Development of A Sitting Posture Health Detection System Based on the Centernet Model
Notice bibliographique
Résumé
At present, health problems caused by poor sitting posture have attracted much attention, especially affecting specific groups such as students and office workers not only causing physical health problems such as spinal curvature and cervical pain, but also triggering psychological problems such as anxiety and fatigue. Compared with traditional sitting posture detection methods, this paper proposes non-contact sitting posture detection system based on machine vision, which can capture sitting posture information in real time, accurately and conveniently, and helps to improve sitting posture habits and prevent health. Based on the lightweight human pose estimation model MoveNet under the CenterNet model, this model classifies the pose information (the coordinates of the 17 key points of the body) output by MoveNet to judge which sitting posture state the person in the picture is in. The application of this technology can help people correct bad sitting habits in time, reducing the occurrence of problems such as myopia, spinal diseases, and muscle stiffness and fatigue, and improving physical health. This system verifies the feasibility, stability, and accuracy of sitting posture detection system based on the CenterNet model. The test results show that this system can recognize the user's sitting posture state in real time and accurately, and give corresponding and suggestions, which improves the user's physical and mental health problems, and provides a solution for the future sitting posture health monitoring field.
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 | 0,000 |
| 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 ».