Acceso usuarios
Pang Haifan
Este artículo utiliza tecnología de monitorización del entrenamiento de rehabilitación basada en imágenes computarizadas para monitorizar en tiempo real la intensidad del ejercicio y el efecto de los pacientes durante el entrenamiento. El vídeo dinámico del paciente se captura con una cámara de alta definición y el algoritmo Open Pose detecta los puntos clave del movimiento humano para obtener datos como el desplazamiento articular y la velocidad. El modelo de bosque aleatorio utiliza un método de aprendizaje integrado para clasificar la intensidad del ejercicio mediante la construcción de múltiples árboles de decisión. Simultáneamente, se aplica ResNet (Red Residual) para extraer las características espaciotemporales del patrón de movimiento mediante operaciones de convolución multicapa y clasificar y evaluar el efecto del ejercicio. Finalmente, el sistema envía los resultados de la monitorización al entrenador de rehabilitación a través de una interfaz visual, utiliza el equivalente metabólico de la tarea (MET) y los cambios en la frecuencia cardíaca como indicadores clave para la evaluación de la intensidad del ejercicio y evalúa exhaustivamente el estado de recuperación basándose en el rango de movimiento articular, la estabilidad de la marcha y los resultados del entrenamiento en bicicleta. Los resultados experimentales muestran que, tras 7 ciclos de entrenamiento de rehabilitación, la tasa de recuperación del paciente aumenta al 93,2 %.
This paper uses rehabilitation training monitoring technology based on computer image technology to monitor the exercise intensity and effect of patients in rehabilitation training in real-time. The dynamic video of the patient is captured by a high-definition camera, and the Open Posealgorithm is used to detect the key points of human movement to obtain movement data such as joint displacement and speed. The random forest model uses an integrated learning method to complete the classification of exercise intensity by constructing multiple decision trees. At the same time, ResNet (Residual Network) is applied to extract the spatiotemporal features of the movement pattern using multi-layer convolution operations, and classify and evaluate the exercise effect. Finally, the system feeds back the monitoring results to the rehabilitation trainer through a visual interface, uses metabolic equivalent of task (MET) and heart rate changes as the core indicators for exercise intensity evaluation, and comprehensively evaluates the recovery situation based on the range of joint movement, gait stability and cycle training results. The experimental results show that after 7 cycles of rehabilitation training, the patient’s recovery rate increases to 93.2%.
