康复中的动作识别:将3D卷积和LSTM与时空注意力结合起来
Fan Yang1, Shiyu Li2, Chang Sun3
1The Second Affiliated Hospital, Qiqihar Medical University, Qiqihar, Heilongjiang, China.
Frontiers in physiology
|December 17, 2024
概括
本研究介绍了STA-C3DL模型,用于准确的实时体育康复行动识别. 深度学习框架显著提高了准确性和响应速度,帮助治疗师和患者.
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
- 康复科学 康复科学 康复科学
背景情况:
- 传统的体育康复方法在实时动作识别方面缺乏准确性和速度.
- 复杂的康复场景需要先进的计算工具来精确分析运动.
研究的目的:
- 开发一个先进的深度学习模型,用于在体育康复中准确和快速的实时动作检测和识别.
- 为了提高捕捉微妙的动作动态的精度,以改善治疗反.
主要方法:
- 提出了STA-C3DL模型,集成3D卷积神经网络 (C3D),长短期记忆 (LSTM) 网络和时空注意力.
- 在各种数据集上评估模型,包括NTU RGB + D,Smarthome康复,UCF101和HMDB51.
主要成果:
- 在UCF101数据集上,STA-C3DL模型达到高达96.42%的准确性和95.83%的F1得分.
- 在多个数据集中,与现有方法相比,表现出显著的性能改进.
- 展示了处理康复实时反要求的强大能力.
结论:
- 在体育康复中,STA-C3DL模型为动作识别提供了一个强大而准确的工具.
- 这种深度学习框架推动了人工智能在康复治疗中的应用,支持临床医生和研究人员.
- 未来的工作将集中在模型适应多样化的行动和更广泛的整合到康复环境的适应性.
