标题： UDF-GMA：不确定性解耦与融合用于一般运动评估 显示英文标题

标题： UDF-GMA: Uncertainty Disentanglement and Fusion for General Movement Assessment

摘要： 通用运动评估（GMA）是一种通过定性评估一般运动来早期检测脑功能障碍的无创工具，开发自动化方法可以扩大其应用范围。 然而，主流的基于姿态的自动化GMA方法由于高质量数据有限和姿态估计噪声，容易产生不确定性，缺乏可靠的不确定性度量会阻碍临床可靠性。 在本工作中，我们引入了UDF-GMA，该方法显式地对模型参数中的认识论不确定性以及数据噪声中的偶然不确定性进行建模，以实现基于姿态的自动化GMA。 UDF-GMA通过直接建模偶然不确定性并利用贝叶斯近似估计认识论不确定性，有效地解耦了不确定性。 我们进一步提出将这些不确定性与嵌入的运动表示融合，以增强类别分离。 在Pmi-GMA基准数据集上的大量实验表明，所提出的方法在预测不良表现方面具有有效性和泛化能力。 显示英文摘要

摘要： General movement assessment (GMA) is a non-invasive tool for the early detection of brain dysfunction through the qualitative assessment of general movements, and the development of automated methods can broaden its application. However, mainstream pose-based automated GMA methods are prone to uncertainty due to limited high-quality data and noisy pose estimation, hindering clinical reliability without reliable uncertainty measures. In this work, we introduce UDF-GMA which explicitly models epistemic uncertainty in model parameters and aleatoric uncertainty from data noise for pose-based automated GMA. UDF-GMA effectively disentangles uncertainties by directly modelling aleatoric uncertainty and estimating epistemic uncertainty through Bayesian approximation. We further propose fusing these uncertainties with the embedded motion representation to enhance class separation. Extensive experiments on the Pmi-GMA benchmark dataset demonstrate the effectiveness and generalisability of the proposed approach in predicting poor repertoire.