评估骑自行车运动状态的新方法:一个探索性研究,整合了深度学习和信号处理技术
Yingchun He1,2, Yi-Haw Jan3,4, Fan Yang1,5
1Department of Rehabilitation Medicine, School of Health, Fujian Medical University, Fuzhou, 350122, China.
BMC medical informatics and decision making
|February 11, 2025
概括
本研究介绍了使用Keypoint RCNN (KR) 和信号处理的深度学习运动评估方法. KR算法可靠地评估运动功能,显示出个性化评估的出色一致性和准确性.
科学领域:
- 生物力学 生物力学
- 计算机视觉 计算机视觉
- 信号处理 信号处理
背景情况:
- 准确的运动评估对于评估运动功能至关重要.
- 传统方法可能需要专门的设备或环境.
- 开发可访问和可靠的运动分析工具是一个持续的需求.
研究的目的:
- 提出并验证基于深度学习的运动评估方法.
- 整合姿势估计 (Keypoint RCNN) 与用于运动分析的信号处理.
- 评估这种用于评估运动功能的综合方法的可靠性和有效性.
主要方法:
- 利用Keypoint RCNN算法从视频中提取二维骨架关键点坐标.
- 采用惯性传感器和智能手机用于同时捕捉运动.
- 应用信号处理技术,包括多尺度分析,用于数据解释.
- 进行统计分析:斯皮尔曼等级相关性,ICC,错误分析和t测试.
主要成果:
- 关键点RCNN显示出极好的一致性 (ICC=0.988) 与惯性传感器用于峰值加速频率.
- 对于峰值加速频率和复杂度指数平均 (CIA) 发现了强烈的相关性 (r > 0.70) 和良好的一致性 (ICC > 0.750).
- 该方法显示了低误差值 (MAE = 0.001-0.040) 和可靠地区分运动状态 (p < 0.05).
结论:
- 建议的深度学习和信号处理方法对于运动评估是可靠和有效的.
- 关键点RCNN准确地捕捉了运动动态,并使个性化运动功能评估成为可能.
- 这种方法提供了一个有前途的解决方案,用于可访问的,基于家庭的运动功能监测.
