基于自动训练方法和幽灵ST-GCN的坐着伸手姿势检测

科学领域:

• 运动科学 运动科学 运动科学
• 生物机械分析 生物机械分析
• 人工智能在体育教育中的应用

背景情况:

• 坐着伸手测试对于青少年的灵活性至关重要,并且在中国体能评估中是强制性的.
• 错误的坐着伸手姿势可能会导致运动受伤,如肌肉紧张.
• 在实践中需要准确的方法来评估坐着伸手技巧.

研究的目的:

• 提出和评估一个高效的AI模型来判断坐着伸手姿势的正确性.
• 为了提高身体炼姿势估计的准确性和效率.
• 为练习坐着伸手练习的青少年提供实时反.

主要方法:

• 开发了一个Ghost-ST-GCN模型,用于判断坐着伸手姿势的正确性.
• 使用与BlazePose网络的自我训练方法检测了七个身体关键点.
• 该模型将GCN-TCN块中的幽灵层结合在一起,以提高效率.

主要成果:

• 自训练方法提高了关键点注释的准确性.
• 幽灵层简化了姿势检测模型.
• 该系统实现了85.20%的动作检测准确度,用于坐和伸手,延迟时间为<1s.

结论:

• 幽灵-ST-GCN模型有效和高效地评估坐着伸手运动的正确性.
• 这种人工智能驱动的方法可以指导青少年规范运动和预防伤害.
• 该技术适用于独立实践和身体健康评估.