用于专业人体姿态可解释表征、分析与生成的深度状态空间建模

由于人机交互、人类学习应用或临床诊断等广泛的实际应用，人体运动分析已得到大量研究。然而，在建模人体运动时，现有最优方法仍面临科学挑战。首先，新模型必须考虑人体运动的随机性以及人体的物理结构，以准确预测全身运动描述子随时间的演化。其次，在利用深度学习算法时，其在身体姿态预测方面的可解释性有待提升，因为它们缺乏可理解的人体运动表征。本文通过引入三种用于创建可解释人体运动表征的新方法来应对这些挑战。在本研究中，人体运动被表述为遵循手势操作模型（GOM）结构的状态空间模型，其参数通过深度学习和统计算法的应用来估计。训练后的模型用于专家专业人士的全身灵活性分析（其中识别了身体关节间的动态关联）以及人工生成专业运动。