MocapMe:DeepLabCut增强的神经网络,用于在静止运动捕捉中增强无标记器稳定性

科学领域:

• 生物力学 生物力学
• 计算机视觉 计算机视觉
• 康复技术 康复技术 康复技术

背景情况:

• 坐到站 (STS) 运动是功能能力的关键指标,特别是在老年人和术后人群中.
• 准确的运动捕捉对于客观评估STS运动和生物力学分析至关重要.
• 像OpenPose (OP) 这样的现有运动跟踪模型在临床应用中在精度和稳定性方面存在局限性.

研究的目的:

• 为了评估一个优化的DeepLabCut (DLC) 模型对运动捕捉的有效性,特别是对于坐立 (STS) 运动.
• 在计算效率,精度和稳定性方面,比较优化的DLC模型与独立的OpenPose (OP) 的性能.
• 确定针对患者评估和康复监测的优化DLC模型的临床相关性.

主要方法:

• 开发了一个优化的DeepLabCut (DLC) 模型,使用从OpenPose (OP) 模型中过的估计进行训练.
• 利用智能手机拍摄的视频和精选的数据集进行模型培训和验证.
• 雇员数据准备,关键点注释,以及严格的模型培训协议.

主要成果:

• 与独立的OP相比,优化的DLC模型表现出优越的计算效率,处理时间缩短.
• 由于从过的OP数据中增强稳定性,在运动跟踪中实现了更高的精度和一致性.
• 保持了更高的平均信心水平,表明更可靠和更准确的关键点检测.

结论:

• 优化的DLC模型为STS运动的运动捕捉提供了显著的改进,这对于临床评估至关重要.
• 它的效率和稳定性使其成为简化康复和患者监测中的临床工作流程的宝贵工具.
• 未来的应用包括与虚拟现实集成和用于预测医疗分析.