通过图形的3D人体姿势估计识别向前的头部姿势 卷积网络:开发和可行性研究

科学领域:

• 生物医学工程 生物医学工程
• 计算机视觉 计算机视觉
• 人与计算机的交互

背景情况:

• 长期不适当的姿势,特别是前进的头部姿势 (FHP),与头痛,疲劳和呼吸问题有关.
• 久坐不动的生活方式加剧FHP由于延长静态姿势维护.
• 目前的FHP诊断依赖于不切实际的临床方法,需要实时,可访问的评估工具.

研究的目的:

• 开发一种可访问和高效的系统,用于实时检测前置头部姿势 (FHP).
• 为了实现持续的姿势评估,并为公共卫生效益提供纠正反.
• 克服现有的姿势估计模型在测量FHP诊断的椎间盘角的局限性.

主要方法:

• 使用Detectron2D和VideoPose3D算法对2D和3D人类关键点的顺序估计.
• 利用图形卷积网络 (GCN) 在3D中分析上半身关键点的空间配置.
• 训练GCN从3D解剖关键点数据中隐式学习FHP指标.

主要成果:

• 通过使用身体上部关键点,GCN模型实现了78.27%的测试准确性.
• 与基线前神经网络 (75.88%) 相比,GCN表现出优异的平衡性能 (F1得分宏:77.54%) .
• 在各种姿势中,GCN表现出更好的概括性和平衡的FHP检测精度/回忆.

结论:

• 基于GCN的网络可以通过3D姿势估计来学习2D图像中的FHP相关特征,用于姿势校正系统.
• 开发的系统显示了在姿势监测和纠正方面实际应用的潜力.
• 未来的工作将解决系统的局限性,并探索FHP检测的进一步进展.