CN112201323A - 基于人工智能的运动监测方法、装置和计算机设备 - Google Patents
基于人工智能的运动监测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112201323A CN112201323A CN202011108343.1A CN202011108343A CN112201323A CN 112201323 A CN112201323 A CN 112201323A CN 202011108343 A CN202011108343 A CN 202011108343A CN 112201323 A CN112201323 A CN 112201323A
- Authority
- CN
- China
- Prior art keywords
- motion
- preset
- motion recognition
- recognition result
- prescription
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 75
- 230000036544 posture Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 25
- 230000036772 blood pressure Effects 0.000 claims description 20
- 230000036760 body temperature Effects 0.000 claims description 20
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 41
- 238000012706 support-vector machine Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 2
- 238000009207 exercise therapy Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Physical Education & Sports Medicine (AREA)
- Biophysics (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于人工智能的运动监测方法、装置和计算机设备。所述方法包括:在监测对象运动的过程中,获取所述监测对象的身体状态数据和运动视频;对所述运动视频进行图像识别,得到运动识别结果;所述运动识别结果用于指示关键姿势的完成数量和完成时间;若所述身体状态数据或所述运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,所述预设运动处方包括所述关键姿势的要求数量和要求频率。采用本方法能够监督患者有效实施运动处方。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种基于人工智能的运动监测方法、装置和计算机设备。
背景技术
运动处方是指导人们有目的、有计划和科学地锻炼的一种运动疗法,该疗法对慢性疾病的治疗和术后康复有很大的促进效果。
相关技术中,医生根据患者的健康状况开具运动处方,患者按照运动处方的要求进行相应的运动,并按时反馈身体感受和检查数据,医生根据反馈对运动处方进行调整。
但是,运动处方的实施基本依靠患者的自觉,因此,如何监督患者有效实施运动处方成为了亟待解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够监督患者有效实施运动处方的基于人工智能的运动监测方法、装置和计算机设备。
一种基于人工智能的运动监测方法,该方法包括:
在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
在其中一个实施例中,上述对运动视频进行图像识别,得到运动识别结果,包括:
分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
在其中一个实施例中,在上述利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果之前,该方法还包括:
获取训练样本集合;训练样本集合中包括多组样本骨架信息和每个样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势;
将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
在其中一个实施例中,上述利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果,包括:
将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
在其中一个实施例中,上述若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息,包括:
若身体状态数据不符合预设运动处方,则输出第一提示信息;身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动;
若运动识别结果不符合预设运动处方,则输出第二提示信息;第二提示信息用于指示监测对象继续运动。
在其中一个实施例中,在上述输出第二提示信息之前,该方法还包括:
根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;
判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;
若不匹配,则确定运动识别结果不符合预设运动处方。
在其中一个实施例中,该方法还包括:
若身体状态数据和运动识别结果均符合预设运动处方,则输出通知信息;通知信息用于通知监测人员查看监测对象的身体状态数据和运动识别结果。
一种基于人工智能的运动监测装置,该装置包括:
数据获取模块,用于在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
运动识别模块,用于对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
提示模块,用于若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
在其中一个实施例中,上述运动识别模块包括:
骨架信息识别子模块,用于分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
运动识别子模块,用于利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
在其中一个实施例中,该装置还包括:
样本获取模块,用于获取训练样本集合;训练样本集合中包括多组样本骨架信息和每个样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势;
训练模块,用于将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
在其中一个实施例中,上述运动识别子模块,具体用于将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
在其中一个实施例中,上述提示模块包括:
第一提示子模块,用于若身体状态数据不符合预设运动处方,则输出第一提示信息;身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动;
第二提示子模块,用于若运动识别结果不符合预设运动处方,则输出第二提示信息;第二提示信息用于指示监测对象继续运动。
在其中一个实施例中,该装置还包括:
数量频率确定模块,用于根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;
判断模块,用于判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;若不匹配,则确定运动识别结果不符合预设运动处方。
在其中一个实施例中,该装置还包括:
通知模块,用于若身体状态数据和运动识别结果均符合预设运动处方,则输出通知信息;通知信息用于通知监测人员查看监测对象的身体状态数据和运动识别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
上述基于人工智能的运动监测方法、装置和计算机设备,在监测对象运动的过程中,数据处理端获取监测对象的身体状态数据和运动视频;对运动视频进行图像识别,得到运动识别结果;若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息。本公开实施例中,可以在监测对象运动的过程中,根据身体状态数据判断运动是否存在隐患,以及根据运动识别结果判断运动是否符合运动处方,从而实现了监督患者有效实施运动处方的效果。
附图说明
图1为一个实施例中基于人工智能的运动监测方法的应用环境图;
图2为一个实施例中基于人工智能的运动监测方法的流程示意图;
图3为一个实施例中对运动视频进行图像识别步骤的流程示意图;
图4为一个实施例中人体关键点及连接关系的示意图;
图5为一个实施例中训练运动识别模型的流程示意图;
图6为另一个实施例中基于人工智能的运动监测方法的流程示意图;
图7为一个实施例中基于人工智能的运动监测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于人工智能的运动监测方法,可以应用于如图1所示的应用环境中。其中,所述应用环境包括数据监测端101、数据处理端102和信息展示端103;其中,所述数据监测端101包括但不限于是摄像头、智能手机、便携式可穿戴设备、血压计和心电仪;所述数据处理端102包括但不限于个人计算机、笔记本电脑、智能手机、平板电脑、云端服务器和服务器集群;所述信息展示端包括但不限于个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。上述数据监测端101和信息展示端103均可以通过网络与上述数据处理端102进行通信。或者,将数据监测端101、数据处理端102和信息展示端103中的至少两端集成在一起。本公开实施例对此不做限定。
在一个实施例中,如图2所示,提供了一种基于人工智能的运动监测方法,以该方法应用于图1中的数据处理端为例进行说明,包括以下步骤:
步骤201,在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频。
在监测对象运动的过程中,数据监测端采集监测对象的身体状态数据和运动视频,并将采集到的身体状态数据和运动视频发送到数据处理端。对应地,数据处理端接收数据监测设备发送的身体状态数据和运动视频。
以数据监测端是智能手环和智能手机,数据处理端是云端服务器为例,在监测对象运动过程中,智能手环采集监测对象的心率,并将采集到的心率发送到云端服务器;同时,智能手机通过摄像头采集监测对象的运动视频,并将运动视频发送到云端服务器。本公开实施例对数据处理端获取身体状态数据和运动视频的方式不做限定。
步骤202,对运动视频进行图像识别,得到运动识别结果。
其中,运动识别结果用于指示关键姿势的完成数量和完成时间。
数据处理端在获取到运动视频后,对运动视频进行图像识别,从运动视频中识别出监测对象是否完成关键姿势,以及关键姿势的完成数量和完成时间。
以数据处理端是云端服务器为例,云端服务器对运动视频进行图像识别后,得到关键姿势的完成数量为6,完成时间分布为t1、t2……t6。
上述关键姿势可以是数据处理端根据监测对象的预设运动处方生成的;也可以监测人员(比如医生)输入的。关键姿势的输入方式包括但不限于文字输入、语音输入和视频输入。
步骤203,若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息。
其中,预设运动处方包括关键姿势的要求数量和要求频率。
数据处理端获取与监测对象对应的预设运动处方,判断身体状态数据是否符合预设运动处方,以及判断运动识别结果是否符合预设运动处方。如果身体状态数据不符合预设运动处方,则根据身体状态数据输出相应的提示信息;如果运动识别结果不符合预设运动处方,则根据运动识别结果输出相应的提示信息;如果身体状态数据和运动识别结果均不符合预设运动处方,则根据身体状态数据和运动识别结果输出相应的提示信息。
上述提示信息可以是文字提示信息、语音提示信息和视频提示信息中的至少一种。
以数据处理端是云端服务器为例,云端服务器判定监测对象的心率超过预设心率阈值,则生成语音提示信息,并将语音提示信息发送到监测对象的信息展示端;然后,监测对象的信息展示端进行语音播报,提示监测对象停止运动。或者,云端服务器判定关键姿势的完成数量小于预设运动处方中关键姿势的要求数量,则生成文字提示信息,并将文字提示信息发送到监测对象的信息展示端;然后监测对象的信息展示端文字提示监测对象继续运动。本公开实施例对提示信息不做限定。
上述基于人工智能的运动监测方法中,在监测对象运动的过程中,数据处理端获取监测对象的身体状态数据和运动视频;对运动视频进行图像识别,得到运动识别结果;若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息。本公开实施例中,可以在监测对象运动的过程中,根据身体状态数据判断运动是否存在隐患,以及根据运动识别结果判断运动是否符合运动处方,从而实现了监督患者有效实施运动处方的效果。
在一个实施例中,如图3所示,上述对运动视频进行图像识别,得到运动识别结果的步骤,可以包括:
步骤301,分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息。
其中,骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角。如图4所示,每张视频图像中均包含25个人体关键点,这些人体关键点按照一定的顺序连接,并且连接线之间形成夹角a、b、c、d、e、f、g、h、i、j、k和l。
数据处理端预先训练骨架识别模型,在获取到运动视频后,将运动视频中的多张视频图像依次输入到骨架识别模型中,骨架识别模型输出每张视频图像对应的骨架信息。
在实际应用中,骨架识别模型可以采用Openpose,也可以采用其他神经网络模型或深度学习模型,本公开实施例对此不做限定。
步骤302,利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
数据处理端预先训练运动识别模型,在得到多张视频图像的骨架信息之后,将多张视频图像的骨架信息输入到运动识别模型中,运动识别模型输出关键姿势的完成数量和完成时间。
在其中一个实施例中,数据处理端将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
具体地,运动识别模型根据骨架信息识别每张视频图像对应的目标姿势,以及目标姿势的完成时间。目标姿势中包括起始姿势、关键姿势和其他姿势。将每两个起始姿势为一个区间,运动识别模型判断每个区间内关键姿势是否出现,并记录关键姿势的完成数量和完成时间。在判断过程中,如果根据顺序相近的多个骨架信息识别出相同的关键姿势,则确定该关键姿势只出现一次。。
例如,将7张视频图像的骨架信息输入到运动识别模型中,运动识别模型从7张视频图像的骨架信息中依次识别出起始姿势、姿势A、姿势B、起始姿势、姿势A、姿势B、起始姿势。将每两个起始姿势作为一个区间,则可以得到两个区间,每个区间姿势A的数量为1个,姿势B的数量为1个。如果姿势A为关键姿势,则运动识别模型输出关键姿势的完成数量为2,完成时间分别为t1和t2。
上述起始姿势可以是双腿并拢站立,双臂自然垂下。该起始姿势对应的骨架信息可以包括:∠a=∠b=∠e=∠f=∠g=∠h=∠k=∠l=90°,∠c=∠d=∠i=∠j=180°。关键姿势对应的骨架信息参照上述起始姿势的骨架信息设置,本公开实施例对起始姿势和关键姿势的骨架信息不做限定。
上述对运动视频进行图像识别,得到运动识别结果的过程中,数据处理端分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。本公开实施例中,利用了计算机视觉技术和人工智能对运动视频进行分析,得到的运动识别结果可以辅助判断监测对象的运动是否符合运动处方,从而监督患者有效地实施运动处方。
在一个实施例中,如图5所示,在上述利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果之前,还包括训练运动识别模型的步骤:
步骤401,获取训练样本集合。
其中,训练样本集合中包括多组样本骨架信息和每个样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势。
数据处理端预先获取多个样本视频,每个样本视频包括多个样本图像,每个样本图像标注有对应的姿势。之后,数据处理端将多个样本视频依次输入到预先训练的骨架识别模型中,骨架识别模型输出每个样本视频中各样本图像对应的样本骨架信息,即每个样本视频对应一组样本骨架信息。并且,每个样本图像对应的标注由对应的样本骨架信息继承。
步骤402,将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
数据处理端获取到训练样本集合之后,将训练样本集合中的一组样本骨架信息输入到待训练的分类网络中,得到分类网络输出的训练结果。接着,数据处理端根据该组样本骨架信息对应的标注,判断训练结果是否符合预设收敛条件。如果确定训练结果不符合预设收敛条件,则对分类网络中的可调参数进行调整。接着,再将训练样本集合中的下一组样本骨架信息输入到分类网络中,得到分类网络再次输出的训练结果。接着,数据处理端根据这一组样本骨架信息对应的标注,判断分类网络再次输出的训练结果是否符合预设收敛条件。直到数据处理端根据标注确定训练结果符合预设收敛条件,结束训练,得到运动识别模型。
上述分类网络包含SVM(Support Vector Machine,支持向量机),一组样本骨架信息的样本数量与分类网络中SVM的数量匹配。在实际应用中,预设收敛条件包括:分类网络的多个SVM输出的训练结果的正确率大于预设比例。
例如,预设比例为95%,将一组样本骨架信息输入到分类网络中,分类网络的7个SVM分别对该组7个样本骨架信息进行姿势分类,并输出7个训练结果。根据7个训练结果与标注之间的损失值,对分类网络的可调参数进行调整,直到训练结果与标注之间的损失值符合预设收敛条件结束训练。之后,对7个SVM进行测试。具体地,将10个测试骨架信息输入到第一个SVM中,若该SVM输出的10个测试结果的正确率大于95%,则不再训练;若该SVM输出的10个测试结果的正确率不大于95%,则继续训练该SVM。以此类推,在7个SVM输出的测试结果均大于95%之后,得到运动识别模型。本公开实施对预设比例不做限定。
上述训练运动识别模型的步骤中,数据处理端获取训练样本集合;将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。本公开实施例中,利用人工智能技术训练运动识别模型,该运动识别模型可以准确分析运动视频,并且分析效率较高。
在一个实施例中,上述若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息的步骤,可以包括:
步骤一,若身体状态数据不符合预设运动处方,则输出第一提示信息。
其中,身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动。
数据处理端在获取到身体状态数据之后,判断身体状态数据是否符合预设运动处方。具体地,将体温与预设体温阈值进行比较,如果体温大于预设体温阈值,则确定身体状态数据不符合预设运动处方;将心率与预设心率阈值进行比较,如果心率大于预设心率阈值,则确定身体状态数据不符合预设运动处方;将血压与预设血压阈值进行比较,如果血压大于预设血压阈值,则确定身体状态数据不符合预设运动处方。上述判断方式可以单独使用,也可以组合使用,本公开实施例对此不做限定。
如果身体状态数据不符合预设运动处方,则数据处理端输出第一提示信息,提示监测对象停止运动,以免发生危险。
以数据处理端是云端服务器为例,云端服务器在确定身体状态数据不符合预设运动处方后,生成第一提示信息,并将第一提示信息发送至所述监测对象的信息展示端。监测对象的信息展示端在接收到第一提示信息后,展示第一提示信息,从而提示监测对象停止运动。
步骤二,若运动识别结果不符合预设运动处方,则输出第二提示信息。
其中,第二提示信息用于指示监测对象继续运动。
数据处理端在获取到运动识别结果之后,判断运动识别结果是否符合预设运动处方。具体地,根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;若不匹配,则确定运动识别结果不符合预设运动处方。还可以采用其他判断方式,本公开实施例对判断方式不做限定。
如果运动识别结果不符合预设运动处方,则数据处理端输出第二提示信息,提示监测对象继续运动,直到运动识别结果符合预设运动处方为止。
以数据处理端是云端服务器为例,云端服务器在确定运动识别结果不符合预设运动处方后,生成第二提示信息,并将第二提示信息发送至所述监测对象的信息展示端。监测对象的信息展示端在接收到第二提示信息后,展示第二提示信息,从而提示监测对象继续运动。
在其中一个实施例中,第二提示信息还用于指示监测对象纠正错误姿势。例如,监测对象的信息展示端在接收到第二提示信息后,展示第二提示信息,提示监测对象纠正错误姿势。
上述若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息的步骤中,若身体状态数据不符合预设运动处方,则数据处理端输出第一提示信息;若运动识别结果不符合预设运动处方,则数据处理端输出第二提示信息。本公开实施例中,数据处理端根据身体状态数据和运动识别结果对监测对象进行提示,避免监测对象在运动过程中发生危险,同时监督监测对象有效实施运动处方。
在一个实施例中,如图6所示,提供了一种基于人工智能的运动监测方法,以该方法应用于图1中的数据处理端为例进行说明,包括以下步骤:
步骤501,获取训练样本集合。
其中,训练样本集合中包括多个样本骨架信息和各样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势;
步骤502,将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
步骤503,在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频。
步骤504,若身体状态数据不符合预设运动处方,则输出第一提示信息。
其中,身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动。
步骤505,分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息。
其中,骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
步骤506,利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
在其中一个实施例中,将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
步骤507,根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;若不匹配,则确定运动识别结果不符合预设运动处方。
步骤508,若运动识别结果不符合预设运动处方,则输出第二提示信息。
其中,第二提示信息用于指示监测对象继续运动。
步骤509,若身体状态数据和运动识别结果均符合预设运动处方,则输出通知信息。
其中,通知信息用于通知监测人员查看监测对象的身体状态数据和运动识别结果。
如果数据处理端确定身体状态数据符合预设运动处方、运动识别结果也符合预设运动处方,则输出第二提示信息。
以数据处理端是云端服务器为例,云端服务器在确定运动识别结果和运动识别结果均符合预设运动处方后,生成通知信息,并将通知信息发送至所述监测人员(如医生)的信息展示端。监测人员的信息展示端在接收到通知信息后,展示通知信息,从而使监测人员获知监测对象已有效实施运动处方。
在其中一个实施例中,数据处理端可以将监测对象的身体状态数据和运动识别结果存储到数据库中,监测人员可以通过信息展示端查看数据库中存储的监测对象的身体状态数据和运动识别结果。进一步地,数据库中存储监测对象的预设运动处方,监测人员通过信息展示端对监测对象的预设运动处方进行调整。
上述基于人工智能的运动监测方法中,数据处理端预先训练运动识别模型,在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频,从而根据身体状态数据和运动视频监督监测对象有效实施运动处方。进一步地,监测人员也可以查看监测对象的实施情况,从而调整运动处方,实现更好地治疗效果。
应该理解的是,虽然图2-图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种基于人工智能的运动监测装置,包括:
数据获取模块601,用于在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
运动识别模块602,用于对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
提示模块603,用于若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
在其中一个实施例中,上述运动识别模块602包括:
骨架信息识别子模块,用于分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
运动识别子模块,用于利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
在其中一个实施例中,该装置还包括:
样本获取模块,用于获取训练样本集合;训练样本集合中包括多组样本骨架信息和每个样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势;
训练模块,用于将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
在其中一个实施例中,上述运动识别子模块,具体用于将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
在其中一个实施例中,上述提示模块603包括:
第一提示子模块,用于若身体状态数据不符合预设运动处方,则输出第一提示信息;身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动;
第二提示子模块,用于若运动识别结果不符合预设运动处方,则输出第二提示信息;第二提示信息用于指示监测对象继续运动。
在其中一个实施例中,该装置还包括:
数量频率确定模块,用于根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;
判断模块,用于判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;若不匹配,则确定运动识别结果不符合预设运动处方。
在其中一个实施例中,该装置还包括:
通知模块,用于若身体状态数据和运动识别结果均符合预设运动处方,则输出通知信息;通知信息用于通知监测人员查看监测对象的身体状态数据和运动识别结果。
关于基于人工智能的运动监测装置的具体限定可以参见上文中对于基于人工智能的运动监测方法的限定,在此不再赘述。上述基于人工智能的运动监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储运动监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的运动监测方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练样本集合;训练样本集合中包括多组样本骨架信息和每个样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势;
将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若身体状态数据不符合预设运动处方,则输出第一提示信息;身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动;
若运动识别结果不符合预设运动处方,则输出第二提示信息;第二提示信息用于指示监测对象继续运动。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;
判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;
若不匹配,则确定运动识别结果不符合预设运动处方。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若身体状态数据和运动识别结果均符合预设运动处方,则输出通知信息;通知信息用于通知监测人员查看监测对象的身体状态数据和运动识别结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在监测对象运动的过程中,获取监测对象的身体状态数据和运动视频;
对运动视频进行图像识别,得到运动识别结果;运动识别结果用于指示关键姿势的完成数量和完成时间;
若身体状态数据或运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,预设运动处方包括关键姿势的要求数量和要求频率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
分别对运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;骨架信息用于指示视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到运动识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本集合;训练样本集合中包括多组样本骨架信息和每个样本骨架信息的标注;标注用于指示样本骨架信息对应的姿势;姿势包括关键姿势和起始姿势;
将训练样本集合输入到待训练的分类网络中进行训练,并在根据标注确定分类网络输出的训练结果符合预设收敛条件时结束训练,得到运动识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将多张视频图像的骨架信息输入到运动识别模型中,得到运动识别模型从多张视频图像的骨架信息中识别出多个目标姿势和各目标姿势的完成时间,并根据多个目标姿势和各目标姿势的完成时间输出的关键姿势的完成数量和完成时间。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若身体状态数据不符合预设运动处方,则输出第一提示信息;身体状态数据包括体温、心率、血压中的至少一种,预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,第一提示信息用于指示监测对象停止运动;
若运动识别结果不符合预设运动处方,则输出第二提示信息;第二提示信息用于指示监测对象继续运动。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据运动识别模型输出的多个目标姿势的完成数量和完成时间,确定关键姿势的完成数量和完成频率;
判断关键姿势的完成数量和完成频率与关键姿势的要求数量和要求频率是否匹配;
若不匹配,则确定运动识别结果不符合预设运动处方。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若身体状态数据和运动识别结果均符合预设运动处方,则输出通知信息;通知信息用于通知监测人员查看监测对象的身体状态数据和运动识别结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的运动监测方法,其特征在于,所述方法包括:
在监测对象运动的过程中,获取所述监测对象的身体状态数据和运动视频;
对所述运动视频进行图像识别,得到运动识别结果;所述运动识别结果用于指示关键姿势的完成数量和完成时间;
若所述身体状态数据或所述运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,所述预设运动处方包括所述关键姿势的要求数量和要求频率。
2.根据权利要求1所述的方法,其特征在于,所述对所述运动视频进行图像识别,得到运动识别结果,包括:
分别对所述运动视频中的每张视频图像进行识别,得到每张视频图像对应的骨架信息;所述骨架信息用于指示所述视频图像中多个人体关键点之间的连接关系和多条连接线之间的夹角;
利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到所述运动识别结果。
3.根据权利要求2所述的方法,其特征在于,在所述利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到所述运动识别结果之前,所述方法还包括:
获取训练样本集合;所述训练样本集合中包括多组样本骨架信息和每个所述样本骨架信息的标注;所述标注用于指示所述样本骨架信息对应的姿势;所述姿势包括所述关键姿势和起始姿势;
将所述训练样本集合输入到待训练的分类网络中进行训练,并在根据所述标注确定所述分类网络输出的训练结果符合预设收敛条件时结束训练,得到所述运动识别模型。
4.根据权利要求2所述的方法,其特征在于,所述利用预先训练的运动识别模型对多张视频图像的骨架信息进行识别,得到所述运动识别结果,包括:
将所述多张视频图像的骨架信息输入到所述运动识别模型中,得到所述运动识别模型从所述多张视频图像的骨架信息中识别出多个目标姿势和各所述目标姿势的完成时间,并根据所述多个目标姿势和各所述目标姿势的完成时间输出的所述关键姿势的完成数量和完成时间。
5.根据权利要求1所述的方法,其特征在于,所述若所述身体状态数据或所述运动识别结果不符合预设运动处方,则输出相应的提示信息,包括:
若所述身体状态数据不符合所述预设运动处方,则输出第一提示信息;所述身体状态数据包括体温、心率、血压中的至少一种,所述预设运动处方还包括预设体温阈值、预设心率阈值和预设血压阈值中的至少一种,所述第一提示信息用于指示所述监测对象停止运动;
若所述运动识别结果不符合所述预设运动处方,则输出第二提示信息;所述第二提示信息用于指示所述监测对象继续运动。
6.根据权利要求5所述的方法,其特征在于,在所述输出第二提示信息之前,所述方法还包括:
根据所述运动识别模型输出的多个目标姿势的完成数量和完成时间,确定所述关键姿势的完成数量和完成频率;
判断所述关键姿势的完成数量和完成频率与所述关键姿势的要求数量和要求频率是否匹配;
若不匹配,则确定所述运动识别结果不符合所述预设运动处方。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述身体状态数据和所述运动识别结果均符合所述预设运动处方,则输出通知信息;所述通知信息用于通知监测人员查看所述监测对象的身体状态数据和所述运动识别结果。
8.一种基于人工智能的运动监测装置,其特征在于,所述装置包括:
数据获取模块,用于在监测对象运动的过程中,获取所述监测对象的身体状态数据和运动视频;
运动识别模块,用于对所述运动视频进行图像识别,得到运动识别结果;所述运动识别结果用于指示关键姿势的完成数量和完成时间;
提示模块,用于若所述身体状态数据或所述运动识别结果不符合预设运动处方,则输出相应的提示信息;其中,所述预设运动处方包括所述关键姿势的要求数量和要求频率。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108343.1A CN112201323A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的运动监测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108343.1A CN112201323A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的运动监测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112201323A true CN112201323A (zh) | 2021-01-08 |
Family
ID=74009753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108343.1A Pending CN112201323A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的运动监测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201323A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2308373A1 (en) * | 2009-10-12 | 2011-04-13 | RSSCAN International NV | Apparatus and method for analysing the gait of a person |
CN105903157A (zh) * | 2016-04-19 | 2016-08-31 | 深圳泰山体育科技股份有限公司 | 电子教练实现方法及系统 |
CN107203753A (zh) * | 2017-05-25 | 2017-09-26 | 西安工业大学 | 一种基于模糊神经网络和图模型推理的动作识别方法 |
CN110660017A (zh) * | 2019-09-02 | 2020-01-07 | 北京航空航天大学 | 一种基于三维姿态识别的舞谱记录与演示方法 |
-
2020
- 2020-10-16 CN CN202011108343.1A patent/CN112201323A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2308373A1 (en) * | 2009-10-12 | 2011-04-13 | RSSCAN International NV | Apparatus and method for analysing the gait of a person |
CN105903157A (zh) * | 2016-04-19 | 2016-08-31 | 深圳泰山体育科技股份有限公司 | 电子教练实现方法及系统 |
CN107203753A (zh) * | 2017-05-25 | 2017-09-26 | 西安工业大学 | 一种基于模糊神经网络和图模型推理的动作识别方法 |
CN110660017A (zh) * | 2019-09-02 | 2020-01-07 | 北京航空航天大学 | 一种基于三维姿态识别的舞谱记录与演示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102014385B1 (ko) | 수술영상 학습 및 학습 기반 수술동작 인식 방법 및 장치 | |
US11776669B2 (en) | System and method for synthetic interaction with user and devices | |
US10898755B2 (en) | Method for providing posture guide and apparatus thereof | |
CN111275207B (zh) | 基于半监督的横向联邦学习优化方法、设备及存储介质 | |
Lopez Martinez et al. | Personalized automatic estimation of self-reported pain intensity from facial expressions | |
US10262196B2 (en) | System and method for predicting neurological disorders | |
US10467548B2 (en) | Method, apparatus and system for biometric identification | |
CN108899064A (zh) | 电子病历生成方法、装置、计算机设备和存储介质 | |
US11403882B2 (en) | Scoring metric for physical activity performance and tracking | |
CN110147729A (zh) | 用户情绪识别方法、装置、计算机设备及存储介质 | |
CN109830280A (zh) | 心理辅助分析方法、装置、计算机设备和存储介质 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
US20170004288A1 (en) | Interactive and multimedia medical report system and method thereof | |
Martinez-Martin et al. | A socially assistive robot for elderly exercise promotion | |
Simonov et al. | Humanoid assessing rehabilitative exercises | |
CN112200074A (zh) | 一种姿态对比的方法和终端 | |
CN111222464B (zh) | 情感分析方法以及系统 | |
CN113743362A (zh) | 基于深度学习的实时矫正训练动作的方法及其相关设备 | |
CN111067505A (zh) | 心律失常检测的方法、装置以及存储介质 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN112741620A (zh) | 基于肢体动作的颈椎病评估装置 | |
CN107944754A (zh) | 康复治疗质量评定的方法、装置、存储介质及电子设备 | |
CN112201323A (zh) | 基于人工智能的运动监测方法、装置和计算机设备 | |
Kan et al. | Internet of hearts—large-scale stochastic network modeling and analysis of cardiac electrical signals | |
Gutstein et al. | Optical flow, positioning, and eye coordination: automating the annotation of physician-patient interactions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |