改进的卷积神经网络用于精确的运动姿势识别和智能健康指标预测

科学领域:

• 体育医学中的人工智能
• 计算机视觉用于人类姿势估计
• 生物识别数据分析

背景情况:

• 准确的运动姿势识别对于预防伤害和训练有效性至关重要.
• 从体力活动中预测健康指标需要强大而适应性的系统.
• 目前的方法往往缺乏实时功能或全面的健康指标分析.

研究的目的:

• 开发一个人工智能框架,用于准确的运动姿势识别.
• 为了从运动数据中可靠地预测多个健康指标.
• 为实时应用程序创建一个计算高效的系统.

主要方法:

• 实现了多尺度的特征融合架构,以时空注意力来改进关键点检测.
• 开发了一个卷积神经网络-长期短期记忆 (CNN-LSTM) 模型用于健康指标预测.
• 整合了个性化参数适应用于健康预测,并对各种数据集进行了评估.

主要成果:

• 通过78.6%的mAP和91.5%的PCK@0.5.5实现了优越的姿势识别.
• 保持了27.3 FPS的实时推断能力.
• 在各种指标中,健康指标预测准确度从86.1%到92.6%不等.

结论:

• 这种新型框架在运动姿势识别和健康预测方面表现出高度的准确性和效率.
• 该系统在不同的演习,条件和人口统计数据中显示出稳健性.
• 提供了自动化健身教练,康复监测和预防性医疗保健的巨大潜力.