Tai Chi Exercise Posture Detection and Assessment for the Elderly Using BPNN and 2 Kinect Cameras
Notice bibliographique
Résumé
Exercise and recreation are beneficial to all genders and ages, exercise reduces stress and makes people healthy. Physical limitation among the elderly is the major concern and needed to be taking care for the elderly exercise. Low-impact exercises such as walking, slow jogging in the park, and Tai Chi are recommended for the elderly. Tai Chi is a slow and gentle exercise, which can help the circulatory system and dementia in the elderly; it also helps the elderly to get socialized and make new friends. Unfortunately, in the COVID-19 pandemic, people must stay in the house and avoid social activities including outdoor exercises and recreation. This paper aims to develop Tai Chi exercise posture detection and assessment system for helping the elderly to practice Tai Chi at home by themselves. The system provides Tai Chi video clips for demonstration and the graphics user interface (GUI) for capturing the movement of the elderly while they are exercising Tai Chi. The system will detect and assess the elderly's movement whether it is correct or not by using 2 Kinect cameras. The Kinect is used for joints detection and the series of joints movement will be used to compare with the correct Tai Chi postures stored in the system. The questionnaire, which was developed based on the usability criteria defined by the ISO 9241–11 and the users' experience, was used to evaluate the system. The precision, recall, F1-score, and accuracy of our system are 0.94, 0.98, 0.96, and 0.93 respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».