研究介绍了一种使用视频数据和神经网络进行运动康复质量评估的新方法。该方法使用跨模态数据增强技术对数据进行预处理培训，相比基准方法，其表现为更准确的评估结果。

Jun, 2023

通过应用机器学习解决方案来对骨骼视频进行运动评估已经在近年来吸引了大量的研究关注。本研究首次综述了骨骼运动评估中的反馈生成，并讨论了未来的研究方向。

Apr, 2024

通过医疗数据集，我们提出了医学患者进行腰背疼痛康复锻炼的四个挑战，并在数据集上进行了数据收集、处理和小规模基准评估，同时评估了两种基准运动识别算法：高斯混合模型 (GMM) 和长短时记忆 (LSTM)。

Jun, 2024

利用神经网络和 IMUs 原材料，作者设计了一种自动识别运动姿势的系统，即采用基于 CNN，LSTM 和 Dense 层的架构，利用构建出的数据集进行了训练。研究表明，该系统可以很好地识别出已知被试的运动姿势，但并不适用于未知被试者，并且不同的运动姿势识别性能存在显著差异。

Oct, 2022

在本研究中，通过引入一种新的时空转换网络，利用单视角摄像机拍摄的 RGB 视频，估计关键步态参数，从而在临床步态分析中提供一种更具可用性和经济效益的选择，该方法在公开数据集上的实证评估表明，其优于当前最先进的方法，并在预测一般步态参数时取得显著改进，还能减少参数数量和减轻对手动特征提取的需求。

Dec, 2023

提出了一种多任务学习方法来改善行动质量评估 (AQA) 的表现，此方法解决了细粒度行动识别、评注生成和评估 AQA 值三个相关任务，结果表明出优于单任务学习方法，获得了目前的最优结果。

Apr, 2019

本文提出了一种简单有效的 UGC 视频质量评估模型，通过训练端到端的空间特征提取网络直接从视频帧像素中学习感知质量的空间特征表示，并提取运动特征来度量空间特征无法建模的时间相关失真。

Apr, 2022

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。

Mar, 2017

本文旨在研究运动质量测量问题，以有效管理像脑瘫（CP）之类的疾病。通过机器学习技术，将大幅度运动（LAM）与亚健康练习进行自动化评估，发现 Adaboosted Tree 表现最佳，证明了评估运动质量的可行性。

Aug, 2016

MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

Feb, 2024