在人类运动和姿势分析中使用的机器学习姿势估计模型的全面分析:叙述性审查
Federico Roggio1, Bruno Trovato1, Martina Sortino1
1Department of Biomedical and Biotechnological Sciences, Section of Anatomy, Histology and Movement Science, School of Medicine, University of Catania, Catania, Italy.
Heliyon
|November 18, 2024
概括
机器学习姿势估计模型 (PEMs) 为康复,体育和人体工程学提供了可访问的,非侵入性的人类运动分析. 这些工具提供了具有成本效益的运动洞察力,促进了科学理解和实际应用.
科学领域:
- 人类运动科学 人类运动科学
- 生物机械分析 生物机械分析
- 计算生理学计算生理学
背景情况:
- 准确的人类运动分析在康复,神经科学,体育科学和人体工程学中至关重要.
- 传统的运动分析方法往往受到成本,可访问性和需要控制环境的限制.
- 机器学习姿势估计模型 (PEMs) 使用低成本成像提供了具有成本效益的,非侵入性的替代方案.
研究的目的:
- 审查和评估机器学习的姿势估计模型 (PEMs) 以及它们对人类运动科学的影响.
- 专注于最近的ML和计算机视觉的进步,以进行非侵入性,低成本的运动分析.
- 确定ML PEM在临床,体育和人体工程学的关键进展,应用和挑战.
主要方法:
- 进行了叙事审查.
- 使用关键词搜索电子数据库 (PubMed,Google Scholar):"机器学习"",姿势估计模型"",人类运动科学".
- 对已识别的文献进行主题分析,以对进展,应用和挑战进行分类.
主要成果:
- 突出显示的ML PEMs包括OpenPose,PoseNet,AlphaPose,DeepLabCut,HRNet,MediaPipe Pose,BlazePose,EfficientPose和MoveNet. 这里还可以看到一些 ML PEMs,如OpenPose,PoseNet,AlphaPose和MoveNet.
- 在临床环境 (行走/姿势分析,康复跟踪),体育 (绩效分析,伤害预防) 和人体工程学 (工作场所伤害预防) 中已证明应用.
- 确定了包括准确性,数据质量和集成在内的挑战,强调了对标准化协议的需求.
结论:
- ML PEMs为非侵入性,具有成本效益的人类运动评估提供了显著的潜力.
- 标准化的协议对于可靠,跨学科的ML PEMs的实施至关重要.
- 本综述为专业人士和研究人员提供了有价值的见解,他们希望在人类运动科学中利用ML PEM.
