通过传感器融合的方法，对婴儿的运动模式进行自动分类可能显著提高基于人工智能的神经功能的早期识别，最终促进神经发育状况的自动化检测。

Jun, 2024

通过 Graph Convolutional Network 框架，从用户姿势序列中学习关节运动的关系，能够对个人的自我康复锻炼和体育锻炼中出现的错误进行准确的识别和纠正。

Aug, 2022

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

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

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

Sep, 2023

通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变，本文提出了一个算法流程，可以实时检测和纠正运动技术问题，并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实时推荐系统将帮助锻炼者纠正潜在的错误，使得自我练习成为可行的同时降低锻炼伤害的风险。

Oct, 2023

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

通过统计分析及机器学习方法，我们研究了康复运动对中风患者后期功能能力的改善，以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录（EHRs）数据和自由文本康复疗程笔记的数据集，共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理（NLP）算法提取了康复运动的数据，并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC（基本移动和应用认知）评分。通过对 AM-PAC 评分的变化进行分类，我们采用最小临床重要差异（MCID）为基准，使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼，我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外，我们开发了五个机器学习模型 —— 逻辑回归（LR）、Adaboost（ADB）、支持向量机（SVM）、梯度增强（GB）和随机森林（RF）—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中，我们确定了三种康复运动，在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外，成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。

May, 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

提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

May, 2023