SOFTWARE DE ANÁLISE DE MOVIMENTO BASEADO EM IA PARA AVALIAÇÃO DE ESPORTE E FISIOTERAPIA
Notice bibliographique
Résumé
RESUMO Introdução: Como a Organização Mundial da Saúde declarou o novo coronavírus como pandemia em março de 2020, a fisioterapia é mais difícil de executar, o distanciamento social é obrigatório no setor de saúde. Objetivo: Na prática da fisioterapia, um software de análise de vídeo online que fornece informações gráficas e numéricas em tempo real sobre as execuções de movimento do paciente sem contato pessoal direto significaria uma melhora significativa no tratamento eHealth. Métodos: Desenvolveu-se uma camada de software em cima do software de estimativa de posição do corpo humano OpenPose que pode extrair as séries temporais de ângulos de partes do corpo arbitrárias usando as coordenadas de saída do OpenPose processando os dados gravados por duas câmeras simultaneamente. Para validar o procedimento de determinação dos ângulos articulares utilizando o software Openpose utilizou-se o software Kinovea. Resultados: A comparação do ângulo máximo do joelho determinado em nosso e no software Kinovea, amplamente utilizado em medidas biomecânicas, não foi significativamente diferente (2,03±1,06°, p<0,05) Conclusão: Isso indica que o software desenvolvido pode calcular os ângulos articulares adequados com a precisão que os tratamentos de fisioterapia exigem. Como esse software ainda não existe, com a ajuda do desenvolvimento desse software, os terapeutas puderam controlar e corrigir os exercícios em tempo real, e também à distância, aumentando a eficácia da fisioterapia. Nível de Evidência II; Experimental, comparativo.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».