Improved biological image tracking algorithm of athlete's cervical spine health / Algoritmo aprimorado de rastreamento de imagens biológicas da saúde da coluna cervical do atleta / Algoritmo mejorado de seguimiento de imágenes biológicas de la salud de la columna cervical del atleta

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.

Application of back propagation neural network in sports fatigue indicators / Aplicação da rede neural de retropropagação em indicadores de fadiga esportiva / Aplicación de la red neuronal de retropropagación en indicadores de fatiga deportiva

ABSTRACT Introduction High-intensity rehabilitation training will produce exercise fatigue. Objective A backpropagation (BP) network neural algorithm is proposed to predict sports fatigue based on electromyography (EMG) signal images. Methods The principal component analysis algorithm is used to reduce the dimension of EMG signal features. The knee joint angle is estimated by the regularized over-limit learning machine algorithm and the BP neural network algorithm. Results The RMSE value of the regularized over-limit learning machine algorithm is lower than that of the BP neural network algorithm. At the same time, the ρ value of the regularized over-limit learning machine algorithm is closer to 1, indicating its higher accuracy. Conclusions The model training time of the regularized over-limit learning machine algorithm has been greatly reduced, which improves efficiency. Level of evidence II; Therapeutic studies - investigation of treatment results.

RESUMO Introdução O treinamento de reabilitação de alta intensidade produzirá fadiga ao exercício. Objetivo Um algoritmo neural de backpropagation network (BP) é proposto para prever a fadiga esportiva com base em imagens de sinais de eletromiografia (EMG). Métodos O algoritmo de análise de componente principal é usado para reduzir a dimensão das características do sinal EMG. O ângulo da articulação do joelho é estimado usando o algoritmo de aprendizado de máquina de limite regularizado acima e o algoritmo de rede neural BP. Resultados o valor RMSE do algoritmo de aprendizado de máquina acima do limite regularizado é menor que o do algoritmo de rede neural BP. Ao mesmo tempo, o valor de ρ do algoritmo de aprendizado de máquina acima do limite regularizado está próximo de 1, indicando sua maior precisão. Conclusões O tempo de treinamento do modelo de algoritmo de aprendizado de máquina acima do limite regularizado foi bastante reduzido, o que melhora a eficiência. Nível de evidência II; Estudos terapêuticos: investigação dos resultados do tratamento.

RESUMEN Introducción El entrenamiento de rehabilitación de alta intensidad producirá fatiga por ejercicio. Objetivo Se propone un algoritmo neuronal de red de retropropagación (BP) para predecir la fatiga deportiva basándose en imágenes de señales de electromiografía (EMG). Métodos El algoritmo de análisis de componentes principales se utiliza para reducir la dimensión de las características de la señal EMG. El ángulo de la articulación de la rodilla se estima mediante el algoritmo de la máquina de aprendizaje por encima del límite regularizado y el algoritmo de red neuronal BP. Resultados el valor de RMSE del algoritmo de la máquina de aprendizaje por encima del límite regularizado es menor que el del algoritmo de red neuronal de BP. Al mismo tiempo, el valor ρ del algoritmo de la máquina de aprendizaje por encima del límite regularizado está más cerca de 1, lo que indica su mayor precisión. Conclusiones El tiempo de entrenamiento del modelo del algoritmo de la máquina de aprendizaje por encima del límite regularizado se ha reducido en gran medida, lo que mejora la eficiencia. Nivel de evidencia II; Estudios terapéuticos: investigación de los resultados del tratamiento.