基于无标记视觉的功能性运动查运动评估与深度神经网络.

科学领域:

• 生物力学 生物力学
• 计算机科学 计算机科学
• 运动医学 运动医学

背景情况:

• 功能运动屏幕 (FMS) 是评估基本运动模式和预测运动受伤的宝贵工具.
• 目前的FMS评估严重依赖临床专业知识,限制了其可访问性和客观性.
• 需要自动化和可靠的方法来评估FMS.

研究的目的:

• 开发和验证使用多视图深度神经网络 (MVDNN) 进行功能运动屏幕 (FMS) 评估的自动框架.
• 通过自动化分析,提高FMS测试的客观性和可访问性.
• 提高基于运动模式的伤害风险预测的准确性.

主要方法:

• 使用多视图深度神经网络 (MVDNN) 开发了一个自动的FMS运动评估框架.
• 该框架包含自动骨架提取和手动特征选择,以从两个角度捕获3D关节轨迹数据.
• 使用时间序列建模技术,从骨架序列中学习,并融合多视图运动特征.

主要成果:

• 与现有的最先进的方法相比,MVDNN框架在公共FMS数据集上表现出更高的性能.
• 实现了高绩效指标,包括平均miF1得分为0.857,maF1得分为0.768,卡帕得分为0.640超过十次运行.
• 双视图运动特征的融合提供了互补的信息,提高了评估准确性.

结论:

• 开发的MVDNN框架为FMS运动评估提供了有效和自动化的解决方案.
• 这种自动化方法有可能提高FMS测试的客观性和可靠性.
• 这些发现表明,通过先进的计算方法,改善体育伤害预测的有希望的方向.