jizz国产,老司机夜间福利,成人电影c.cc

首頁今日動態人才市場新技術專欄中國科學人云展臺
BioHot
云講堂直播會展中心特價專欄技術快訊免費試用

生物通官微
陪你抓住生命科技
跳動的脈搏

生物通首頁 > 今日動態 > 正文

細粒度康復運動分析：一種基于知識增強的多分支網絡方法

《Biomedical Signal Processing and Control》：Fine-grained rehabilitation motion analysis: A knowledge-enhanced multi-branch network approach

【字體：大中小】 時間：2026年03月03日 來源：Biomedical Signal Processing and Control 4.9

編輯推薦：

　　康復動作的細粒度識別與質量評估研究，提出Ke-STJA時空注意力機制融合骨骼先驗知識，以及KeMB-Net多分支質量評估框架，在FineRehab數據集上實現97.30%和90.92%的識別準確率，有效捕捉關節運動偏差與質量特征。

薛軍|李建偉|李靜靜

北京體育大學體育工程學院，北京，100084，中國

摘要

運動信號分析在現代康復中發揮著至關重要的作用，它能夠實現對人類運動的精細評估。本研究專注于基于骨骼的康復動作識別和質量評估，旨在為中國日益增長的康復需求提供技術支持，特別是在老齡化背景下進行的家庭康復場景中。通過將時空注意力機制與運動學先驗知識相結合，我們提出了一種創新解決方案。針對實際應用場景和用戶群體，我們提出了Ke-STJA機制，該機制將時空注意力與運動學先驗知識融合在一起。該模塊優化了關節和時間幀之間的注意力分配，顯著提高了識別準確性。對于健康成年人，識別率達到了97.30%；對于有運動障礙的患者，識別率為90.92%，分別提高了2.21%和3.25%。在康復動作質量評估方面，我們提出了KeMB-Net框架，該框架結合了多階物理指標和輕量級的多分支融合技術。通過整合多樣的運動學特征和領域專業知識，該框架提高了可解釋性和準確性。利用運動學信號的計算分析，我們的方法能夠有效捕捉到細微但關鍵的運動偏差，從而便于在康復訓練中進行精確的質量評估。總之，實驗結果驗證了我們方法在動作識別和質量評估方面的優越性，特別是對于有運動障礙的患者，從而推動了智能康復技術向實際臨床應用的進步。

引言

由于人口老齡化以及慢性病的增加，全球對康復服務的需求正在迅速上升，僅中國就面臨著來自龐大人口群體的巨大需求[1]。這一需求涵蓋了老年患者以及患有肌肉骨骼疾病或術后康復的患者，但同時面臨著嚴重的資源短缺問題。臨床康復訓練需要密集的一對一醫生監督，這成為服務提供的瓶頸。更復雜的是，研究表明，由于在家康復鍛煉期間缺乏足夠的監督，患者出院后的依從性降低，臨床結果也較差[2]。為了解決這些挑戰，本研究利用了我們之前提出的多模態數據集FineRehab[3]，所有數據收集協議均獲得了倫理批準。我們還提出了一個基于知識的框架，用于對康復動作進行精細分析，旨在為自動化評估提供強大且可解釋的解決方案。

這些挑戰突顯了開發能夠進行遠程監控的人工智能輔助（AI輔助）康復系統的重要性。這樣的解決方案從根本上依賴于精確的動作識別和質量評估技術，因為運動模式中的細微偏差往往具有重要的臨床意義。與一般動作識別不同，康復訓練需要精細分析來捕捉關節運動學、時間協調性和運動精度的細微變化。這些細微的運動特征——如輕微的顫抖、補償性姿勢或運動范圍不完整——對于診斷功能障礙和跟蹤康復進展至關重要。傳統的計算機視覺方法旨在進行粗粒度動作分類，往往忽略了這些細節特征，限制了它們在治療環境中的適用性[4],[5]。具體來說，這些傳統方法通常更關注整體軌跡模式，而不是對客觀功能評估至關重要的細微運動學偏差——如補償性關節運動或微小顫抖。

當前的技術轉變是從依賴手工制作的啟發式特征轉向結合高精度運動捕捉和深度時空建模。通過這些技術的協同作用，研究人員現在可以檢測和量化傳統評估方法無法發現的細微運動差異[6]。例如，可以在治療鍛煉中對步態的輕微不對稱性或關節角度的微小變化進行系統分析，以提供客觀、詳細的反饋。這種能力在遠程康復中特別有價值，因為自動化系統必須復制臨床專家的觀察敏銳度，以確保安全和有效的遠程指導[7]。

然而，開發這樣的系統面臨獨特的障礙。康復動作由于個體患者情況的不同而表現出較高的類內變異性，而類間差異可能微妙但具有臨床決定性。此外，病理性動作經常包括非標準的補償模式，這些模式會破壞傳統的動作識別范式。這些因素要求算法能夠從噪聲中分離出相關的運動特征，并適應患者特定的運動特點。因此，雖然應用于傳感器數據的機器學習是主要的評估方法[8]，并且信號融合等技術也在不斷進步[9]，但開發能夠處理這種復雜、個性化運動數據的可解釋模型仍然是一個關鍵挑戰。

我們的工作通過結合細微的視覺分析和領域特定知識來彌合這一差距，以提高識別準確性和評估的可解釋性。通過關注具有臨床意義的運動學特征——如關節軌跡的平滑度、特定階段的關節角度和動態穩定性指標——我們旨在為康復專業人士提供工具，這些工具不僅可以對動作進行分類，還可以以符合治療原則的方式量化運動質量。這種方法符合對智能系統的日益增長的需求，特別是在資源受限或遠程環境中，專家監督稀缺的情況下。我們的主要貢獻如下：

1.
基于知識的時空關節（Ke-STJA）注意力模塊：
我們提出了一種新的注意力機制，將數據驅動的時空注意力與可學習的、基于解剖學的先驗知識相結合。這種設計超越了簡單的加權方法，創建了一個能夠處理病理性動作中固有的高變異性和補償模式的強大模塊。
2.
基于知識的多分支AQA網絡（KeMB-Net）：
我們提出了一個連貫的多分支框架，其可解釋性超過了典型的黑盒模型。它通過將多階物理量（例如角度、加速度）與具有臨床意義的評估維度（完整性、矯正性、平滑度）明確聯系起來，提供了結構化且易于理解的輸出。
3.
精細康復運動分析的實驗驗證：
我們的方法已在真實患者數據集FineRehab上進行了嚴格測試，該數據集包括健康個體和患有肌肉骨骼疾病的患者的數據。結果驗證了我們的模型進行精細分析的能力，證明了其在識別細微運動特征和量化具有臨床意義的偏差方面的高準確性。這一實證證據支持了我們提出系統的有效性和實際適用性。

本文的其余部分組織如下。第2節回顧了相關工作，并指出了現有方法的局限性以及我們提出的解決方案的必要性。第3節詳細描述了我們的方法論，包括圖卷積骨干、Ke-STJA模塊和多分支架構等核心組成部分，最終形成了KeMB-Net和損失函數。第4節展示了我們的實驗結果，將我們的方法與最先進的方法進行了比較，并驗證了它們在動作識別和質量評估任務中的有效性。最后，第5節總結了我們的發現，并討論了改進智能康復技術的未來方向。

章節片段

基于骨骼的動作識別

人類動作識別（HAR）是人工智能中理解人類運動和行為的關鍵技術。正如Tang等人[6]系統回顧的那樣，HAR在康復背景下發揮著基礎性作用，它可以自動監測和分析患者在訓練過程中的運動。傳統方法依賴于手工制作的特征，如關節距離、角度和速度，來捕捉運動模式。然而，這些方法往往依賴于特定的

圖卷積

圖卷積是處理基于骨骼數據的關鍵步驟，使模型能夠捕捉時間和空間特征，從而實現準確的運動識別。遵循經典的ST-GCN框架[15]，在時間步長

t

時，單個幀的圖卷積操作可以表示為：

f_{out} (v_{i}) = \sum_{v_{j} \in (v_{i})} \frac{1}{Z_{i} (v_{j})} f_{in} (v_{j}) f_{in} (v_{j})

v_{i}

是目標關節，

N v i

是其相鄰關節的集合，

f_{in} (?

和

f_{out} (?

分別是輸入和輸出特征。

康復數據集

本研究使用了FineRehab數據集[3]，這是一個用于康復運動分析的多任務資源。數據收集嚴格遵循倫理標準，并獲得了相關倫理委員會的正式批準，所有參與者都簽署了知情同意書。該數據集包含來自50名志愿者（22名女性，28名男性）的4215個動作樣本，他們被分為30名患有肌肉骨骼疾病的患者和20名健康個體。

結論與討論

在這項研究中，我們提出了一個用于精細康復運動分析的智能分析系統，該系統具有基于知識的注意力模塊（Ke-STJA）用于動作識別，以及一個可解釋的多分支框架（KeMB-Net）用于動作質量評估。實驗結果驗證了這些創新為自動化臨床評估提供了強大且準確的解決方案。然而，盡管取得了這些有希望的結果，但仍存在一些局限性，這些局限性定義了我們的關鍵

CRediT作者貢獻聲明

薛軍：撰寫——原始草稿，正式分析，數據整理。李建偉：項目管理，調查，資金獲取。李靜靜：撰寫——審閱與編輯。

利益沖突聲明

我們聲明與任何可能不恰當地影響我們工作的個人或組織沒有財務和個人關系，我們對任何產品、服務和/或公司沒有專業或其他個人利益，這些利益可能會影響本文中提出的觀點或對手稿的評審。

熱點排行

新聞專題

聯系信箱：

粵ICP備09063491號