使用计算机视觉来注释视频重编码的物理行为的直接观察
Sarah K Keadle1, Skylar Eglowski2, Katie Ylarregui1
1Department of Kinesiology and Public Health, California Polytechnic State University, San Luis Obispo, CA 93407, USA.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
机器学习模型现在可以自动识别视频中的物理行为,大大降低了与直接观察相关的劳动和成本. 这种计算机视觉方法为分析人类运动数据提供了更快,更有效的方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人类运动分析 人类运动分析
背景情况:
- 直接观察是物理行为评估的黄金标准,但需要大量的劳动和成本.
- 需要自动化方法来提高物理行为分析的效率和可扩展性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于从视频数据中识别物理行为和位置.
- 在不同的物理行为分类学中评估ML模型的准确性.
主要方法:
- 成年人 (N=26) 在他们的自然环境中被视频录制.
- 视频根据久坐状态,活动类型和强度使用既定的分类学进行了注释.
- 在90%的视频数据上训练和验证了四种ML方法,在剩余的10%上测试了最终准确性.
主要成果:
- ML模型在静止与非静止分类方面实现了87.4%的准确性.
- 活动类型和强度分类的准确率分别为63.1%和68.6%.
- 计算机视觉有效地自动化了物理行为注释,减少了时间和劳动力.
结论:
- 机器学习模型证明了从视频中注释物理行为的可行性.
- 这种方法为人类运动分析提供了直接观察的可扩展替代方案.
- 未来的工作应该涉及更大的数据集和视频片段分析,以提高模型性能.
