Artificial Intelligence (AI) Powered Precise Classification of Recuperation Exercises for Musculoskeletal Disorders
Notice bibliographique
Résumé
Musculoskeletal pain is one of the significant health issues faced by the Information Technology (IT) industries and health-care professional personnel.The current IT sector requires people working on sitting in one place for long hours (~3-4 hours).This causes severe hip, neck, and shoulder pain and may lead to paralysis.Convergence of a threedimensional (3D) image into a plane-based projection to precisely classify the trunk extension and flexion, wrist extension and flexion exercises posture images.Because the predictions in different planes are incorrectly detected during the convergence process, a deep learning algorithm is a superior technique for improving recognition accuracy and processing speed.200 image datasets of the wrist, trunk extension, and flexion exercise posture are created at various planes.The proposed deep learning algorithm performance is compared with CNN with accelerometer sensing image data, DNN with RGB images, CNN-GRU with Kinect Depth images, Deep Hybrid CNN with body portion keyframe images, Spatial Transform Networks (STN) with attention-based multi-scale CNN with Grad CAM images.The observation demonstrates the efficiency of these systems in musculoskeletal rehabilitation therapy in that the suggested deep learning-based system successfully identifies the completion of rehabilitation activities with a recognition of training accuracy of 98.12% and validation accuracy of 95%.Our approach can track and enhance the efficiency of patients' rehabilitation training with greater satisfactory precision than some other cutting-edge conventional CNN-based baseline architecture.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».