编辑推荐：
本研究针对传统运动评估方法的局限性，提出了一种基于深度学习（Deep Learning）和信号处理技术的运动状态评估方法，利用Keypoint RCNN（KR）算法与多尺度熵（Multiscale Entropy, MSE）分析，实现了对运动状态的精准识别，为家庭和社区康复训练提供了新的技术手段。
在康复医学领域，准确评估患者的运动功能对于制定个性化训练计划至关重要。然而，传统的运动评估方法要么依赖于复杂的实验室设备，要么受限于环境因素，难以在家庭或社区环境中广泛应用。为解决这一问题，福建医科大学的研究人员开展了一项创新性研究，提出了一种基于深度学习和信号处理技术的运动状态评估方法。该方法通过Keypoint RCNN（KR）算法获取人体骨骼关键点的运动数据，并结合多尺度熵（MSE）分析技术，实现了对运动状态的精准识别和疲劳检测。研究结果表明，该方法具有良好的可靠性和有效性，能够区分不同的运动状态，并为家庭和社区康复训练提供了新的技术手段。该成果发表在《BMC Medical Informatics and Decision Making》上，为运动功能评估领域带来了新的突破。
研究背景
在康复医学中，运动功能评估是制定个性化康复计划的基础。传统方法包括基于量表的评估、高端光学运动捕捉系统以及基于视频分析的骨骼点追踪技术。然而，这些方法要么操作复杂、依赖专业设备，要么受环境因素影响较大，难以在家庭或社区环境中广泛应用。近年来，随着深度学习技术的发展，基于深度学习的运动分析算法因其简单、高效和高精度的特点，逐渐成为研究热点。然而，目前尚缺乏对这些算法在运动状态评估中可靠性和有效性的系统验证。
研究方法
本研究采用的主要关键技术包括：
Keypoint RCNN（KR）算法：用于从视频中获取人体骨骼关键点的二维坐标数据。
多尺度熵（Multiscale Entropy, MSE）分析：用于评估运动信号的复杂性。
时间-频率分析：包括傅里叶变换（Fourier Transform, FT）和短时傅里叶变换（Short-Time Fourier Transform, STFT），用于分析运动状态的频率特征和过渡时间点。
研究对象为20名健康大学生，实验中使用固定自行车进行运动测试，同时采用惯性传感器（Inertial Measurement Unit, IMU）和智能手机记录运动数据。通过KR算法获取的骨骼关键点数据经过二次求导转换为加速度信号后，与IMU数据进行对比分析。
研究结果
KR算法的可靠性和有效性
研究结果表明，KR算法在估计运动状态的峰值加速度频率方面表现出色，与IMU系统的数据一致性高（ICC1,3=0.988）。峰值加速度频率和复杂性指数平均值（Complexity Index Average, CIA）的估计值在两种方法之间显示出强相关性（r>0.7）和良好的一致性（ICC2,1>0.750）。此外，误差值较低（MAE=0.001和0.040，MRE=0.00%和7.67%），表明KR算法能够准确识别运动状态的转换。
运动状态转换的识别
通过STFT分析，研究成功捕捉到了从正常速度到快速运动状态转换的时间点（120秒），与预设值高度一致（MAE=0.32秒，MRE=0.00%）。这表明该方法能够准确识别运动状态的变化，为运动疲劳的检测提供了理论基础。
不同运动状态下的复杂性分析
研究还发现，正常速度运动状态下的复杂性指数（CI）高于快速运动状态，这可能与人体在高强度运动时进入无氧状态、生理复杂性降低有关。这一发现为个性化康复训练计划的设计提供了重要依据。
研究结论与讨论
本研究提出了一种基于KR算法和信号处理技术的运动状态评估方法，该方法在家庭或社区环境中具有广泛的应用前景。该方法不仅能够准确识别运动状态的变化，还能够通过复杂性分析检测运动疲劳。研究结果表明，该方法具有良好的可靠性和有效性，能够为康复训练提供科学依据。未来，该方法有望扩展到更多运动场景，如姿势分析、运动损伤风险筛查、步态分析和跌倒检测等领域。然而，研究也存在局限性，如KR算法为二维分析方法，对三维运动任务的评估精度可能较低；研究对象仅为年轻健康成年人，需要进一步在临床人群中验证其可靠性和有效性。尽管如此，本研究为运动功能评估领域提供了新的思路和技术手段，具有重要的科学意义和应用价值。
