一个对比的学习网络的性能指标和评估的物理康复练习练习

科学领域:

• 生物力学 生物力学
• 计算机视觉 计算机视觉
• 康复医学 康复医学 康复医学

背景情况:

• 人类活动分析对于身体康复至关重要,有助于恢复和降低成本.
• 在康复中进行行动质量评估 (AQA) 的现有深度学习方法通常将其视为回归,受到数据注释和缺乏特定反的限制.
• 目前的QAA框架努力提供可操作的洞察力,患者的运动缺陷.

研究的目的:

• 开发一个先进的框架来评估使用多任务对比学习的身体康复练习.
• 解决当前QAA方法的局限性,特别是缺乏关于运动质量的详细反.
• 提高AQA在体力康复中的准确性和实际适用性.

主要方法:

• 提出了一种多任务对比学习框架,用于性能指标和AQA任务的骨架序列.
• 引入了一个性能指标网络,使用三重训练样本来生成分数.
• 整合了联合注意力矩阵偏差到损失函数中,以增强QAA和反生成.

主要成果:

• 拟议的框架在UI-PRMD和KIMORE数据集上实现了最先进的性能.
• 整合联合注意力偏差损失显著改善了AQA性能.
• 该方法通过可视化联合注意力差异提供信息反,有助于纠正缺陷.

结论:

• 多任务对比学习框架为体育康复中的AQA提供了一种优越的方法.
• 量化联合注意力偏差可以提高模型评估运动质量和识别特定缺陷的能力.
• 这种方法具有显著的潜力,可以通过详细的可视化反来改善患者康复结果.