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

提出了一种用于诊断膝关节疾病和监测治疗进展的自动生物标志物识别方法，该方法使用标准 RGB 相机以廉价且敏感的方式测量和分析生物力学，利用主成分分析技术进行生物标志物识别和降维，并应用于本地麻醉用于膝痛的病例，验证了其在临床环境中的有效性和统计学意义 (p 值 < 0.05)。

Apr, 2023

该论文研究了使用已公开发布的运动数据集来训练机器学习算法，以分类人类活动，并通过 Gradient Boosting 算法在 11 次交叉验证中展现了高达 0.94 的 ROC 曲线下区域 (AUC) 性能，显示出该方法的有效性和潜在用途。

Jun, 2022

通过创建一个数据集，包含了人体模型的人工图像和真实人体照片，以及通过卷积神经网络提取所需关节角度，我们得到了在测试数据集上的均方根误差（RMSE）为 12.89、平均绝对误差（MAE）为 4.7 的结果，从而解决了二维人体姿势识别中不可见身体部位的问题。

May, 2024

提出了一种使用深度神经网络的自动医学影像识别方法，通过用户交互式系统可以检测和修正医学影像中的解剖关键点，达到减少人工修订成本的目的。

Sep, 2022

该论文研究了基于视频的运动表现分析，提出了一种基于 Transformer 的方法进行运动员身体姿态的关键点检测。

Apr, 2023

近年来，人工智能和计算机视觉的最新技术进展使得步态分析可以在手机等便携设备上进行。本文提出了一种针对摄像机运动具有鲁棒性并提供输出解释的步态分析系统，通过使用运动捕捉系统捕捉的七个特征来区分两种步态，并经验证可靠。

Feb, 2024

本研究旨在开发一种新的计算方法，通过基于解剖学的联合区提案和方向梯度直方图的评估及其预先训练的支持向量机分类器的得分来自动定位关节区域，提高膝关节放射成像的客观性，结果表明该方法适用于大规模分析。

Jan, 2017

本文提出了一种基于单目视频预测人们跌倒的新方法，利用身体关键点的姿势预测模块和跌倒分类器的联合训练，通过对 191 个视频数据集的对比实验展示了预测未来跌倒的有效性。

Aug, 2019

本文提出了一种基于多视图图像的直接关节角度估计方法，通过结合体态姿势表示法，将旋转表示法映射到一个连续空间中，为现场运动分析提供了一种新的方法。

Jul, 2023