利用智能手机进行单目 2D 无标记运动捕捉（MMC）测量跳跃高度、速度、飞行时间、接触时间和运动范围（ROM）的可行性研究表明，MMC 在衡量跳跃和基于速度的测试的体育表现方面可能是 OMC 或力板的可行替代方法。

Dec, 2023

我们提出了一种数据驱动的方法，从动作捕捉数据中学习逼真的解剖约束上肢运动范围界限。此方法采用了一种高效的超参数调整方案，通过拟合一类支持向量机模型来实现。我们的方法在有效运动范围学习方面优于类似的研究，并提出了一种功能指数评估指标，用于比较健康和受损手臂的能力 / 损伤。我们通过将健康受试者物理约束模拟为偏瘫和不同残疾程度的中风患者，对该指标进行验证。

Nov, 2023

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

该研究比较了最新的 3D 姿势估计方法 MeTrabs 和传统惯性传感器系统 MTw Awinda 在特定运动练习中的准确性，并发现该方法可在某些联合角度中保持低于 5 度的误差，但需要谨慎考虑某些特别棘手的联合。同时还研究了运动类型对 3D 位置估计方法的影响。

Jun, 2023

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

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

基于计算机视觉的新框架可追踪和量化工人上下肢的运动，并在达到临界阈值时发出警报，通过精确动作分析和主动人体工程学调整，提供了一种增强工人安全和生产力的工具。

May, 2024

该研究探讨了基于智能手表捕获的 3D 动作分析的远程患者监护可能性，该研究基于快速人类运动的运动学理论，在古特曼神经康复医院进行了实验验证，并显示出有前途的结果。该技术可能在远程医疗应用中发挥重要作用，提高医疗效率，降低医疗成本，未来将进一步在临床验证、多模式分析体系结构以及监测其他神经退行性疾病的应用方面探索。

Dec, 2022

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