An Online Balance Training Application using Pose Estimation and Augmented Reality
Notice bibliographique
Résumé
The evolution of digitally connected devices and artificial intelligence has opened the door for novel health and fitness applications that can be used by individuals at a time and in an environment convenient to them. The purpose of our research was to develop a platform that requires no additional hardware to provide an online balance training program. Balance exercises are often prescribed for healthy aging to keep the body active, improve balance and coordination, and prevent falls and injuries, as well as, for those doing rehabilitation after injuries or diseases such as stroke. We developed a simple web application (BaART: Balance Augmented Reality Trainer) that uses PoseNet to determine a user's location and pose to count the number of repetitions that were done successfully. Furthermore, we looked at how augmented reality, and specifically adding a virtual chair, might impact a user's sense of balance. In a study of 20 participants with and without balance disorders, we found that the developed system was easy to use and many would consider using such a system, particularly our older participants who spend more time at home. However, we also found that the virtual object (i.e. chair) was not used by most people. Furthermore, those with balance issues felt they required a real chair for balance and some even felt that the virtual object was distracting from the exercise. In the future, we plan to explore other uses of augmented reality, such as feedback on exercise quality, gaming features, and a virtual avatar trainer.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».