{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,8,10]]，“日期-时间”：“2024-08-10T23:13:49Z”，“时间戳”：1723331629681}，“引用-计数”：43，“发布者”：“MDPI AG”，“问题”：“23”，“许可证”：[{“开始”：{-date-parts”：[2020,12,4]]，“时间”：0-12-04T00:00:00Z“，”时间戳“：160704000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“内容域”：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“传感器”]，“抽象”：“使用标准数码相机结合深度学习（DL）进行姿势估计对于在家和独立使用运动游戏（运动游戏）很有希望。我们需要研究这种基于DL的系统在多大程度上能够提供令人满意的与比赛相关的测量准确性。我们的研究评估了在二维（2D）视频上使用深度学习图像处理工具（DeepLabCut，DLC）时身体分段长度的时间变化（即可变性）。然后将这种可变性与金标准、基于标记的三维运动捕捉系统（3DMoCap，Qualisys AB）和三维RGB深度相机系统（Kinect V2，Microsoft Inc）进行比较。同时从所有三个系统收集数据，参与者（N=12）进行自定义平衡训练。姿势估计DLC模型在大规模数据集（ImageNet）上进行预训练，并使用特定于上下文的姿势注释图像进行优化。为了评估系统间变异性差异的统计显著性，进行了Wilcoxon\u2019s符号秩检验。结果表明，DLC方法在可变性方面与Kinect相当，在某些领域甚至与3DMoCap金标准系统相当。这些结果有望使运动游戏更容易使用，从而提高其在家锻炼的可用性<\/jats:p>“，”DOI“：”10.3390\\s20236940“，”type“：”期刊文章“，”已创建“：｛”日期部分“：[[2020,12,4]]，”日期时间“：”2020-12-04T16:59:00Z“，”时间戳“：1607101140000｝，”page“：”6940“，”source“：”Crossref“，”由count引用“：21，”title“：[”平衡训练练习中基于深度学习的姿势估计系统与基于标记和运动学系统的比较“]，“前缀”：“10.3390”，“卷”：“20”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0003-0419-1548”，“authenticated-ORCID”：false，“给定”：“Elise Kl\u00e6bo”，“家庭”：“Vonstad”，“序列”：“第一”，“从属关系”：[}“名称”：“挪威科技大学计算机科学系，7034 Trondheim，Norway“}]}，{“ORCID”：“http://\/ORCID.org\/00000-0001-5719-0456”，“authenticated-ORCID”：false，“give”：“Xiaomeng”，“family”：“Su”，“sequence”：“additional”，“affiliation”：[{“name”：“挪威科技大学计算机科学系，挪威特隆赫姆7034“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-231-8138”，“authenticated-ORCID”：false，“given”：”Beatrix“，“family”：“Vereijken”，“sequence”：“additional”，“affiliation”：[{“name”：“挪威科技大学神经医学和运动科学系，挪威特隆赫姆7030号“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-4256-7676”，“authenticated-ORCID”：false，“given”：”Kerstin“，“family”：“Bach”，“sequence”：“additional”，“affiliation”：[{“name”：“挪威科技大学计算机科学系，7034 Trondheim，Norway“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-0930-1155”，“authenticated-ORCID”：false，“give”：“Jan Harald”，“family”：“Nilsen”，“sequence”：“additional”，“affiliation”：[{“name”：“挪威科技大学计算机科学系，7034 Trondheim，Norwegian“}]]]，“成员”：“1968”，“在线发表”：{“日期部分”：[[2020,12,4]]}，“参考文献”：[{“密钥”：“ref_1”，“doi断言者”：“crossref”，“首页”：“658”，“doi”：“10.1016/S0140-6736（14）61461-6”，“文章标题”：“针对人口老龄化的综合公共卫生对策”，“卷”：“385”，“作者”：“胡子”，“年份”：“2015年”，“新闻标题”：“柳叶刀”}，{“关键”：“ref_2”，“doi-asserted-by”：“crossref”，“首页”：“441”，“doi”：“10.2522 \/ptj.20130571”，《文章标题》：“中风康复虚拟现实干预的疗效和有效性考虑：向前移动领域”，“卷”：“95”，“作者”：“Proffitt”，“年份”：“2015年”，“新闻标题”：“物理”。疗法。“}，{”key“：”ref_3“，”doi-asserted-by“：”crossref“，“first page”：“1”，“doi”：“10.1016\/j.ijmedinf.2015.10.008”，“article-title”：“老年人运动与康复：技术、安全性和疗效的综合评价”，“volume”：”85“，”author“：”Nawaz“，“year”：“2016”，“journal-title“：”Int.j.Med.Inform.“}”，{“key”：ref_4“，”doi-asserted-by“：”crossref“，”first page“：”106“，”doi“：”10.1089\/g4h.2013.0093“，”article-title“：”基于练习的平衡训练计划的可用性和效果“，”volume“：“3”，”author“：”Wuest“，”year“：”2014“，”journal-title”：“Games Health J.”}，{“key”：“ref_5”，“doi-assert-by”：“Crosref”，“unstructured”：“Chen，M.H.、Huang，L.L.和Wang，C.H.（2015年1月26日\u201330）。为中风患者开发数字游戏\u2019上肢康复\u2014设计、可用性和有效性评估。第六届应用人类因素和人类工效学国际会议（AHFE 2015）及其附属会议记录，美国内华达州拉斯维加斯”，“DOI”：“10.1016\/j.promfg.2015.07.101”}，{“key”：“ref_6”，“DOI-asserted-by”：“crossref”，“first page”：”733“，“DOI:”10.1177\/1545968314521008“，“article-title”：“使用视频游戏激发上肢有目的运动：与中风康复传统疗法的比较”，“卷”：“28”，“作者”：“兰德”，“年份”：“2014年”，“新闻标题”：“神经康复”。神经修复“}，{“key”：“ref_7”，“doi断言者”：“crossref”，“第一页”：“1692”，“doi”：“10.1016\/j.pmr.2009.04.005”，“文章标题”：“中风康复期间运动练习量的观察”，“卷”：“90”，“作者”：“Lang”，“年份”：“2009”，“期刊标题”：“Arch.Phys.Med.Rehabil.”}，{“key”：“ref_8”，“doi断言者”：“crossref”首页“：”1905“，”DOI“：”10.2522 \/ptj.20160054“，”文章标题“：”虚拟现实训练对中风患者平衡和步态能力的影响：系统综述和荟萃分析“，”卷“：”96“，”作者“：”Meijer“，”年份“：”2016“，”杂志标题“：“Phys。疗法。“}，{”key“：”ref_9“，”doi-asserted-by“：”crossref“，”unstructured“：”Crabolu，M.，Pani，D.，Raffo，L.，Conti，M.和Cereatti，A.（2018）。使用磁惯性传感对骨段长度的功能性估计：肱骨的应用。PLoS ONE，13.“首页“：”1658“，”DOI“：”10.1016\/j.jbiomech.2016.03.052“，”文章标题“：”基于临床正运动学与逆运动学步态模型的关节运动学计算“，”体积“：”49“，”作者“：”Kainz“，”年份“：”2016“，”杂志标题“：“j.Biomech。“}，{”key“：”ref_11“，”doi-asserted-by“：”crossref“，”unstructured“：”Tak，I.，Wiertz，W.P.，Barendrecht，M.，and Langhout，R.（2020）。评估单腿深蹲期间膝关节、髋关节和脊柱关节角度的新型三维运动分析工具的有效性。传感器，20.“，“doi”：“10.3390\/s20164539”}，“key”：“ref_12”，“doi-assert-by”：“crossref.”，“非结构化”：“Shotton，J.、Fitzgibbon，A.、Blake，A.、Kipman，A.、Finocchio，M.、Moore，B.和Sharp，T.（2011年1月20日\u201325）。从单深度图像中实时识别局部人体姿势。IEEE计算机视觉和模式识别会议记录（CVPR），科罗拉多州斯普林斯市，美国Gaglio”，“年份”：“2015年”，“新闻标题”：“IEEE Trans。嗯-马赫。系统。“}，{”key“：”ref_14“，”unstructured“：”Obdrzalek，S.，Kurillo，G.，Ofli，F.，Bajcsy，R.，Seto，E.，Jimison，H.，and Pavel，M.（9月，1月28日）在指导老年人的背景下，Kinect姿势估计的准确性和稳健性。美国加州圣地亚哥EMBS医学与生物学会IEEE工程国际年会论文集，“}，{”key“：”ref_15“，”doi-asserted-by“：”crossref“，”first page“：“2925”，”doi“：”10.1016\/j.jbiomech.2014.07.017“，”article-title“：”Kinect在运动游戏期间测量全身运动模式的适用性“，”卷：“47”，“作者”：“Stegenga”，“年份”：“2014”，“新闻标题”：“J.Biomech”。“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”unstructured“：”Ma，M.，Proffitt，R.，and Skubic，M.（2018）。基于Kinect V2的康复游戏的验证。PLoS ONE，13.“，“doi”：“10.1371 \/journal.pone.0202338”}，“{”key“：Otte，K.、Kayser，B.、Mansow-Model，S.、Verrel，J.、Paul，F.、Brandt，A.U.和Schmitz-H\u00fcbsch，T.（2016）。运动功能临床测量用Kinect版本2的准确性和可靠性。《公共科学图书馆·综合》，11.“，”DOI“：”10.1371 \/journal.pone.0166532“}，{“key”：“ref_18”，“DOI-asserted-by”：“crossref”，“first page”：”593“，“DOI”：“10.1016 \/j.gaitpost.2013.09.018”，“article-title”：“Kinect在功能评估活动中的有效性和可靠性：与标准立体摄影测量学的比较”，“volume”:“39”，“author”：“Jansen”，“year”：“2014”，“journal-title“：”步态“}，{“key”：“ref_19”，“doi-asserted-by”：“crossref”，“first-page”：“161”，”doi“：”10.1007\/s10665-014-9689-2“，”article-title”：“应用扩展卡尔曼滤波提高Kinect骨骼关节估计的准确性和平滑度”，“volume”：”88“，”author“：”Shu“，”“year”：“2014”，“journal-title”“：”J.Eng.Math.“}”，{”key“：”ref_20“，“非结构化”：“Cao，Z.，Hidalgo Martinez，G.，Simon，T.，Wei，S.E.，and Sheikh，Y.A.（2019）。OpenPose：使用部件相似性字段的实时多人2D姿势估计。IEEE传输。模式分析。机器。智力。“}，{”key“：”ref_21“，”doi-asserted-by“：”crossref“，”unstructured“：”Insafutdinov，E.，Pishchulin，L.，Andres，B.，Andriluka，M.，and Schiele，B.（2016）。DeeperCut:A Deeper，Stronger，and Faster Multi-Person Pose Estimation Model。欧洲计算机视觉会议计算机视觉\u2014ECCV 2016，Springer。计算机科学讲稿。“，”DOI“：”10.1007\/978-3-319-46466-4_3“}，{“key”：“ref_22”，“DOI-asserted-by”：“crossref”，“unstructured”：“Groos，D.，Ramanpiaro，H.，and Ihlen，E.A.（2020）。EfficientPose：可缩放的单人姿势估计。Appl.Intell.”，“DOI”：“10.1007\/s10489-020-01918-7”}，“key“：”ref_23“，”DOI-assert-by“：”crossref.“，“first page”：“1281”，“DOI”：“10.1038\\s41593-018-0209-y”，“文章标题”：“DeepLabCut:使用深度学习对用户定义的身体部位进行无标记姿势估计”，“卷”：“21”，“作者”：“Mathis”，“年份”：“2018”，“期刊标题”：“自然神经科学。“}，{”key“：”ref_24“，”doi-asserted-by“：”crossref“，”first-page“：”44“，”doi“：”10.1016\/j.neuron.2020.09.017“，”article-title“：”深入学习的动作捕捉入门：原理、陷阱和观点“，”volume“：“108”，“author”：“Mathis”，“year”：“2020”，“journal-title”：“neuron”}，”{“key”：“ref_25”，“doi-assert-by”：“cross”ref“，”非结构化“：”Howe，T.E.、Rochester，L.、Neil，F.、Skelton，D.A.和Ballinger，C.（2011）。锻炼以改善老年人的平衡。Cochrane数据库系统。Rev.，11.“，”DOI“：”10.1002\/14651858.CD004963.pub3“}，{“key”：“ref_26”，“DOI-asserted-by”：“crossref”，“首页”：“123”，“DOI”：“10.1089\/g4h.2014.0047”，“article-title”：“使用Kinect的运动康复：系统综述”，“volume”：”4“author”：“Fallavollita”，“year”：“2015”，“journal-title“：”Games Health J.“}”，{key“：”ref_27“，”unstructured“：”Vicon Motion Systems Limited（2020年5月13日）。插件步态参考指南。在线提供：https:\/\/usermanual.wiki\/Document\/Plugin20Gait20Reference20Guide.754359891\/amp。“}，{”key“：”ref_28“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhu，Y.，Zhao，Y.和Zhu。S.C.（2015年1月7日\u201312）。理解工具：面向任务的对象建模、学习和识别。美国马萨诸塞州波士顿IEEE计算机视觉和模式识别会议论文集。“doi”：“10.1109\/CVPR.2015.7298903”}，”{“key”：“”ref_29“，”doi-asserted-by“：”crossref“，”unstructured“：”Deng，J.，Dong，W.，Socher，R.，Li，L.J.，Li.，K.，and Fei-Fei，L.（2009年1月20日\u201326）。ImageNet：一个大规模的层次化图像数据库。IEEE计算机视觉和模式识别会议记录，美国佛罗里达州迈阿密《步态扰动范式对改善健康老年人反应性步态反应和跌倒风险的系统综述》，“卷”：“14”，“作者”：“McCrum”，“年份”：“2017年”，“期刊标题”：“欧洲衰老物理学评论”。行动。“}，{”key“：”ref_31“，”doi-asserted-by“：”crossref“，”unstructured“：”Sherington，C.，Fairhall，N.J.，Wallbank，G.K.，Tiedemann，A.，Michaleff，Z.A.，Howard，K.，Clemson，L.，Hopewell，S.，and Lamb，S.E.（2019）。社区老年人预防跌倒的锻炼。Cochrane Database Syst.Rev.，1.“，doi”：“10.1002\/14651858.CD012424.pub2“}，{“key”：“ref_32”，“doi-asserted-by”：“crossref”，“first page”：”1“，”doi“：”10.1016\/j.cviu.2016.09.002“，”article-title“：”3D人体姿势估计：协变量的文献和分析综述“，”volume“：”152“，”author“：”Sarafianos“，”year“2016”，“journal-title”：“Compute.Vis.Image Underst.”}，{“key”：“ref_33”，“doi断言：“crossref”，“首页”：“101”，“doi”：“10.1186\/1743-003-10-101”，“文章标题”：“老年人平衡训练的锻炼：最新技术和未来发展”，“卷”：“10”，“作者”：“Lamoth”，“年份”：“2013”，“期刊标题”：“J.NeuroEng。Rehabil.“}，{”key“：”ref_34“，”doi-asserted-by“：”crossref“，”unstructured“：”Capecci，M.，Ceravolo，M.G.，Ferracuti，F.F.，Iarlori，S.，Longhi，S.、Romeo，L.、Russi，S.N.和Verdini，F.（2016年1月16日\u201320）。康复场景中动态运动期间Kinect v2传感器的准确性评估。美国佛罗里达州奥兰多市IEEE医学与生物学会工程国际年会论文集\u2014EMBS”，“DOI”：“10.1109\/EMBC.2016.7591950”}，{“key”：“ref_35”，“DOI-asserted-by”：“crossref”，“first page”：”47“，“DOI:”10.1016\/j.apergo.2015.01.05“，“article-title”：“第一代和第二代Microsoft Kinect在静态姿势下识别关节中心位置的有效性”，“体积”：“49”，“作者”：“徐”，“年份”：“2015”，“新闻标题”：“应用程序”。埃尔贡。“}，{”key“：”ref_36“，”doi-asserted-by“：”crossref“，”first page“：“102897”，”doi“：”10.1016\/j.cviu.2019.102897“，”article-title“：”单目人体姿势估计：基于深度学习方法的调查“，”volume“：y“：”crossref“，”非结构化“：”Sun，X.、Xiao，B.、Wei，F.、Liang，S.和Wei，Y.（2018年1月8日\u201314）。整体人体姿势回归。欧洲计算机视觉会议记录，德国慕尼黑。“，”DOI“：”10.1007\/978-3-030-01231-1_33“}，{”key“：”ref_38“，”DOI-asserted-by“：”crossref“，”unstructured“：”Arnab，A.，Doersch，C.，and Zisserman，A.（2019年1月16日\u201320）。利用时间上下文进行野外三维人体姿势估计。IEEE计算机视觉和模式识别会议论文集，美国加利福尼亚州长滩“，”DOI“：”10.1109\/CVPR.2019.00351“}，{”key“：”ref_39“，”DOI-asserted-by“：”crossref“，”first page“：“1”，“DOI”：“10.1145\/3386569.3392410”，“article-title”：“XNect”，“volume”：“39”，“author”：“Mehta”，“year”：“2020”，“journal-title“：”ACM Trans.Graph.“}”，{“key”：”ref_40“，“DOI-asserted-by”：“crossref”，“first page”：“1325”，“DOI”：“10.1109\/TPAMI.2013.248“，“article-title”：“Human3.6M:自然环境中三维人体传感的大规模数据集和预测方法”，“volume”：“36”，“author”：“Ionescu”，“year”：“2014”，“journal-title“：IEEE Trans。模式分析。机器。智力。“}，{”key“：”ref_41“，”doi-asserted-by“：”crossref“，”first-page“：”50“，”doi“：”10.3389\/fspor.2020.0050“，”article-title“：”使用OpenPose与多个摄像机评估3D无标记运动捕捉准确度“，”volume“：“2”，”author“：”Nakano“，”year“：”2020“，”journal-title”：“Front.Sport.Act.Living”}，”{“key”：“ref_42”，“first-page:”226“”，“article-title“：“立体摄影测量的人体运动分析第4部分：解剖标志物错位及其对关节运动学的影响评估”，“体积”：“21”，“作者”：“Leardini”，“年份”：“2005”，“期刊标题”：“步态”}，{“关键”：“ref_43”，“首页”：“1”，“article-title”：“人体运动捕捉方法的演变导致生物力学应用中无标记运动捕捉”，“卷”：“3”，“作者”：“Corazza”，“年份”：“2006年”，“新闻标题”：“J.Neuroeng。Rehabil.“}]，”container-title“：[”Sensors“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/1424-8220\/20\/23\/6940\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”，”deposed“：{”date-parts“：[2024,7,6]]，”date-time“：“2024-07-06T05:53:58Z”，“时间戳”：1720245238000}，“score“：1，”resource“：{主要”：{“URL”：“https:\\/www.mdpi.com\/1424-8220\/20\/23\/6940”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{date-parts”：[[2020,12,4]]}，“references-count”：43，“journal-issue”：{issue“：”23“published-on-line”：{date-parts“：[2020,12]}}”，“alternative-id”：[“s20236940”]，“URL”：“http://\/dx.doi.org\/10.3390\/s20236940“，”关系“：{}，“ISSN”：[“1424-8220”]，“ISSN-type”：[{“value”：“1424-8120”，“type”:“electronic”}]，“subject”：【】，“published”：{“date-parts”：【2020,12,4】】}}