基于MediaPipe和LSTM的手动搬运任务实时姿势监测与风险评估
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
将在实验室数据上训练的机器学习模型转移到实际情境一直以来都是一个挑战。本文讨论将实验室训练的举重识别模型转移到实际情境中。我们发现其性能远低于训练数据,并提出了四个潜在的解决方案来提高模型性能。
Sep, 2023
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
该研究使用自然语言处理技术和模式排名方法,深入探讨了肌肉骨骼障碍(MSD)的风险因素。研究利用多个模型对风险因素进行分类,并使用调查数据进行综合排名,以揭示MSD风险因素的相对严重性。其中,在工作姿势、工作不安全性、努力回报不平衡以及员工设施不良等因素在MSD风险中扮演重要角色。通过这些研究结果,可以为有针对性的干预措施和改善工作环境提供有益的指导。
Dec, 2023
本文提出了一个框架,结合在线人体状态估计、动作识别和运动预测,实现了对工人在举重任务中的生物力学风险进行早期评估和预防。该框架利用NIOSH指数进行在线风险评估,适用于实时应用。通过可穿戴传感器数据,通过逆运动学/动力学算法检索人体状态。通过实施基于LSTM的引导式专家混合结构来实现人体动作识别和运动预测,该混合结构在离线训练并在线推断。通过识别的动作,将单一举重活动分为一系列连续的动作,然后可以应用修订版NIOSH举重方程进行风险评估。此外,通过预测的动作可以预见未来的风险。可穿戴系统中嵌入的触觉装置可以提醒受试者潜在风险,充当主动预防装置。通过执行真实的举重任务并配备iFeel可穿戴系统来验证所提出框架的性能。
Dec, 2023
脊柱生物力学通过机器学习和计算机视觉技术的引入和整合进入了转型期。该研究介绍了一个将这些方法与传统肌肉骨骼模型相结合的框架,使得从单个相机中能够进行复杂活动的脊柱生物力学全面分析成为可能。此框架在工作场所举重评估、车祸中鞭打伤评估以及专业运动的生物力学分析等实际应用中表现出潜力和局限性,并且对于预测准确性、复杂交互和外部负荷估计等方面存在限制,但展示出了在脊柱生物力学领域中进一步进展的潜力,预示着研究和实际应用都有乐观的未来。
Jan, 2024
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
通过应用机器学习解决方案来对骨骼视频进行运动评估已经在近年来吸引了大量的研究关注。本研究首次综述了骨骼运动评估中的反馈生成,并讨论了未来的研究方向。
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
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