Jun, 2023

多模式视频到身体关节增强，用于康复运动质量评估

PDF
TL;DR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。
exercise-based rehabilitation programsai-driven virtual rehabilitation programsrgb videosequential neural networkscross-modal data augmentation
发现论文，激发创造
  • 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

  • 通过有监督的对比学习评估康复运动的质量，包括困难和软负例

    通过引入一种新的监督对比学习框架，该框架结合了硬负样本和软负样本，利用整个数据集训练一种适用于所有运动类型的单个模型，从而提高了运动评估的泛化能力，并降低了总体复杂性，我们的方法在多个数据集上展示了胜过现有方法的结果，创立了康复运动评估准确性的新的基准。

    Mar, 2024

  • 利用骨骼关节进行康复运动重复分段和计数

    本文提出了一种基于骨骼关节的新方法，用于分割和计数患者进行的康复运动，通过分析运动数据以提供反馈以及向临床医生报告进展情况，以实现准确的运动分析，并保护隐私，从而有助于有效提供虚拟康复计划。

    Apr, 2023

  • 一个医学腰背疼痛身体康复数据集的人体运动分析

    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

  • 通过视觉语言模型中的知识增强，提升神经退行性疾病步态视频分析

    通过基于大规模预训练的视觉语言模型（VLM）的知识增强策略，我们的模型学习并改进了患者步态视频的视觉、文本和数值表示，通过跨三个不同模态的集体学习：步态视频、特定类别的描述以及数值步态参数。实验结果表明，我们的模型不仅在基于视频的分类任务中明显优于最先进技术（SOTA），而且能够熟练地将学到的特定类别文本特征解码成使用定量步态参数词汇的自然语言描述。

    Mar, 2024

  • 基于三维姿势反馈的身体锻炼

    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

  • 肌肉视觉：基于实时关键点的体育动作姿势分类

    本研究提出了一种新的机器学习流程和网络接口，可对实时视频进行人姿态识别，检测特定健身运动并进行分类，主要贡献包括一种基于关键点和时间序列的轻量级分类方法和一个基于 Web 的软件应用程序，实时获取和可视化结果。

    Mar, 2022

  • 使用可学习的物理知识进行实时锻炼姿势建议

    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

  • 基于 Transformer 注意力网络从单视角 RGB 视频中学习估计关键的步态参数

    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

  • 使用单个 RGBD 相机的实时、准确及开源的上肢肌肉骨骼分析

    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