Oct, 2023

使用可学习的物理知识进行实时锻炼姿势建议

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于领域知识的自监督表示学习用于 Workout Form 评估

    通过自监督的学习和对锻炼形式的理解，我们提出了一种在容易出现镜头角度、遮挡和光照变化的体育馆场景下，能够有效对运动员姿势进行检测的方法。我们还针对此目的创建了一个包含三种训练动作的新锻炼数据集，并且其自监督特征的表现超过了现有的 2D 和 3D 姿态估计器。

    Feb, 2022

  • Pūioio：基于智能手机的实时设备上的自动化运动重复次数计数系统

    智能手机实时跟踪基于深度学习的自动运动重复计数系统，无需任何可穿戴设备或特定传感器或网络连接，实现了对体育锻炼的低成本和便利替代方案。

    Jul, 2023

  • 隐私保护的个性化健身推荐系统（P3FitRec）：一种多层深度学习方法

    本文提出了一种隐私保护的个性化健身推荐系统，通过多层深度学习框架学习从可穿戴 IOT 设备收集的真实健身数据中提取的重要特征，推导出智能健身建议，并实现个性化推荐，而无需明确收集用户身份或生物特征信息，如姓名，年龄，身高，体重，同时相比于现有研究，不需要收集和使用用户的敏感信息，从而保护用户的隐私。

    Mar, 2022

  • QuestEnvSim：基于环境感知的稀疏传感器模拟运动跟踪

    使用强化学习相结合的物理模拟和环境观察，可以在高度约束的环境中生成逼真的全身姿势，从而避免接触的干扰。

    Jun, 2023

  • 基于物理学的轨迹优化算法，从单目视频重建 3D 人体姿态

    本研究利用物理引擎对姿态估计过程进行改进，从而使得我们可以利用现实世界的场景推导出物体的运动。我们的公式具有广泛的应用场景，并可处理自身接触和与场景几何之间的接触。我们的方法在 Human3.6M 和 AIST 基准测试中均获得了与现有基于物理的方法相竞争的结果，同时不需要重新训练。

    May, 2022

  • 多模式视频到身体关节增强，用于康复运动质量评估

    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

  • 基于物理模拟的运动模仿推进单目视频步态分析

    使用智能手机获取视频进行步态分析可以揭示许多临床机会以检测和量化步态障碍。然而，现有视频估计步态参数的方法可能产生不符合物理规律的结果。为了解决这个问题，我们使用强化学习训练一个策略来控制人类运动的物理模拟，以复制视频中观察到的运动。这样可以强制推断的运动具有物理可行性，同时提高步幅和步行速度的准确性。

    Feb, 2024

  • 利用任务通用运动先验从非常稀疏信号中恢复全身运动

    通过预测用户整体运动的潜在表征并将其与跟踪传感器输入集成，提出了一种利用神经运动先验信息以提高用户运动重建准确性的方法，该方法通过有限的输入信号重建用户的全身姿势，尤其增强了从贫乏信号中重建下半身运动的强健性。

    Aug, 2023