SOFTWARE DE ANÁLISE DE MOVIMENTO BASEADO EM IA PARA AVALIAÇÃO DE ESPORTE E FISIOTERAPIA
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.016 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".