人工智能在远程健康监测领域的研发方面与物联网设备集成，能够提供更为便捷的方案，以监测老年人及患有慢性或急性疾病患者的健康，进行病患个性化医疗监控和行为模式分析，并能够通过广泛使用的增强学习技术和群体学习技术，提早预测患者的健康状况及早发现患病风险。

Jan, 2023

本文介绍了一种基于 RFID 技术和 AI 的远程病人监护系统框架，可以从接受治疗的患者中检索重要数据以预测病人未来 3 小时内的生命体征。通过监控病人实时数据的变化，医生们能够进行医疗干预并及时避免不可预见的医疗风险。

Jan, 2023

本文介绍了如何在物理治疗领域利用 Microsoft Kinect 等低成本设备，通过计算机视觉技术、离群点数据处理算法、以及基于 Unscented Kalman Filter 算法的卡曼滤波器模型，提取精确可靠的人体运动参数。

Dec, 2015

使用单个低成本 RGBD 摄像头的生物力学方法，可提供高精度的上肢运动学重建和全面上肢生物力学研究的潜力。

Jun, 2024

提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。

Feb, 2024

通过测试，基于网络摄像头的 ROM 评估方法表现出高的测试重测性和评测员间的可靠性，成为临床实践中现有 ROM 评估方法和远程实施物理疗法和康复的多功能替代方法。

Oct, 2023

我们提出了一个基于网络的框架，通过允许用户在家进行神经学测试来筛查帕金森病（PD）。我们的网络框架指导用户完成涉及语音、面部表情和手指运动的三个任务。通过分析任务视频来分类用户是否显示出 PD 的迹象。我们以易于理解的方式呈现结果，并提供个性化资源以进一步获得治疗和关怀。我们的框架可以通过任何主要的 web 浏览器访问，提高了对神经疾病照护的全球可访问性。

Nov, 2023

该研究提出了一个创新的计算机视觉框架，旨在通过与现有软件的无缝集成来分析工业环境中的人体运动，以增强生物力学分析。该框架利用先进的图像处理和建模技术，通过卷积神经网络（CNNs）、直接线性变换（DLT）和长短期记忆（LSTM）网络准确地检测关键身体节点，重建 3D 标记点，并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性，在各种动作下与传统基于标记点的模型展示出了可比较的结果，并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力，消除了笨重的标记物的需求，并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。

Apr, 2024

本研究旨在开发一种基于深度学习的新的端到端系统，Rapid-Motion-Track（RMT），可以在使用网络摄像头或笔记本电脑摄像头时准确跟踪最快的人体动作，该系统可以精确地追踪多种快速的人体运动，从而有望在人运动评估的可访问性和准确性方面发挥潜在作用。

Jan, 2023

使用视频转换器架构，以无需特定模块的方式，基于丰富的时间信息进行远程生理测量，克服了现有方法中的一些限制，并在多个数据集上获得了有利结果。

Jun, 2024