姿势估计模型与机器学习相结合,高精度地估计了指的辐射吸收角度

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 运动学 运动学

背景情况:

• 评估指功能是具有挑战性的,因为它的复杂性.
• 准确评估指运动对于诊断疾病和指导康复至关重要.
• 姿势估计技术为使用人工智能分析身体运动提供了一种新的方法.

研究的目的:

• 开发和评估一种基于人工智能的系统,用于准确预测指的辐射绑架角度.
• 为了比较单独的MediaPipe-Hands与与机器学习模型相结合的MediaPipe-Hands的准确性.
• 探索指运动的非接触,实时功能评估的潜力.

主要方法:

• 利用MediaPipe-Hands的姿势估计库来处理指运动的视频数据.
• 结合MediaPipe-Hands与五种不同的机器学习模型来预测指绑架角度.
• 收集了来自10名健康志愿者的20只手的视频数据,生成了5000张图像.
• 用仪测量作为评估角度预测准确性的基准.

主要成果:

• 仅MediaPipe-Hands的测量结果显示,与仪的测量结果之间存在中等的相关性 (CC=0.84).
• 将机器学习模型与MediaPipe-Hands集成显著提高了准确性,实现了高相关系数 (CC=0.94-0.99).
• 人工智能模型成功地从各种摄像头角度预测了绑架角度,并确定了诸如指和食指之间的距离等关键特征.

结论:

• 机器学习显著提高了基于人工智能的指绑架角度估计的准确性.
• 这种人工智能系统可以在不需要正面成像的情况下进行可靠的角度估计,为远程评估铺平了道路.
• 该技术有望实现远程医疗和身体康复中的实时,非接触功能评估.