Lightweight Hand Acupoint Recognition Based on Middle Finger Cun Measurement
Notice bibliographique
Résumé
ABSTRACT Acupoint therapy plays a crucial role in the prevention and treatment of various diseases. Accurate and efficient intelligent acupoint recognition methods are essential for enhancing the operational capabilities of embodied intelligent robots in acupoint massage and related applications. This paper proposes a lightweight hand acupoint recognition (LHAR) method based on middle finger cun measurement. First, to obtain a lightweight model for rapid positioning of the hand area, on the basis of the design of the partially convolutional gated regularisation unit and the efficient shared convolutional detection head, an improved YOLO11 algorithm based on a lightweight efficient shared convolutional detection head (YOLO11‐SH) was proposed. Second, according to the theory of traditional Chinese medicine, a method of positional relationship determination between acupoints based on middle finger cun measurement is established. The MediaPipe algorithm is subsequently used to obtain 21 keypoints of the hand and serves as a reference point for obtaining features of middle finger cun via positional relationship determination. Then, the offset‐based localisation approach is adopted to achieve accurate recognition of acupoints by using the obtained feature of middle finger cun. Comparative experiments with five representative lightweight models demonstrate that YOLO11‐SH achieves an mAP@0.5 of 97.3%, with 1.59 × 10 6 parameters, 3.9 × 10 9 FLOPs, a model weight of 3.4 MB and an inference speed of 325.8 FPS, outperforming the comparison methods in terms of both recognition accuracy and model efficiency. The experimental results of acupoint recognition indicate that the overall recognition accuracy of LHAR has reached 94.49%. The average normalised displacement error for different acupoints ranges from 0.036 to 0.105, all within the error threshold of ≤ 0.15. Finally, LHAR is integrated into the robotic platform, and a robotic massage experiment is conducted to verify the effectiveness of LHAR.
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) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».