Rapid-Motion-Track：基于深度学习的无标记快速人体运动追踪
计算机视觉与模式识别
2023-02-17 v1 人工智能
摘要
目的 人体运动的协调性直接反映中枢神经系统的功能。运动中的微小缺陷通常是潜在神经系统问题的首要征兆。本研究的目标是开发一种新颖的端到端、基于深度学习的系统 Rapid-Motion-Track (RMT)，其能在使用网络摄像头或笔记本电脑摄像头时准确追踪最快的人体运动。材料与方法 我们将 RMT 应用于手指敲击，这是一项经过充分验证的运动控制测试，由于手指关键点小且产生的高速度，其是用计算机视觉追踪最具挑战性的人体运动之一。我们同时使用标准 2D 笔记本电脑摄像头（30 帧/秒）和基于高速可穿戴传感器的 3D 运动追踪系统（250 帧/秒）记录了 160 次手指敲击评估。将 RMT 和一系列 DLC 模型应用于敲击频率高达 8Hz 的视频数据以提取运动特征。结果 新 RMT 系统识别的运动特征（如速度、节律、方差）与金标准测量具有非常高的同时效度（97.3% 的 RMT 测量值在 Optotrak 测量值的 +/-0.5Hz 内），且优于 DLC 和其他先进计算机视觉工具（约 88.2% 的 DLC 测量值在 Optotrak 测量值的 +/-0.5Hz 内）。RMT 还准确追踪了其他一系列快速人体运动，如脚敲击、转头和坐站运动。结论：随着智能设备中视频技术的普及，RMT 方法有望改变人体运动评估的可及性与准确性。
引用
@article{arxiv.2302.08505,
title = {Rapid-Motion-Track: Markerless Tracking of Fast Human Motion with Deeper Learning},
author = {Renjie Li and Chun Yu Lao and Rebecca St. George and Katherine Lawler and Saurabh Garg and Son N. Tran and Quan Bai and Jane Alty},
journal= {arXiv preprint arXiv:2302.08505},
year = {2023}
}