LLM-FMS:用于功能移动屏幕行动质量评估的细粒度数据集

科学领域:

• 生物力学 生物力学
• 体育科学 运动科学 运动科学
• 人工智能的人工智能

背景情况:

• 目前的自动化功能运动屏幕 (FMS) 评估使用深度学习,但提供有限的,不可解释的等级评分.
• 这种缺乏细粒度的反阻碍了有效的伤害预防和康复应用.
• 自动化FMS分析需要增强细节性和可解释性,以便在实践中使用.

研究的目的:

• 为详细的行动质量评估开发一个细粒度的,层次化的数据集 (LLM-FMS).
• 提出使用大型语言模型 (LLM) 进行可解释的FMS评估的新框架.
• 提高FMS自动化分析的准确性和可解释性,以预防伤害.

主要方法:

• 创建了LLM-FMS数据集,包含来自45个主题的1812个关键图像,详细介绍了7个FMS行动中的15个行动表示.
• 开发了一个行动质量评估框架,整合了专家规则和骨特征提取的RTMPose.
• 利用LLM来处理关键框架特征和专家规则,生成分数和详细的理由.

主要成果:

• 提出的基于LLM的框架在准确性方面明显优于现有方法.
• 该方法为FMS评估提供了更清晰,更详细的理由,提供了更好的解释性.
• LLM-FMS是第一个专门用于行动评估任务的细粒度健身行动数据集.

结论:

• 开发的LLM-FMS数据集和框架在自动化FMS分析方面取得了重大进展.
• 该方法通过提供可解释的细粒度反来增强伤害预防和康复.
• 大型语言模型显示了提高运动评估的准确性和可解释性的巨大潜力.