Fusing Camera and Electromyography Data for Enhanced Range of Motion Assessment
Notice bibliographique
Résumé
Accurate and automated Range of Motion (ROM) assessment is essential for rehabilitation, physical therapy, and post-surgical recovery. Traditional manual goniometer-based evaluations suffer from subjectivity, inter-rater variability, and reliance on trained professionals. Although RGB-based computer vision enables markerless ROM estimation, it remains susceptible to occlusions, pose estimation errors, and difficulties detecting subtle joint movements. Furthermore, vision alone cannot capture neuromuscular activation, which is crucial for understanding joint dynamics. To address these challenges, we propose a multi-modal deep learning framework that integrates RGB-based motion tracking with electromyography (EMG) signals. EMG provides neuromuscular activation data, enhancing the robustness against visual occlusions and improving sensitivity to subtle joint displacements. Our method employs an Hourglass-based convolutional neural network (CNN) for spatial feature extraction and a gated recurrent unit (GRU)-based model for temporal EMG processing. To further enhance performance, we introduce feature-level and modality-level attention modules, dynamically emphasizing the most informative features and modality contributions. Experimental results demonstrate that our proposed model achieves an overall RMSE of 2.55, and improvements via the feature and modality attention mechanisms, respectively. Moreover, the fully fused RGB-EMG model outperforms RGB-only approaches, particularly in accurately predicting subtle ROM movements.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».