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

利用神经网络和 IMUs 原材料，作者设计了一种自动识别运动姿势的系统，即采用基于 CNN，LSTM 和 Dense 层的架构，利用构建出的数据集进行了训练。研究表明，该系统可以很好地识别出已知被试的运动姿势，但并不适用于未知被试者，并且不同的运动姿势识别性能存在显著差异。

Oct, 2022

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

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

本文研究行动识别问题，结合 SlowFast 网络和 TSM 方法，在视频中提取运动特征可以使用残差帧作为输入和 RGB 帧输入模型的优秀补充，通过 3D 卷。积（SlowFast）与 2D 卷积（TSM）的组合取得更好的性能结果，以上实验均在 UCF101 中从头开始训练。

Jul, 2020

我们对扩展 3D（X3D）神经网络在体育环境中进行了迁移学习分析，通过运动识别网络来估计运动员在超长距离比赛期间的累计比赛时间（CRT）。我们评估了 X3D 的性能，这是一种扩展小型 2D 图像分类体系结构的行动识别网络，可以沿多个网络轴（包括空间、时间、宽度和深度）扩展。我们证明了该神经网络在短时间内可以提供出色的性能，对于活动时间在 8 到 20 个小时之间的跑步者估计 CRT 的平均绝对误差仅为 12 分钟半。我们最重要的发现是，相较于以前的工作，X3D 在达到更好的精度时所需的内存几乎要少七倍。

Jul, 2023

通过提出新的 AGF-Olympics 数据集和引入一种能适用于长期视频序列的注意力模块，我们可以更准确地评估运动员的运动能力表现。

Jan, 2023

提出了一种名为 MAAIG 的新的应用框架，可以为每个帧生成嵌入向量，以用户提供的运动动作视频为基础，然后将这些嵌入向量与每个帧的 3D 骨架相关联，并进一步输入预训练的 T5 模型，最终利用这些信息生成具体的运动指导，类似于专业教练的方式提供潜在问题的识别和实时指导，帮助用户提高运动技能，避免受伤。

Nov, 2023

该研究提出了一种新颖的动态多尺度图神经网络（DMGNN），以预测基于 3D 骨架的人体动作，整个模型采用编码器 - 解码器框架，并使用多尺度图计算单元（MGCU）提取不同尺度的特征并融合。实验证明，在 Human 3.6M 和 CMU MOCAP 数据集上，DMGNN 在短期和长期预测方面都优于现有的方法。

Mar, 2020

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