanced representation of the patient's exercise performance, thereby facilitating more precise outcomes of a classification.	Autoencoder; Classification; Deep learning; Discriminator; Gait disorders; Vision transformer

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte