基于关键点增强的无标记姿势估计深度学习模型:哪些因素影响生物机械应用中的错误?

科学领域:

• 生物力学 生物力学
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 传统的基于标记器的动作捕捉在生物力学中有几个不便.
• 无标记方法,如姿势估计网络,提供了替代方案,但往往缺乏完整的解剖数据来计算关节角度.

研究的目的:

• 开发和评估基于深度学习的标记增强模型,以实现准确的无标记移动捕获.
• 为了比较不同复杂度标记增强模型的性能与光度测量系统.

主要方法:

• 开发了三种不同复杂度的标记物增强模型.
• 模型经过训练和测试,使用数据与基于标记的光谱系统进行比较.
• 进行了统计分析,以确定影响位置和关节角度错误的因素.

主要成果:

• 拟议的变压器模型在7个运动中实现了解剖学地标的位置误差在1.5厘米以下,关节角度为4.4度.
• 人类测量数据没有显著影响错误.
• 解剖学标志和运动类型影响了位置错误,而模型,旋转轴和运动影响了关节角度错误.

结论:

• 深度学习标记增强模型可以显著提高生物力学中无标记运动捕获的准确性.
• 变压器模型表现出卓越的性能,为详细的运动分析提供全面的解剖数据.