RESUMO
ABSTRACT Introduction This paper research an improved biological image tracking algorithm of athlete's cervical spine health under color feedback. Objective A new algorithm is proposed to improve the accuracy of detection and tracking. Methods In this study, the first thing is to apply the color feedback algorithm to improve and optimize the Improved Camshift algorithm. The optimized algorithm was used to track the center of the image, and the video was processed frame by frame. The center position of the tracking frame was obtained. Results The average number of head twists per person is 39 times. Among the three groups, children twisted the least, and older adults twisted the most. Conclusion The algorithm proposed in this study has certain effectiveness and superiority and can be well applied to detecting the number of head twists during exercise. Level of evidence II; Therapeutic studies - investigation of treatment results.
RESUMO Introdução Este artigo investiga um algoritmo aprimorado para rastrear imagens biológicas da saúde da coluna cervical do atleta sob feedback de cores. Objetivo Um novo algoritmo é proposto para melhorar a precisão de detecção e monitoramento. Métodos neste estudo, primeiro aplicamos o algoritmo de feedback de cores para otimizar o algoritmo Camshift aprimorado. O algoritmo otimizado foi usado para rastrear o centro da imagem e o vídeo foi processado quadro a quadro. A posição central do quadro de rastreamento foi obtida. Resultados o número médio de voltas da cabeça por pessoa é 39 vezes. Entre os três grupos, as crianças viraram menos e os adultos mais velhos viraram mais. Conclusão O algoritmo proposto neste estudo tem alguma eficácia e superioridade e pode ser bem aplicado para detectar o número de giros da cabeça durante o exercício. Nível de evidência II; Estudos terapêuticos: investigação dos resultados do tratamento.
RESUMEN Introducción Este artículo investiga un algoritmo mejorado de seguimiento de imágenes biológicas de la salud de la columna cervical del atleta bajo retroalimentación de color. Objetivo Se propone un nuevo algoritmo para mejorar la precisión de la detección y el seguimiento. Métodos En este estudio, lo primero es aplicar el algoritmo de retroalimentación de color para optimizar el algoritmo Camshift mejorado. El algoritmo optimizado se utilizó para rastrear el centro de la imagen y el video se procesó cuadro por cuadro. Se obtuvo la posición central del marco de seguimiento. Resultados El número medio de giros de cabeza por persona es 39 veces. Entre los tres grupos, los niños eran los que menos giraban y los adultos mayores eran los que más. Conclusión El algoritmo propuesto en este estudio tiene cierta efectividad y superioridad y se puede aplicar bien para detectar el número de giros de cabeza durante el ejercicio. Nivel de evidencia II; Estudios terapéuticos: investigación de los resultados del tratamiento.
Assuntos
Humanos , Masculino , Feminino , Coluna Vertebral/diagnóstico por imagem , Algoritmos , Atletas , Modelos BiológicosRESUMO
ABSTRACT Introduction: Sports recognition technology gradually mature. Among them, wearable sensors have attracted wide attention because of their accurate recognition. Objective: The following squats are used as an example to determine whether CNN and EMG signals determine whether functional motion is standard. Methods: Based on the FMS of EMG, 80 students of the same grade are randomly selected from the Physical Education School of XX University for the experiment and the results are verified. Results: The results show that the GBC can classify the EMG signal of the three functional movements more accurately, and the classification accuracy rate of squat, stride, and straight lunge squat is 91%, 89%, and 90%, respectively. The decision tree has a good ability to judge whether the functional movement is standard or not, and the accuracy of judgment can reach more than 98%. In conclusion, EMG-based FMS can effectively detect early sports injuries and plays a good role in reducing sports injuries. Conclusions: The classification effect of the squat is the most obvious, reaching 91%, and its recognition ability is the strongest. Level of evidence II; Therapeutic studies - investigation of treatment results.
RESUMO Introdução: A tecnologia de reconhecimento esportivo amadurece gradualmente, entre as quais, os sensores atraíram grande atenção devido ao seu reconhecimento preciso. Objetivo: Os seguintes agachamentos são usados como exemplo para ver se os sinais CNN e EMG determinam se o movimento funcional é padrão. Métodos: Com base no EMG FMS, 80 alunos da mesma série da XX Escola Universitária de Educação Física são selecionados aleatoriamente para o experimento e os resultados são verificados. Resultados: Os resultados mostram que o GBC pode classificar o sinal EMG dos três movimentos funcionais com maior precisão, e a taxa de precisão da classificação do agachamento, estocada e agachamento estocada reta é de 91%, 89% e 90%, respectivamente. A árvore de decisão tem uma boa capacidade de julgar se o movimento funcional é padrão ou não, e a precisão de julgamento pode chegar a mais de 98%. Em conclusão, a EMG baseada em EMG pode detectar efetivamente lesões esportivas precoces e desempenha um bom papel na redução de lesões esportivas. Conclusões: O efeito de classificação do agachamento é o mais evidente, chega a 91%, e sua capacidade de reconhecimento é a mais forte. Nível de evidência II; Estudos terapêuticos- investigação dos resultados do tratamento.
RESUMEN Introducción: La tecnología de reconocimiento deportivo va madurando gradualmente, entre los cuales, los sensores han atraído gran atención por su preciso reconocimiento. Objetivo: Las siguientes sentadillas se utilizan como ejemplo para saber si las señales CNN y EMG determinan si el movimiento funcional es estándar. Métodos: Con base en el FMS de EMG, se seleccionan al azar 80 estudiantes del mismo grado de la Escuela de Educación Física de la Universidad XX para el experimento y se verifican los resultados. Resultados: Los resultados muestran que el GBC puede clasificar la señal EMG de los tres movimientos funcionales con mayor precisión, y la tasa de precisión de clasificación de sentadilla, zancada y sentadilla con estocada recta es 91%, 89% y 90%, respectivamente. El árbol de decisiones tiene una buena capacidad para juzgar si el movimiento funcional es estándar o no, y la precisión del juicio puede alcanzar más del 98%. En conclusión, la EMG basada en EMG puede detectar de forma eficaz las lesiones deportivas tempranas y desempeña un buen papel en la reducción de las lesiones deportivas. Conclusiones: El efecto de clasificación de la sentadilla es el más evidente, alcanza el 91%, y su capacidad de reconocimiento es la más fuerte. Nivel de evidencia II; Estudios terapéuticos- investigación de los resultados del tratamiento.