Mar, 2017

人类运动的定性评估

PDF
TL;DR本文介绍了一种结合智能手机应用程序和可穿戴传感器的人体运动定量监测，旨在提高运动员安全性、预防受伤和优化训练效果的质性评估方法，基于时序序列数据进行个体特征提取，并通过监督分类技术的应用成功地评估了 27 名运动员的训练动作类型和质量。
smartphonewearable sensorshuman motion trackingqualitative assessmentsupervised classification
发现论文，激发创造
  • 真实工业任务和传统手工艺的动作捕捉基准用于人体运动分析

    这篇论文利用惯性运动捕捉技术记录了工业操作者和熟练工匠在实际场景中进行的专业手势，并使用基于运动学描述符的混合随机 - 生物力学方法 Gesture Operational Model 对专家的运动进行建模和数学表示，从而精确生成人体专业姿态，直观描述身体关节如何协作并随时间变化而变化。

    Apr, 2023

  • 计算机视觉辅助工人视频分析的运动量定量化

    基于计算机视觉的新框架可追踪和量化工人上下肢的运动，并在达到临界阈值时发出警报，通过精确动作分析和主动人体工程学调整，提供了一种增强工人安全和生产力的工具。

    May, 2024

  • 基于普适设备的传感器数据采集以侦测肌肉强度训练活动

    通过利用嵌入式传感器进行人体活动识别以及 LSTM 算法，针对印度尼西亚的使用普及率日益增加的智能手机，本研究分析了 25 位参与者的数据，对九种运动类型进行了机器学习模型开发基础上的肌肉力量动作的重要传感器属性的研究，旨在维持高生活质量以预防健康衰退。

    Jan, 2024

  • 一个稳健和可扩展的基于注意力引导的深度学习框架用于动作质量评估

    使用深度学习与骨骼数据增强技术，提高自动化运动质量评估的准确性来辅助物理康复训练。

    Apr, 2022

  • 佩戴式运动传感器自动监测婴儿姿态和运动

    利用可穿戴式技术和机器学习算法实现对婴儿活动的自动记录和分类，有助于早期发现发育不良的婴儿并为神经发育障碍的预防和治疗提供新的方法。

    Sep, 2019

  • 可穿戴传感器与视频数据捕捉用于人体运动分类的研究

    本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序列分类器进行原始数据处理的方法优于基于手工特征或自动提取特征的传统方法。最后，将单个摄像头和单个 IMU 的数据组合起来能超越任一数据模态，为使用智能手机摄像头和单一传感器进行有效的人体运动分类开辟了新的、更现实的途径。

    Jul, 2023

  • 利用可穿戴感应器进行人类活动识别：综述、挑战和评估基准

    本文通过文献综述，使用六种公开数据集，采用标准化评估标准对最先进的人类活动识别技术进行比较，提出了一种改进的混合手工特征和神经网络架构的方法，优于先前的技术，并证明标准化评估是必要的。

    Jan, 2021

  • 智能手机上的人体活动识别

    我们创建了一个安卓应用程序，能够实时识别人体活动并计算所燃烧的卡路里，使用了标记的三轴加速度读数和机器学习算法，以及一部分特征来提供最大准确度和最小模型构建时间。

    Apr, 2024

  • 使用深度循环神经网络追踪人类自然动作

    通过使用深度循环神经网络等技术，开发单一 Kinect 传感器来改善其骨架追踪的不自然运动，同时通过与商业光学运动捕捉系统进行比较，提出了新的自然度评估方法。

    Apr, 2016

  • 空间相关传感器问题：辅助文字语义的 3D 人体动作重建

    利用可穿戴设备进行动作重建已成为一种经济且可行的技术，在稀疏的惯性测量单元（IMUs）数据上建立人体姿势模型存在着困扰，本文通过多传感器的空间重要性和文本描述的监督引入不确定性来获取每个 IMU 的加权特征，并设计了一种层次时间变换器（HTT）和对比学习来实现传感器数据与文本语义的精确时间和特征对齐。实验证明我们的方法在多个指标上相比现有方法有显著改进，尤其是在文本监督下，我们的方法不仅能区分诸如坐下和站起之类的模糊动作，还能产生更精确和自然的动作。

    Dec, 2023