Leveraging Digital Perceptual Technologies for Remote Perception and Analysis of Human Biomechanical Processes: A Contactless Approach for Workload and Joint Force Assessment

本研究提出了一种创新的计算机视觉框架，旨在分析工业环境中的人体运动，通过与现有软件的无缝集成来增强生物力学分析。通过先进的成像和建模技术的结合，该框架允许对人体运动进行全面的审查，提供有价值的运动学模式和动力学数据洞察。利用卷积神经网络（CNN）、直接线性变换（DLT）和长短期记忆（LSTM）网络，该方法能够准确检测关键身体点，重建3D地标，并生成详细的3D身体网格。在各种运动的广泛评估中，验证了该框架的有效性，展示了与传统基于标记的模型相当的结果，关节角度估计方面有轻微差异，重量和身高的精确估计方面则表现出平均误差分别不到6％和不到2％，统计分析始终支持该框架的可靠性。此外，当与10名受试者的基础真实值进行比较时，关节角度估计显示出不到5度的差异。Biomech-57地标骨架模板的集成进一步增强了该框架的鲁棒性并增强了其可信度。该框架在工业环境中进行细致的生物力学分析显示出显著的前景，消除了笨重的标记的需求，并将其实用性扩展到包括研究特定外骨骼设备对促进受伤工人迅速返回任务的影响在内的各种研究领域。

本文旨在通过一种创新的计算机视觉框架来分析工业环境中的人体运动，以提高生物力学分析的准确性和效率。该框架旨在消除标记的需求并扩展其在多个研究领域中的实用性。

该框架采用卷积神经网络（CNNs）、直接线性变换（DLT）和长短时记忆（LSTM）网络等先进技术，能够准确检测关键身体点、重建3D标记点和生成详细的3D身体网格。通过对各种运动的广泛评估，验证了框架的有效性，并与传统的基于标记的模型进行了比较。

实验结果表明，该框架在关节角度估计方面的误差小于5度，体重估计的平均误差小于6％，身高估计的平均误差小于2％，且与10个受试者的实际数据相比具有可靠性和鲁棒性。此外，该框架的整合增强了其鲁棒性，并扩展了其在特定外骨骼设备研究领域中的实用性。

最近的相关研究包括：《基于深度学习的人体姿态估计综述》、《基于深度学习的人体运动分析综述》、《基于机器学习的人体姿态估计研究进展》等。