mModPoEs:使用可穿戴传感器和计算机视觉来估计多式姿势和反驱动的负载人类运动的校正

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:

• 在日常活动中脊柱的不适当姿势是肌肉骨疾病的重要原因,包括慢性背痛和椎间盘退化.
• 目前的姿势评估方法可能缺乏全面的数据整合,以提供有效的脊柱健康支持.

研究的目的:

• 提出一个多式姿势估计和反框架,整合可穿戴传感器数据和计算机视觉.
• 提高姿势分类的准确性,以支持脊柱健康和预防肌肉骨问题.

主要方法:

• 来自惯性测量单元 (IMU) 和柔性传感器的综合数据用于姿势角度量化.
• 使用MediaPipe框架进行多视图视频分析,用于视觉特征提取.
• 运用机器学习算法,包括后勤回归,决策树,随机森林,KNN和SVM在40名健康年轻人的数据上.

主要成果:

• 随机森林算法证明了男女在各种活动 (坐,站,走) 中的有效表现.
• 在坐姿时达到75%的准确率,站姿时达到95%,行走姿势时达到63%.
• 多式联络方法,结合可穿戴和视觉数据,显著提高了姿势分类的准确性.

结论:

• 整合可穿戴传感器和计算机视觉模式可以提高姿势分类的准确性.
• 开发的框架为未来的多式联运,基于反的姿势评估系统提供了方法论基础.
• 初步发现表明,通过加强姿势监测,有可能减少肌肉骨疾病.