مایو مکانیکس: درک و آموزش فعالیت‌های مهارتی ترکیبی مبتنی بر بیومکانیک

مایوМеханиکس: درک و آموزش مهارت‌های ترکیبی مبتنی بر مکانیک زیستی هاو یین، پاریتوش پارمار، لیجون گو، لین شو، تیانشیاو گو، شیوجین ليو، تیایوژنگ، یانگ جانگ، ویویفو مجموعه داده‌ها و روش‌های موجود ارزیابی کیفیت عمل (AQA) عمدتاً به ورودی‌های بصری مانند RGB و pose متکی هستند و دینامیک‌های فیزیولوژیکی مانند مکانیک عضلات را نادیده می‌گیرند و اغلب اقدامات را به صورت الگوهای یکپارچه مدل می‌کنند. این محدودیت‌ها بازخورد دقیق و مبتنی بر مکانیک زیستی را تحت تأثیر قرار می‌دهند. ما مایوМеханиکس را معرفی می‌کنیم، یک اکوسیستم چندرسانه‌ای برای اقدامات بارگذاری وزن که حرکت را با فعالیت عضلانی هم‌سان می‌سازد. با annotations متخصصان، این مجموعه داده شامل بیش از ۷٬۵۰۰ نمونه از ۲۰ اقدام از ۳۸ موضوع است، شامل ویدیو RGB چندنظاره همگام‌شده، pose سه‌بعدی (3D pose)، الکترومایوگرافی سطحی (sEMG) و سیگنال‌های فیزیولوژیکی اضافی، که بزرگ‌ترین بنچمارک چندرسانه‌ای AQA تا به امروز را تشکیل می‌دهد. علاوه بر این، ما گراف دانش Fitness (FKG) را ساخته‌ایم که annotations متخصصان را به روابط ساختاری بین اقدامات، فازها، گام‌های کلیدی، خطاها و بازخورد اصلاحی سازماندهی می‌کند، که امتیازدهی ترکیبی و ارزیابی قابلinterpret را امکان‌پذیر می‌سازد. بر پایهٔ این نمایشها، ما CUBIST (محرک استدلال онтولوژیکی ترکیبی) را توسعه می‌دهیم که تجزیه‑تحلیل‑بازسازی برای تخصیص خطای دقیق و تولید بازخورد انجام می‌دهد. علاوه بر این، ما وظایف MyoMechanix‑AQA، MyoMechanix‑VideoQA و وظيفه جدید MyoMechanix‑Video2EMG را برپا می‌کنیم. نتایج آزمایشات نشان می‌دهد که حس کردن چندرسانه‌ای و نمایشهای ساختاری کارایی، قابلیتinterpret و تخصیص خطا را بهبود می‌بخشد؛ CUBIST نتایج پیشرفته‌ترین را به‌دست می‌آورد؛ VideoQA درک عمل مبتنی بر زبان را تقویت می‌کند؛ و Video2EMG جایگزین‌های مبتنی بر ویدیو برای الکترومایوگرافی (EMG) هزینه‌بر را پیشنهاد می‌دهد. مایوМеханиکس درک مهارت‌های تخصصی را به سمت استدلال ترکیبی، چندرسانه‌ای و مبتنی بر مکانیک زیستی برای کاربردهای هوش مصنوعی فیزیکی (Physical AI) در زمینه‌های تناسب اندام، بازپردازی، سلامت و یادگیری ماشین پیش می‌برد. موضوعات: بینایی کامپیوتر و تشخیص الگو (cs.CV); هوش مصنوعی (cs.AI); فناوری‌های نوین (cs.ET); تعامل انسان-کامپیوتر (cs.HC); یادگیری ماشین (cs.LG) منبع برای استناد: arXiv:2608.26094 [cs.CV] (یا arXiv:2608.26094v1 [cs.CV] برای این نسخه) https://doi.org/10.48550/arXiv.2608.26094 برای کسب اطلاعات بیشتر، DOI منتشر شده توسط arXiv از طریق DataCite (در حال ثبت) تاریخ ارسال: از Paritosh Parmar [مشاهده ایمیل] [v1] Wed, 26 Aug 2026 17:56:33 UTC (16,463 KB) ابزارهای بایوگرافی ابزارهای بایوگرافی و استنادی کاوشگر بایوگرافی توگِل کاوشگر بایوگرافی (کاوشگر بایوگرافی چیست؟) وصله‌گذاری مقالات (Connected Papers) توگِل وصله‌گذاری مقالات (Connected Papers) (وصله‌گذاری مقالات (Connected Papers) چیست؟) نقشه‌های ادبیات (Litmaps) توگِل نقشه‌های ادبیات (Litmaps) (نقشه‌های ادبیات (Litmaps) چیست؟) s