【LESS if More X NTUST 2022】Automated Risk Moment Scoring Kit自動化落地錯誤評分系統

參賽團隊名稱：LESS if More X NTUST 2022

我們透過OpenVINO工具包運行人體姿態估計模型中的 AI 模型結合起來，創建了一套可應用於現實場景的自動化落地錯誤評分系統。

作品簡述

我們使用人工智能模型來預測生物力學變數 (關節角度)，這些數據是給予臨床評估傷害風險工具-落地錯誤評估系統分數的重要的關鍵。我們透過OpenVINO工具包運行人體姿態估計模型中的 AI 模型結合起來。

在執行跳躍落地任務時，模型將會估計受試者各肢段關節的位置，另外使用 AI 預測模型，使用自製低成本的慣性感測器 (IMU) 系統的輸入數據，並根據三維動作分析系統的黃金標準進行訓練，以生成主體關節角度數據。

最後將低成本的可穿戴傳感器 (IMU) 和 RGB 相機與 AI 模型推理與OpenVINO工具包相結合並導入到落地錯誤評估系統中，使我們能夠創建可應用於現實場景的自動化落地錯誤評分系統。

提案動機

• 運動傷害是每位運動員既害怕卻不可避免的，我們只能透過事前的訓練來預防傷害發生的機率，像是NBA金州勇士隊的運動員Klay Alexander Thompson，因再2018-19賽季時落地時動作不準確而造成前十字韌帶(ACL)的受傷，一直到今年1月2021-22賽季時才剛回歸NBA球場。
• Thompson再受傷過後的復健歷程是很辛苦的，尤其是心態的轉換，對於運動員而言受傷可能會造成陰影。對於球團而言，也希望這些受傷的高階運動員可以盡早恢復返回球場，文獻指出如果運動員狀態沒有達到回場機制標準時，毅然返回的話，再次發生受傷的機率很高，反之如果後續有進行Follow時，再次受傷的風險可以高幅較低。因此運動員受傷後的回場機制都是需要經過評估的，而落地錯誤評估系統 ，正是以觀察受試者落地時身體各肢段關節的彎曲變化，來評估潛在的傷害風險因子。但在實行落地錯誤評估系統上需要由專業人員來給予17個項目評分，因此在進行一位運動員的評估可能需要花費許多時間，如果要評估整個球團的運動員，是必須要花費許多時間成本。
• 因此我們研發出以低成本、可攜式的穿戴傳感器 (IMU) 及 RGB 相機與 AI 模型推理與OpenVINO工具包相結合並導入到落地錯誤評估系統中，使我們能夠創建可應用於現實場景的自動化落地錯誤評估系統，來協助球團或是健身房場域快速評估運動傷害風險，並借由建議方式引導使用者調整容易受傷時的姿勢。

解決方案

圖1. 技術架構說明

 

Data Collection:

使用可攜帶型的RGB攝影機以正面及側面錄製受試者在跳躍落地時的影像，同時以自製的IMU感測器紀錄受試者在跳躍落地時的時間序列數據(加速規、陀螺儀、磁力計)之數據，最後以攜帶型的測力板幫助判斷落地瞬間時的判斷。

Data Processing:

將上述的RGB影像，以OpenVINO工具包運行人體姿態估計模型估計受試者各肢段關節位置等數據，接著將自製的IMU感測器訊號作為自製低成本的IMU預測模型系統的輸入數據，此系統是根據三維動作分析系統的黃金標準進行訓練，以生成主體關節角度數據。最後將低成本的可穿戴傳感器 (IMU) 和 RGB 相機與 AI 模型推理與OpenVINO工具包相結合成生物力學變數。

User Interface:

將上述的生物力學變數數據放入自動給分程式後，輸出最後的落地錯誤評估系統分數並給予跳躍落地時，動作可能需要調整的重點。

開發過程中所用軟硬體如下：

硬體：

• Lex-System SKY 3 – 3I110HW
  • 11^th Gen Tiger Lake-UP3 i7 , Celeron CPU
  • 2 x DDR4 SODIMM socket, Max. 64GB,
  • Multiple Independent display: VGA & HDMI
  • 3 x Intel GbE LAN, 4 x USB 2.0, 4x COM, Audio
  • 1 x Mini PCIe, 1 x SIM, 2 x M.2, DI/O
  • Intel® OpenVINO™ Toolkit
• Foscam C2M (IP camera)
  • FHD 1080P無線網路攝影機
  • 雙頻模式，支援4GHz/5GHz
  • H.264影像壓縮格式
• Modify Wii Plate (Prototype)
  • Sampling rate 360 Hz
  • vGRF、Center Of Pressures(COP)
  • Self-error correction
• Inertial Measurement Unit (Prototype)
  • Sampling rate 120 Hz
  • Acc, Gyro, Meg
  • Self-error correction
  • Synchronize 4 sensor

軟體：

• Python 3.8.9
• Intel® OpenVINO™ Toolkit

成果介紹

成果介紹短片：

相對於傳統的動作分析系統，我們以攜帶性、價格低的優勢將動作分析系統帶至實驗室以外的場域進行實驗，從低價格穿戴室裝置(IMU)來收去運動時的肢段關節變化，加上前方與右側的RGB攝影機來輔助使量測(預測)關節角度變化更加準確。最後將其預測的角度帶入自動化評分程式中，進行最後的落地錯誤評估系統分數評分及針對扣分項目進行動作調整的建議。

圖2.以人體姿態估計模型估計受試者各身體肢段及關節點

圖3. 自動化的評分之顯示結果（上圖為臨床評估工具評分的結果、下圖為建議的項目）

創新價值與商轉可行性

創新價值：

以往要評估動作分析需要在室內環境下，環境同時需要擁有數昂貴的測量儀器(如:動作分析系統、三軸測力板)等設備，且操作上需要由專業人員才可以操控的系統，再加上後續資料分析的時間。等要看到量測當下的數據結果需要約1個禮拜的時間。因此我們將此套系統設計成可攜帶式的設備，同時不在受限於實驗場域，且從收取資料到數據分析只要簡單的幾個按鈕即可再數分鐘內得到分析的結果報告。

商轉客群及貢獻價值：

• 球團：可以在平時訓練時針對落地錯誤評估系統項目中容易造成受傷的項目訓練，以降低運動員受傷的機率
• 運動健身房：可以為體能教練提供評估結果並針對較弱的部分加強訓練。
• 學校：平時的評估加上練習可以大幅度降低學生受傷的風險

可行性：

• 不用昂貴的儀器設備
• 降低專業人員的人事成本
• 節省資料分析後報告產出的時間
• 在戶外也可以進行的動作分析
• 快速評估運動傷害的風險