Разработка методов и алгоритмов оценки паттернов движения человека на основе обработки визуальной информации тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Павликов Артем Евгеньевич

• Павликов Артем Евгеньевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Павликов Артем Евгеньевич

Введение

Глава 1. Анализ предметной области

1.1 Обзор существующих методов оценки положения тела человека

в медицинской реабилитации

1.2 Методы компьютерного зрения для бесконтактной оценки позы

1.3 Обзор существующих систем телереабилитации

1.4 Проектирование функциональных и технических требований для автоматизированной информационной системы ИИ-реабилитации

1.5 Выводы по главе

Глава 2. Разработка метода оценки амплитудно-скоростных характеристик состояния плечевого сустава посредством визуальной информации

2.1 Метрики оценки качества моделей определения положения тела человека

2.2 Сравнение наборов данных для оценки моделей положения человека

2.3 Сравнительный анализ методов определения позы человека

2.4 Разработка метода оценки амплитудно-скоростных характеристик состояния плечевого сустава посредством визуальной информации

2.5 Выводы по главе

Глава 3. Разработка метода оценки паттернов движения у

пациентов с нарушением функции верхней конечности

3.1 Разработка набора метрик для оценки паттернов движений верхнего плечевого пояса посредством обработки визуальной информации

Стр.

3.2 Метод оценки двигательных паттернов у пациентов с нарушением функции верхней конечности

3.3 Алгоритмическое обеспечение метода оценки двигательных паттернов у пациентов с нарушением функции верхней конечности

3.4 Выводы по главе

Глава 4. Разработка АИС для поддержки принятия врачебных решений и проектирования индивидуальных программ реабилитационных мероприятий в домашних условиях

4.1 Архитектура и программно-алгоритмическое обеспечение АИС

4.2 Разработка веб-приложения для взаимодействия врача и пациента

4.3 Апробация и оценка эффективности разработанной АИС

4.4 Выводы по главе

Заключение

Список сокращений

Словарь терминов

Список литературы

Список рисунков

Список таблиц

Приложение А. Свидетельства о государственной регистрации

программ для ЭВМ

Приложение Б. Акты о внедрении

Введение диссертации (часть автореферата) на тему «Разработка методов и алгоритмов оценки паттернов движения человека на основе обработки визуальной информации»

Введение

В последние десятилетия наблюдается устойчивый рост показателя DALY для неврологических заболеваний, включая инсульт, неонатальную энцефалопатию и болезнь Альцгеймера, что обусловлено снижением среднего возраста пациентов и ростом инвалидизирующих состояний. Пациенты с поражениями нервной системы нуждаются в длительной, адаптивной реабилитации, требующей персонализированного подхода и участия специалистов. Однако существующие методы оценки двигательной функции (в том числе гониометрия и визуальный анализ) подвержены субъективности и не позволяют отслеживать динамику движений в реальном времени. Высокоточные оптические системы остаются ограниченно доступными из-за высокой стоимости и сложности эксплуатации.

Современные технологии компьютерного зрения, — в современной науке для обозначения этой задачи закрепилось устойчивое выражение «оценка позы человека» (Human Pose Estimation, HPE),— позволяют на основе обычных видеокамер отслеживать биомеханические параметры движения, сочетая точность с доступностью, что делает их перспективными для применения в домашних и клинических условиях. Это особенно важно в контексте ограниченного доступа к реабилитационным услугам в удалённых регионах Российской Федерации: более 60 % специализированных реабилитационных центров сосредоточены в городах, в то время как население отдаленное от урбанизированных центров сталкивается с нехваткой специалистов по реабилитации и трудностями транспортировки маломобильных граждан. Внедрение автоматизированных решений с элементами телереабилитации может снизить нагрузку на медицинский персонал, повысить мотивацию пациентов к восстановлению и обеспечить объективный мониторинг восстановления.

Исследование направлено на разработку доступных и надёжных методов оценки положения тела, пригодных для интеграции в персонализированные реабилитационные протоколы и обеспечивающих объективную биомеханическую оценку в условиях ограниченных ресурсов.

Степень разработанности темы исследования. К ключевым российским исследователям относятся Ю. В. Проничкин и М. И. Кумсков, предложившие постановку проблемы оценки позы человека как задачу пиксельной

классификации на основе глубоких нейронных сетей; М. Г. Воловик, В. В. Бор-зиков, А. Н. Кузнецов, Д. И. Базаров и А. Г. Полякова, выполнившие обзор интеграции виртуальной реальности в комплексную медицинскую реабилитацию пациентов с ограниченными возможностями. Иностранные исследователи А. Тошев и К. Седжеджи разработали алгоритм DeepPose для регрессионного определения координат суставов; А. Ньюэлл, К. Янг и Д. Дэнг предложили архитектуру Stacked Hourglass для многоуровневой агрегации контекста в 2D HPE; Ч. Цао, Г. Идальго, Т. Саймон, Ш. Вэй и Я. Шейх создали систему OpenPose на основе Part Affinity Fields; В. Базаревский, И. Грищенко и К. Равендран реализовали лёгкие модели BlazePose и MoveNet для on-device HPE, работающие в реальном времени на мобильных устройствах. Несмотря на достигнутые успехи, в области оценки позы человека, остаются нерешенные задачи и перспективные направления для дальнейших исследований:

— Реконструкция позы человека в реальных условиях: разработка методов, обеспечивающих устойчивость к изменениям внешних факторов (ракурс, освещение, частичные перекрытия) при сохранении точности восстановления скелетной конфигурации.

— Классификация типовых ошибок выполнения упражнений: требуются практичные методы выявления и валидации ошибок вроде недобора амплитуды, компенсаций корпусом и асимметрий с воспроизводимыми метриками качества на реабилитационных сценариях.

— Энергоэффективные модели для встраиваемых систем: Необходимы лёгкие модели, работающие в реальном времени на мобильных устройствах с минимальной латентностью и без передачи медицинских данных.

Целью диссертационной работы является повышение эффективности программно-аппаратных комплексов персонализированной реабилитации посредством разработки методов и алгоритмов оценки паттернов движения человека на основе обработки визуальной информации.

Для достижения поставленной цели необходимо было решить следующие задачи:

1. Исследовать существующие методы цифровой обработки визуальной информации применяемые для объективной оценки амплитудно-скоростных характеристик двигательных паттернов человека.

2. Разработать метод и алгоритмическое обеспечение оценки амплитудно-скоростных характеристик состояния плечевого сустава посредством обработки визуальной информации.

3. Разработать метрики цифровой обработки визуальной информации для оценки паттернов движений верхнего плечевого пояса.

4. Разработать метод и алгоритмическое обеспечение для оценки двигательных паттернов при нарушениях функции верхней конечности.

5. Спроектировать архитектуру и разработать автоматизированную информационную систему поддержки принятия врачебных решений реализующую разработанные методы и алгоритмы.

Объектом исследования являются информационные процессы, методы и технологии цифровой обработки визуальной информации, а также автоматизированные информационные системы, обеспечивающие поддержку принятия решений в медицинской реабилитации пациентов с нарушениями функции верхнего плечевого сустава.

Предметом исследования являются методы, алгоритмы и программно-технические средства цифровой обработки визуальной информации и интеллектуальной поддержки принятия решений, обеспечивающие автоматизированную оценку стереотипа движений верхнего плечевого пояса.

Методы исследования. Для решения поставленных задач использовались методы автоматической обработки визуальных данных, машинного и глубокого обучения, статистического анализа, а также методы цифровой обработки сигналов.

Научная новизна результатов диссертации заключается в совокупности взаимосвязанных алгоритмических, программных, технических и организационных решений, направленных на повышение доступности персонализированных реабилитационных технологий для пациентов находящихся на третьем этапе медицинской реабилитации.

В процессе выполнения диссертационной работы получены следующие оригинальные научные результаты:

1. Разработаны метод и алгоритмическое обеспечение цифровой обработки визуальной информации, отличающиеся от существующих тем, что реализуют безмаркерную оценку позы человека, позволяющие извлекать амплитудно-скоростные характеристики движения в режиме реального времени (2.3.8, п.4).

2. Разработан метод интеллектуального анализа пространственно-временных паттернов движений посредством обработки визуальной информации, отличающийся от существующих реализацией оценки траекторий ключевых точек движения, позволяющий автоматически классифицировать типы отклонений кинематико-скоростных профилей движения верхней конечности (2.3.8, п.4).

3. Разработано алгоритмическое обеспечение локальной и распределённой обработки медицинских визуальных данных, отличающееся модифицированной компактной нейросетевой моделью, позволяющее выполнять весь вычислительный цикл на стороне клиента без серверной обработки (2.3.8, п.6).

4. Разработана архитектура автоматизированной информационной системы поддержки принятия врачебных решений, отличающаяся микросервисной архитектурой с включением модулей оценки паттернов движения по монокулярному зрению, позволяющая реализовать цикл «наблюдение-оценка-адаптация» и динамически корректировать реабилитационный протокол упражнений по объективным кинематическим признакам (2.3.8, п. 16).

Теоретическая и практическая значимость исследования определяется разработкой и формализацией методов цифровой обработки визуальной информации, предназначенных для безмаркерного извлечения амплитудно-скоростных параметров движений верхнего плечевого пояса и интеллектуального анализа их пространственно-временных паттернов. Предложенные алгоритмы расширяют существующие модели оценки позы человека, уточняют границы применимости графовых представлений скелетных данных к медицинским движениям и закладывают основу для построения энерго- и трафикоэффек-тивных распределённых систем телереабилитации. Практическая значимость заключается в создании алгоритмического комплекса, реализованного в составе автоматизированной информационной системы (АИС) для домашних реабилитационных мероприятий. Система обеспечивает количественно-качественную оценку движений на оконечном устройстве, формирует персонализированные рекомендации пациенту и передаёт врачу объективные данные для дистанционного мониторинга.

Основные положения, выносимые на защиту:

1. Метод и алгоритмическое обеспечение цифровой обработки визуальной информации, позволяющее извлекать амплитудно-скоростные параметры ключевых сегментов плечевого пояса в реальном времени при средней задержке обработки кадра не более 40 мс.

2. Метод интеллектуального анализа пространственно-временных паттернов движений, позволяющий автоматически классифицировать типы отклонений кинематико-скоростных профилей движения верхней конечности с точностью не менее 92 %.

3. Алгоритмическое обеспечение локальной и распределённой обработки медицинских визуальных данных, позволяющее выполнять полный цикл обработки на конечном устройстве с передачей в сеть только агрегированных результатов, сокращая сетевой трафик не менее чем на 80% без снижения точности оценки.

4. Архитектура автоматизированной информационной системы поддержки принятия врачебных решений, позволяющая сократить время формирования персонализированной программы реабилитации до 2 минут и обеспечивающая непрерывный мониторинг процесса восстановления пациента.

Степень достоверности и апробации результатов работы обеспечивается использованием в качестве базы современных методов и моделей, применяемых для построения скелетных моделей человека. Математическую основу исследования составляют адаптированные для решения поставленных задач методы анализа данных, машинного обучения и математической статистики. Результаты были представлены на ряде Российских и международных конференций:

- 2024 Systems of Signals Generating and Processing in the Field of on Board Communications;

- 2023 Systems of Signals Generating and Processing in the Field of on Board Communications;

Результаты также обсуждались на заседании кафедры, а также на научных семинарах в МТУСИ.

Личный вклад.

В ходе исследования автором лично были разработаны и реализованы ключевые подходы, направленных на повышение эффективности и доступности

реабилитационных технологий для пациентов находящихся на третьем этапе медицинской реабилитации:

— Разработаны метод и алгоритмическое обеспечение цифровой обработки визуальной информации, обеспечивающие извлечение амплитудно-скоростных параметров сегментов плечевого пояса с пропускной способностью ^ 25 кадров/с на бытовых устройствах.

— Создан метод интеллектуального анализа пространственно-временных паттернов движений, реализующий классификацию отклонения от эталонных кинематико-скоростных профилей движения верхней конечности не ниже с точностью 92%;

— Разработано программно-алгоритмическое обеспечение локальной и распределённой обработки медицинских визуальных данных, позволяющее выполнять полный цикл обработки на конечном устройстве с передачей в сеть только агрегированных результатов и сокращать сетевой трафик на 80% без заметной потери точности;

— Спроектирована и внедрена архитектура автоматизированной информационной системы (АИС) поддержки принятия врачебных решений, что сократило время формирования персонализированной программы реабилитации до 2 минут.

— Организованы и проведены экспериментальные исследования, включающие лабораторные тесты на стендах и пилотное внедрение у 80 пациентов третьего этапа реабилитации; полученные результаты подтвердили соответствие заявленным критериям точности, производительности и удобства использования.

Реализация и внедрение. Алгоритмы и архитектура программно-аппаратного комплекса, разработанные в настоящей работе, внедрены в следующих организациях:

— ООО "Басалдук"

— ООО "ЦМР"

Также разработанное алгоритмическое обеспечение внедрено в учебный процесс кафедры "Математическая кибернетика и информационные тех-нологии"МТУСИ. Подтверждается соответствующими актами внедрения результатов диссертационной работы.

Соответствие специальности. Тематика и результаты диссертации соответствуют следующим направлениям специальности: 2.3.8. «Информатика и информационные процессы».

п.4. «Разработка методов и технологий цифровой обработки аудиовизуальной информации с целью обнаружения закономерностей в данных, включая обработку текстовых и иных изображений, видео контента. Разработка методов и моделей распознавания, понимания и синтеза речи, принципов и методов извлечения требуемой информации из текстов».

п.6. «Обеспечение информационных систем и процессов, применения информационных технологий и систем в принятии решений на различных уровнях управления. Общие принципы и основы организации информационных служб и электронных библиотек». п.16. «Автоматизированные информационные системы, ресурсы и технологии по областям применения (научные, технические, экономические, образовательные, гуманитарные сферы деятельности), форматам обрабатываемой, хранимой информации. Системы принятия групповых решений, системы проектирования объектов и процессов, экспертные системы и др.».

Публикации. По материалам диссертации опубликовано 12 научных работ, из них 6 научных статьей, из которых 3 в научных журналах и изданиях, рекомендованных ВАК при Министерстве науки и высшего образования Российской Федерации, в периодических научных журналах индексируемом Scopus — 3, в том числе 2 работы опубликованы без соавторов, получены 6 свидетельств о регистрации программы для ЭВМ.

Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения и 2 приложений. Полный объём диссертации составляет 137 страниц, включая 28 рисунков и 11 таблиц. Список литературы содержит 121 наименование.

Глава 1. Анализ предметной области

В первой главе диссертационного исследования обоснована необходимость внедрения объективных и масштабируемых методов количественной оценки позы в медицинской реабилитации. Показано, что традиционные клинико-функциональные шкалы, гониометрия и фотограмметрия имеют ограниченное пространственно-временное разрешение и высокую субъективность, тогда как современные алгоритмы HPE, работающие с недорогими RGB-камерами, обеспечивают оптимальный баланс метрологической точности, стоимости и эксплуатационной доступности, что особенно важно на фоне роста DALY по неврологическим патологиям и дефицита высокоточных лабораторных систем.

Далее раскрывается эволюция технологий от ручных инструментов к безмаркерным CV-системам, проводится сравнительный анализ коммерческих и исследовательских платформ реабилитации, а также формулируются функциональные, технические и нефункциональные требования к проектируемой автоматизированной информационной системе: регламентируются минимальные характеристики аппаратуры, ограничения по задержке «кадр ^ обратная связь» и критерии надёжности, обеспечивающие практическую применимость решения в условиях домашней телереабилитации.

1.1 Обзор существующих методов оценки положения тела человека в медицинской реабилитации

Эффективность реабилитационного вмешательства напрямую зависит от точности, воспроизводимости и оперативности измерений, характеризующих пространственную конфигурацию тела пациента и динамику её изменения в ходе терапии. Традиционные ручные подходы(клинико-функциональные шкалы, гониометрия, фотограмметрия) задали терминологию и минимальные стандарты, однако ограниченное пространственно-временное разрешение и высокая изменчивость результатов существенно сужают их применимость в задачах адаптивной телереабилитации [1].

Современные цифровые решения опираются на прогресс сенсорных технологий и алгоритмов анализа данных. Бесконтактные системы HPE на основе недорогих RGB-камер демонстрируют достаточную метрологическую точность для оценки кинематики верхней конечности [2], тогда как носимые инерциальные сенсоры обеспечивают мобильный мониторинг суставной динамики [3]. Обзоры последних лет подчёркивают, что синергия этих подходов формирует фундамент для создания интеллектуальных платформ домашней реабилитации, расширяя возможности персонализированного контроля и автоматического отслеживания корректности выполнения паттернов упражнений

[4; 5].

Клинико-функциональные шкалы и наблюдение - шкала Фуг-ла-Мейера, индекс Бартел, модифицированная шкала Эшворта и аналогичные метрики — представляют собой первичную формализацию наблюдений, в которой оператор-эксперт превращает зрительную оценку движения в набор целочисленных баллов. С инженерной точки зрения входными данными служат номинально-порядковые величины: каждая попытка пациента выполнить тестовое действие (подняться, удержать позу, пройти три метра) фиксируется одной целой цифрой из ограниченного диапазона, обычно 0 - 5. Процесс сбора данных полностью ручной: эксперт устно даёт инструкцию, визуально контролирует выполнение, классифицирует результат и тут же заносит его на бумажный протокол или в простое мобильное приложение. На один полный сеанс уходит 30-45 минут, поэтому пропускная способность методики редко превышает двух пациентов в час на одного специалиста.

Полученный выход — массив из нескольких десятков целых чисел, по сути низкоразмерный вектор признаков с «частотой дискретизации» ровно одна точка на движение. Временная структура траектории, мгновенные скорости, плавность и другие кинематические характеристики остаются вне поля зрения. Даже при оптимистичных значениях надёжности (ICC ~ 0.8) шум, связанный с субъективностью классификации и устными инструкциями, оказывается сопоставим с величиной одного шкального шага; любые изменения меньше 1 балла статистически неразличимы. Дополняет картину потолочный эффект: как только пациент начинает выполнять упражнения без видимых ошибок, шкала исчерпывает диапазон и перестаёт реагировать на дальнейший прогресс.

Системные требования к аппаратуре здесь минимальны — достаточно секундомера и бланка, но именно эта простота делает метод неприменимым к за-

дачам, стоящим перед компьютерным зрением и цифровой реабилитацией. Для алгоритмов, способных обрабатывать сотни кадров в секунду и многомерные позы, столь простой, дискретизированный поток данных попросту неинформативен. Поэтому в последующих разделах классические шкалы выступают лишь историческим и терминологическим ориентиром: они задают привычную врачам «лексическую рамку» результатов, но не входят в вычислительное ядро проектируемой системы.

Гониометрия — измерительный метод, при котором относительный поворот двух биомеханически связанных сегментов аппроксимируется углом ср(£) между их продольными осями, то есть сустав трактуется как одно- или двухосе-вой шарнир с фиксированным центром вращения [6]. Практические реализации варьируются от механических шкальных устройств до электрогониометров и беспроводных пар инерциальных измерительных блоков. Алгоритм остаётся единым: ось датчика совмещают с предполагаемым центром сустава, прибор выравнивают по анатомическим ориентирам, после чего фиксируют ф в статическом положении или регистрируют временной ряд ф(£) с частотой 50-1000 Гц [6—8]. Погрешность определяется смещением кожных ориентиров и несоосностью осей, а также нелинейностью датчиков. Типичные значения для клинических условий составляют 3-4° по модулю ошибки и варьируют между оценщиками [9; 10]. В лабораторных тестах электрогониометры демонстрируют высокую метрологию: коэффициенты внутриклассовой корреляции порядка ICC ~ 0.9 и угловую точность порядка ±1° при корректной калибровке и креплении [7; 11; 12].

Из временного ряда извлекают диапазон движений, угловую скорость и производные показатели устойчивости, что делает метод удобным ориентиром для количественной валидации [6]. Ограничения неизбежны: измеряется один сустав, контактное крепление влияет на естественность движения, а проводные модели сужают манёвр. Планарная конструкция бюджетных приборов и локальный характер измерения не обеспечивают полноскелетного анализа, требуемого современными HPE-методами [6; 10]. В диссертации гониометрия используется главным образом как эталон угловой точности при калибровке и верификации бесконтактных методик и не входит в основной набор экспериментальных инструментов.

Фотограмметрия опираются на многокамерную геометрию: синхронизированная последовательность кадров из одной (2D) или нескольких (3D)

калиброванных камер преобразуется в координаты анатомических ориентиров через коллинеарные уравнения и триангуляцию (см. формулу 1.1), где параметры получаются калибровкой камеры [13; 14]. Для решения прямой и обратной задач реконструкции широко применяются прямая линейная трансформация (ЭЬТ) [15] и совместная оптимизация "пучков лучей"с минимизацией суммарной репроекционной ошибки [16].

В маркерных системах к ключевым сегментам крепятся отражатели диаметром порядка 4-14 мм; в лабораторной конфигурации достигается пространственная точность порядка 0,5-1 мм при частотах 60-240 Гц [17]. Ограничивающим фактором остаются артефакты мягких тканей, величина которых для плечевого пояса достигает сантиметрового диапазона и приводит к смещениям маркеров относительно костных ориентиров [17; 18]. Безмаркерные методы, основанные на сегментации силуэта/ключевых точек и статистических скелетных моделях, существенно упрощают подготовку и исключают контакт с телом, но валидационные исследования сообщают угловые ошибки порядка 3-5° при ходьбе и функциональных тестах [19—21]. Объём рабочей сцены стандартного оптоэлектронного комплекса 4x4x4м) определяется конфигурацией камер; выход из зоны покрытия и окклюзии ведут к потерям треков и всплескам ошибок [17].

Полный технологический цикл включает радиометрическую и геометрическую калибровку (шахматное поле, «палочка» известной длины) [14], синхронизацию (генлок/строб), сглаживание траекторий сплайнами или калма-новской фильтрацией [22; 23] и постпроцессинг. Из восстановленных траекторий (х,у,х)(Ъ) вычисляют ориентации сегментов (Эйлер/кватернионы), угловые скорости 6(£) и механическую мощность V(¿) = т(£) 6(£) по стандартным схемам инверсной динамики [24]. Такой подход обеспечивает полноскелетную 3Э-кинематику и возможность ретроспективного переанализа, но требует контролируемой лабораторной среды и значительных затрат времени/ресурсов на сбор и обработку [17; 25].

В контексте настоящего исследования фотограмметрия используется как общепринятый стандарт для внешней валидации бесконтактных алгоритмов.

(Л

Л V = КИ(Х - 1), X е К3.

(1.1)

Её высокая стоимость и низкая мобильность ограничивают применение в домашней телереабилитации, поэтому дальнейший акцент сделан на методах компьютерного зрения, которые при корректной калибровке и настройке обеспечивают сопоставимую угловую точность при существенно меньших аппаратных и эксплуатационных затратах [19; 21; 25].

Носимые устройства (Интернет вещей, IoT) - представляют собой распределённую киберфизическую платформу, в которой каждый узел - миниатюрный инерциальный модуль, гибкий тензодатчик или электромиографический электрод, непрерывно формирующий поток высокочастотных данных о кинематике и мышечной активности пациента. Валидирующие исследования показывают, что после корректной калибровки совокупная точность ориентации сегмента (коэффициент внутриклассовой корреляции ICC > 0.9; средняя угловая ошибка ~ 1o) сопоставима с оптоэлектронным «золотым стандартом» и надёжно отражает пространственно-временные параметры походки [26].

Типовой узел построен на МЭМС-комбайне (акселерометр ±16 д, гироскоп ±2000o/c, магнитометр ±8 G) и энергоэффективном микроконтроллере с поддержкой Bluetooth Low Energy 5.3 Mesh. Для подавления дрейфа локально реализован объединённый фильтр Мэджвика-Калмана, а глобальная синхронизация сети (до 32 модулей) осуществляется по TDMA Time-Sync со сдвигом менее 0.5 мс, что критично для фазового анализа походки [27]. В помещениях с магнитными помехами сеть дополняют UWB-маяки, обеспечивающие абсолютную позиционную коррекцию с точностью 10-30 см и частотой до 200 Гц [28].

Высокочастотная телеметрия встраивается в контур замкнутого управления: рандомизированный кроссовер-эксперимент 2025 г. показал, что вибрационная сигнализация фаз опоры у пользователей голенных протезов уменьшила боковое смещение центра давления на 18% после 60-дневного тренировочного цикла [29].

Полномасштабное развёртывание сети остаётся экономически обременительным. Для модели из 15-17 сегментов требуется минимум 14 исследовательских IMU-датчиков; рыночная стоимость одного сертифицированного модуля APDM Opal составляет « 2400 USD, а комплект «Mobility Lab» с док-станцией и программным обеспечением достигает ~ 20000 USD [30]. Даже при переходе к более бюджетным решениям полная стоимость набора, включая UWB-маяки, шлюз-сервер и аккумуляторный парк, превышает ~ 2000 USD в первый год экс-

Список литературы диссертационного исследования кандидат наук Павликов Артем Евгеньевич, 2026 год

Список литературы

1. Wearable Systems for Shoulder Kinematics Assessment: A Systematic Review [Текст] / A. Carnevale [и др.] // BMC Musculoskeletal Disorders. — 2019. -Т. 20, № 1. — С. 546. — URL: https://doi.org/10.1186/s12891-019-2930-4.

2. Faity, G. Validity and Reliability of Kinect v2 for Quantifying Upper Body Kinematics during Seated Reaching [Текст] / G. Faity, D. Mottet, J. Froger // Sensors. — 2022. — Т. 22, № 7. — С. 2735. — URL: https://doi.org/10.3390/ s22072735.

3. Assessing the Validity of Inertial Measurement Units for Shoulder Kinematics Using a Commercial Sensor-Software System: A Validation Study [Текст] / J. Henschke [и др.] // Health Science Reports. — 2022. — Т. 5, № 5. — e772. — URL: https://doi.org/10.1002/hsr2.772.

4. Deep Learning-based Human Pose Estimation: A Survey [Текст] / C. Zheng [и др.] // ACM Computing Surveys. — 2023. — Т. 56, № 1. — С. 1—37. — URL: https://doi.org/10.1145/3603618.

5. Human Pose Estimation in Physiotherapy Fitness Exercise Correction Using Novel Transfer Learning Approach [Текст] / A. Naseer [и др.] // PeerJ Computer Science. — 2025. — Т. 11. — e2854. — URL: https://doi.org/ 10.7717/peerj-cs.2854.

6. Norkin, C. C. Measurement of Joint Motion: A Guide to Goniometry [Текст] / C. C. Norkin, D. J. White. — 5-е изд. — Philadelphia : F.A. Davis, 2016. — URL: https://www.fadavis.com/product/rehabilitation-measurement-joint-motion-norkin-white-5.

7. The reliability of knee joint position testing using electrogoniometry [Текст] / P. Piriyaprasarth [и др.] // BMC Musculoskeletal Disorders. — 2008. — Т. 9. — С. 6. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC2263037/.

8. Assessment of Correlation between Electrogoniometer Measurements and Sports-Specific Movement in Karate Elites [Текст] / S. Lotfian [и др.] // Asian Journal of Sports Medicine. — 2014. — Т. 5, № 2. — С. 115—122. — URL: https://brieflands.com/articles/asjsm-73535 ; Пример лабораторной регистрации с частотой до 1000 Гц.

9. Boone, D. C. Reliability of goniometric measurements [Текст] / D. C. Boone, S. P. Azen // Physical Therapy. — 1978. — Т. 58, № 11. — С. 1355—1360. -URL: https://pubmed.ncbi.nlm.nih.gov/704684/.

10. Validity and test-retest reliability of manual goniometers for measuring passive hip range of motion in femoroacetabular impingement patients [Текст] / S. Nussbaumer [и др.] // BMC Musculoskeletal Disorders. — 2010. — Т. 11. — С. 194. — URL: https : / / pmc . ncbi. nlm . nih . gov / articles / PMC2942800/.

11. Christensen, H. W. Precision and accuracy of an electrogoniometer [Текст] / H. W. Christensen // Journal of Manipulative and Physiological Therapeutics. — 1999. — Т. 22, № 1. — С. 10—14. — URL: https://pubmed. ncbi.nlm.nih.gov/10029943/.

12. Shamsi, M. Universal goniometer and electro-goniometer intra-examiner reliability in measuring the knee range of motion during active knee extension test [Текст] / M. Shamsi, M. Mirzaei, S. S. Khabiri // BMC Sports Science, Medicine and Rehabilitation. — 2019. — Т. 11, № 4. — URL: https:// bmcsportsscimedrehabil.biomedcentral.com / articles /10.1186 / s13102-019-0116-x.

13. Hartley, R. Multiple View Geometry in Computer Vision [Текст] / R. Hartley, A. Zisserman. — 2-е изд. — Cambridge : Cambridge University Press, 2004.

14. Zhang, Z. A Flexible New Technique for Camera Calibration [Текст] / Z. Zhang // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2000. — Т. 22, № 11. — С. 1330—1334.

15. Abdel-Aziz, Y. I. Direct Linear Transformation from Comparator Coordinates into Object Space Coordinates in Close-Range Photogrammetry [Текст] / Y. I. Abdel-Aziz, H. M. Karara // Photogrammetric Engineering. — 1971. — Т. 37, № 3. — С. 381—387.

16. Bundle Adjustment - A Modern Synthesis [Текст] / B. Triggs [и др.] // Vision Algorithms: Theory and Practice. Т. 1883. — Springer, 2000. — С. 298—372. — (LNCS).

17. Human movement analysis using stereophotogrammetry. Part 1: Theoretical background [Текст] / A. Cappozzo [и др.] // Gait & Posture. — 2005. — Т. 21, № 2. — С. 186—196.

18. Human movement analysis using stereophotogrammetry. Part 3: Soft tissue artifact assessment and compensation [Текст] / A. Leardini [и др.] // Gait & Posture. — 2005. — Т. 21, № 2. — С. 212—225.

19. Stenum, J. Two-dimensional video-based analysis of human gait using pose estimation: Concurrent validity with marker-based motion capture [Текст] / J. Stenum, C. Rossi, R. T. Roemmich // Scientific Reports. — 2021. — Т. 11. -С. 20063.

20. Inter-session repeatability of markerless motion capture gait kinematics [Текст] / R. M. Kanko [и др.] // Journal of Biomechanics. — 2021. — Т. 121. — С. 110422.

21. Concurrent validity of a markerless motion capture system for gait kinematics [Текст] / R. M. Kanko [и др.] // Gait & Posture. — 2022. — Т. 92. — С. 144—151.

22. Woltring, H. J. A Fortran package for generalized, cross-validatory spline smoothing and differentiation [Текст] / H. J. Woltring // Human Movement Science. — 1986. — Т. 10, № 5. — С. 603—617.

23. Kalman, R. E. A New Approach to Linear Filtering and Prediction Problems [Текст] / R. E. Kalman // Journal of Basic Engineering. — 1960. — Т. 82, № 1. — С. 35—45.

24. Winter, D. A. Biomechanics and Motor Control of Human Movement [Текст] / D. A. Winter. — 4-е изд. — Hoboken : Wiley, 2009.

25. Colyer, S. L. Automated tracking of athletes with markerless motion capture [Текст] / S. L. Colyer, M. Evans // Sports Biomechanics. — 2018. — Т. 17, № 2. — С. 144—158.

26. Accuracy validation of a wearable IMU-based gait analysis in healthy female [Текст] / Y. He [и др.] // BMC Sports Science, Medicine and Rehabilitation. — 2024. — Т. 16, № 1. — С. 2.

27. Comparison between Two Time Synchronization and Data Alignment Methods for Multi-Channel Wearable Biosensor Systems Using BLE Protocol [Текст] / H. Wang [и др.] // Sensors. — 2023. — Т. 23, № 5. — С. 2465.

28. UWB-Based Real-Time Indoor Positioning Systems: A Comprehensive Review [Текст] / M. F. R. Al-Okby [и др.] // Applied Sciences. — 2024. — Т. 14, № 23. — С. 11005.

29. Safety and efficacy of vibrotactile feedback for adults with transtibial amputation: A randomized controlled cross-over trial [Текст] / H. Penasso [и др.] // Clinical Biomechanics. — 2025. — Т. 124. — С. 106443.

30. APDM Wearable Technologies. Opal Movement Monitor and Mobility Lab Pricing Overview [Текст] / APDM Wearable Technologies. — 2024. Accessed 6 Aug. 2025. https://web.fibion.com/articles/opal-movement-monitor-system-pricing/.

31. Schulleri, K. H. Does vibrotactile biofeedback for postural control interfere with cognitive processes? [Текст] / K. H. Schulleri, colleagues // Journal of NeuroEngineering and Rehabilitation. — 2024. — Т. 21. — С. 184.

32. Electromyographic biofeedback therapy for improving limb function after stroke: A systematic review and meta-analysis [Текст] / R. Wang, S. Zhang [и др.] // PLOS ONE. — 2024. — Т. 19, № 1. — e0289572.

33. Ananias, J. Use of electromyographic biofeedback in rehabilitation of quadriceps strength after anterior cruciate ligament surgery: A systematic review [Текст] / J. Ananias, colleagues // Physiotherapy. — 2024.

34. Han, S.-H. The effect of virtual reality-based treadmill gait training on functional mobility and balance in chronic stroke patients: A randomized controlled trial [Текст] / S.-H. Han, colleagues // Frontiers in Neurology. — 2025. — Т. 16.

35. Liu, Y. Deep Learning for 3D Human Pose Estimation and Mesh Recovery: A Survey [Текст] / Y. Liu, C. Qiu, Z. Zhang // arXiv preprint. — 2024. — eprint: 2402.18844.

36. Comparison of Computational Pose Estimation Models for Joint Angles and Range of Motion [Текст] / Y. Li [и др.] // Biomedical Signal Processing and Control. — 2024. — Т. 87. — С. 105459.

37. Cheng, X. Reliability and Validity of Current Computer-Vision-Based Gait Analysis [Текст] / X. Cheng, R. Huang, W. Sun // Computers in Biology and Medicine. — 2025. — Т. 171. — С. 107961.

38. Piasco, N. Agreement Between a Markerless and a Marker-Based Motion Capture System for Balance-Related Quantities [Текст] / N. Piasco, P. Fourcade, T. Robert // Journal of Biomechanics. — 2024. — Т. 157. — С. 111690.

39. Wang, Z. Analysis of Kinect-Based Human Motion Capture Accuracy Using Skeletal Cosine Similarity Metrics [Текст] / Z. Wang, M. Li, R. Zhang // Sensors. — 2025. — Т. 25, № 4. — С. 1047.

40. Lee, S. Markerless human pose estimation for biomedical applications: A review [Текст] / S. Lee, Y. Chen, H. Li // Frontiers in Computer Science. — 2023. — Т. 5. — С. 1153160.

41. Espitia-Mora, L. A. Low-Cost Markerless Optical Motion Capture Using a RealSense Depth Camera [Текст] / L. A. Espitia-Mora, J. Mendez, A. Escobar // Sensors. — 2024. — Т. 24, № 11. — С. 3371.

42. Bazarevsky, V. BlazePose: On-Device Real-Time Body Pose Tracking [Текст] / V. Bazarevsky, Y. Kartynnik, I. e. a. Grishchenko. — 2020. — URL: https://arxiv.org/abs/2006.10204. arXiv:2006.10204.

43. Wang, Y. LitePose: Efficient Architecture Design for 2D Human Pose Estimation [Текст] / Y. Wang, M. Li, S. Han. — 2022. — URL: https:// arxiv.org/abs/2205.01271. arXiv:2205.01271.

44. Rossi, M. Robust human pose estimation in low-light environments for remote physiotherapy [Текст] / M. Rossi, P. Bianchi // Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). — 2024. — С. 4551—4560.

45. 3D Human Pose Estimation in Video with Temporal Convolutions and Semi-Supervised Training [Текст] / D. Pavllo [и др.] // Proc. CVPR. — 2019.

46. Zheng, C. PoseFormer: A Transformer-Based Network for 3D Human Pose Estimation [Текст] / C. Zheng, H. Jiang, C. Zhang. — 2021. — URL: https: //arxiv.org/abs/2103.10455. arXiv:2103.10455.

47. Coppens, A. Skeletal Data Matching and Merging from Multiple RGB-D Sensors [Текст] / A. Coppens, J. Van Leeuwen, J. Verhoeven // Electronics. — 2025. — Т. 14, № 4. — С. 790.

48. Uhlrich, S. D. OpenCap: Human Movement Dynamics from Smartphone Videos [Текст] / S. D. Uhlrich, A. Seth, J. Hicks // PLOS Computational Biology. — 2023. — Т. 19, № 10. — e1011462.

49. Turner, J. A. Validation of OpenCap for Lower-Extremity Kinematics during Return-to-Sport Tasks [Текст] / J. A. Turner, J. Wong, S. Collins // Journal of Biomechanics. — 2024.

50. D'Souza, S. Lower Body Gait Kinematics and Kinetics: Theia3D vs. Marker-Based Models [Текст] / S. D'Souza, T. Siebert, V. Fohanno // Scientific Reports. — 2024. — Т. 14. — С. 29154.

51. Effective evaluation of HGcnMLP method for markerless 3D pose estimation of musculoskeletal diseases patients based on smartphone monocular video [Текст] / R. Hu [и др.] // Frontiers in Bioengineering and Biotechnology. — 2024. — Янв. — Т. 11. — С. 1335251.

52. Cernek, A. Pose estimation analysis and fine-tuning on the REHAB24-6 rehabilitation dataset [Текст] / A. Cernek, J. Sedmidubsky, P. Budikova // Information Systems. — 2025. — Июль. — Т. 134. — С. 102579.

53. Dong, C. An enhanced real-time human pose estimation method based on modified YOLOv8 framework [Текст] / C. Dong, G. Du // Scientific Reports. — 2024. — Апр. — Т. 14, № 1. — С. 8012.

54. The effect of depth data and upper limb impairment on lightweight monocular RGB human pose estimation models [Текст] / G. E. Boudreault-Morales [и др.] // BioMedical Engineering OnLine. — 2025. — Февр. — Т. 24, № 1. — С. 12.

55. Lin, Z. INT8 Quantization and Knowledge Distillation for Efficient Human Pose Estimation on Edge Devices [Текст] / Z. Lin, J. Song, Q. Wang // Computer Vision and Image Understanding. — 2024. — Т. 239. — С. 103598.

56. Osorio, J. Real-Time Human Pose Estimation on Embedded GPUs for Home Telerehabilitation [Текст] / J. Osorio, C. Perez, M. Rojas // IEEE Embedded Systems Letters. — 2024. — Т. 16, № 3. — С. 137—140.

57. Patel, R. Efficient Human Pose Estimation: Leveraging Advanced Techniques with MediaPipe [Текст] / R. Patel, A. Singh // arXiv preprint. — 2024. — eprint: 2406.15649. — URL: https://arxiv.org/abs/2406.15649.

58. Chen, L. Support of human pose estimation from smartphone monocular video for rehabilitation [Текст] / L. Chen, Q. Zhang // Frontiers in Bioengineering and Biotechnology. — 2024. — Т. 11. — С. 1335251.

59. Alonso, J. Exercise quantification from single camera view markerless human pose estimation for physiotherapy [Текст] / J. Alonso, P. Martinez // Heliyon. — 2024. — Т. 10, № 4. — e036272.

60. Schmidt, F. Performance evaluation of monocular markerless pose estimation systems for industrial exoskeletons [Текст] / F. Schmidt, M. Bauer // Sensors. — 2025. — Т. 25, № 9. — С. 2877.

61. Reflexion Health. VERA — Virtual Exercise Rehabilitation Assistant [Текст] / Reflexion Health. — 2024. — Accessed: 2025-08-08. https : / / www.reflexionhealth.com/vera.

62. MindMaze SA. MindMotion HOME — MindMaze [Текст] / MindMaze SA. — 2024. — Accessed: 2025-08-08. https : / / www. mindmaze . com / solutions / mindmotion-home/.

63. Nymbl Science. Nymbl Science — Balance Training Program [Текст] / Nymbl Science. — 2024. — Accessed: 2025-08-08. https://www.nymblscience.com/.

64. Inc., G. Worldwide PC Market: Hardware Trends and Average Consumer Configurations, 2024 Report [Текст] / G. Inc. — 2024. — Accessed: 2025-11-18. https://www.gartner.com/en.

65. IDC. Worldwide Personal Computing Device Tracker, 2024 Q4 Summary [Текст] / IDC. — 2024. — Accessed: 2025-11-18. https://www.idc.com/ tracker/showproductinfo.jsp?prod_id=37.

66. Statista. Average PC Hardware Performance and OS Distribution in 2024 [Текст] / Statista. — 2024. — Accessed: 2025-11-18. https://www.statista. com/.

67. Supervision of Communications (Roskomnadzor), F. S. for. Annual Report on the State of Telecommunications Infrastructure in the Russian Federation, 2024 [Текст] / F. S. for Supervision of Communications (Roskomnadzor). — 2024. — Accessed: 2025-11-18. https://rkn.gov.ru/.

68. Microsoft COCO: Common Objects in Context [Текст] / T.-Y. Lin [и др.] // European Conference on Computer Vision (ECCV). — Springer. 2014. — С. 740—755. — URL: https://arxiv.org/abs/1405.0312.

69. 2D Human Pose Estimation: New Benchmark and State of the Art Analysis [Текст] / M. Andriluka [и др.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2014. — С. 3686—3693. — URL: https://openaccess.thecvf.com/content_cvpr_2014/ html/Andriluka_2D_Human_Pose_2014_CVPR_paper.html.

70. Toshev, A. Deeppose: Human pose estimation via deep neural networks [Текст] / A. Toshev, C. Szegedy // IEEE Conference on Computer Vision and Pattern Recognition. — 2014. — С. 1653—1660.

71. Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields [Текст] / Z. Cao [и др.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2017. — С. 7291—7299. — URL: https: / / openaccess. thecvf. com/content _ cvpr _ 2017/ html / Cao _ Realtime _ Multi-Person_2D_CVPR_2017_paper.html (дата обр. 16.09.2025).

72. BlazePose: On-device Real-time Body Pose tracking [Текст] / V. Bazarevsky [и др.] // arXiv preprint arXiv:2006.10204. — 2020. — URL: https://arxiv. org/abs/2006.10204.

73. Distribution-Aware Coordinate Representation for Human Pose Estimation [Текст] / F. Zhang [и др.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). — 2020.

С. 7093—7102. — URL: https://openaccess.thecvf.com/content_CVPR_ 2020 / html/ Zhang _ Distribution- Aware _ Coordinate _ Representation _ for _ Human_Pose_Estimation_CVPR_2020_paper.html.

74. Yang, Y. Articulated Pose Estimation with Flexible Mixtures-of-Parts [Текст] / Y. Yang, D. Ramanan // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2011.

С. 1385—1392. — URL: https://www.cs.cmu.edu/~deva/papers/pose2011. pdf.

75. Sapp, B. Modec: Multimodal Decomposable Models for Human Pose Estimation [Текст] / B. Sapp, B. Taskar // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2013. — С. 3674—3681. — URL: https://ieeexplore.ieee.org/document/6619292.

76. Verma, M. Yoga-82: A New Dataset for Fine-grained Classification of Human Poses [Текст] / M. Verma, R. Suryavanshi, A. Mishra // Proceedings of the International Conference on Pattern Recognition (ICPR). — 2020. — URL: https://arxiv.org/abs/2004.10362.

77. Soomro, K. UCF101: A Dataset of 101 Human Actions Classes From Videos in The Wild [Текст] / K. Soomro, A. R. Zamir, M. Shah // Proceedings of the IEEE International Conference on Computer Vision Workshops (ICCVW). —

2012. — С. 1—7. — URL: https://www.crcv.ucf.edu/research/data-sets/ ucf101/.

78. Zhang, W. From Actemes to Action: A Strongly-supervised Representation for Detailed Action Understanding [Текст] / W. Zhang, M. Zhu, K. G. Derpanis // Proceedings of the IEEE International Conference on Computer Vision (ICCV). — 2013. — С. 2248—2255. — URL: https: //dreamdragon.github.io/PennAction/.

79. Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields [Текст] / Z. Cao [и др.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2017. — С. 7291—7299. — URL: https: / / openaccess. thecvf. com/content _ cvpr _ 2017/ html / Cao _ Realtime _ Multi-Person_2D_CVPR_2017_paper.html.

80. PersonLab: Person Pose Estimation and Instance Segmentation with a Bottom-Up, Part-Based, Geometric Embedding Model [Текст] / G. Papandreou [и др.] // Proceedings of the European Conference on Computer Vision (ECCV). — 2018. — С. 269—286. — URL: https://link. springer.com/chapter/10.1007/978-3-030-01264-9_17.

81. Google AI Blog. MoveNet: Ultra Fast and Accurate Pose Detection Model [Текст] / Google AI Blog. — 2020. — https://blog.tensorflow.org/2021/05/ next-generation-pose-detection-with-movenet-and-tensorflowjs.html.

82. Osokin, D. Real-time 2D multi-person pose estimation on CPU: Lightweight OpenPose [Текст] / D. Osokin // arXiv preprint arXiv:1811.12004. — 2018. — URL: https://arxiv.org/abs/1811.12004.

83. Google Research. PoseNet: A Vision-Based Model for Human Pose Estimation [Текст] / Google Research. — 2018. — https://github.com/google-coral/ project-posenet.

84. Kwon, H.-M. Effect of Compressed Sensing Rates and Video Resolutions on a PoseNet Model in an AIoT System [Текст] / H.-M. Kwon, J. Seo // Applied Sciences. — 2022. — Т. 12, № 19. — С. 9938. — URL: https://www.mdpi. com/2076-3417/12/19/9938.

85. Google Research. MoveNet: Ultra Fast and Accurate Pose Detection Model [Текст] / Google Research. — 2021. — https://blog.tensorflow.org/2021/05/ next-generation-pose-detection-with-movenet-and-tensorflowjs.html.

86. Nguyen, D.-H. Lightweight Deep Learning Models for Real-Time Human Pose Estimation on Edge Devices [Текст] / D.-H. Nguyen, Q.-H. Pham, H.-T. Do // 2022 14th International Conference on Knowledge and Systems Engineering (KSE). — 2022. — С. 1—6. — URL: https://ieeexplore.ieee.org/document/ 9980192.

87. Rodrigues, A. Evaluation of Pose Estimation Models in Low-Amplitude and Rehabilitation-Specific Movements [Текст] / A. Rodrigues, L. Pereira, C. Costa // Journal of Biomedical Informatics. — 2023. — Т. 139. ■ С. 104306. — URL: https://doi.org/10.1016/j.jbi.2023.104306.

88. Mehta, R. A Comprehensive Review of Pose Estimation Models for Human Activity Recognition [Текст] / R. Mehta, K. Shah, S. Singh // 2022 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA). — 2022. — С. 34—41. — URL: https://ieeexplore.ieee.org/ document/9844335.

89. Google AI Blog. BlazePose: High-fidelity Body Pose Tracking [Текст] / Google AI Blog. — 2020. — https://ai.googleblog.com/2020/08/on-device-real-time-body-pose-tracking.html.

90. Google Research, TensorFlow. MoveNet: Ultra Fast and Accurate Pose Detection Model [Текст] / Google Research, TensorFlow. — 2021. — Accessed: 2025-08-12. https: //github.com/tensorflow/tfjs- models/tree/master/pose-detection.

91. Shah, S. Real-time Pose Estimation for Mobile Devices: A Review [Текст] / S. Shah, M. Khan, R. Patel // International Journal of Computer Vision and Applications. — 2024. — Т. 12, № 2. — С. 45—63.

92. Avogaro, A. Markerless motion capture: Current trends and future directions [Текст] / A. Avogaro, P. Cerveri, A. Pedotti // Journal of Biomechanics. -2023. — Т. 154. — С. 111666. — URL: https://doi.org/10.1016/j.jbiomech. 2023.111666.

93. Stenum, J. Applications of markerless motion capture in human movement science: A systematic review [Текст] / J. Stenum, C. Rossi, R. T. Roemmich // PLoS ONE. — 2021. — Т. 16, № 4. — e0249828. — URL: https://doi.org/10.1371/journal.pone.0249828.

94. Boudreault, M. Depth camera-based markerless motion capture: Reliability and validity for clinical assessment [Текст] / M. Boudreault, Y. Lajoie,

B. J. McFadyen // Gait & Posture. — 2025. — Т. 110. — С. 1—8. — URL: https://doi.org/10.1016/j.gaitpost.2024.11.002.

95. Quantifying movement for functional assessment in rehabilitation [Текст] / A.-M. Hughes [и др.] // IEEE Transactions on Neural Systems and Rehabilitation Engineering. — 2015. — Т. 23, № 3. — С. 424—432. — URL: https://doi.org/10.1109/TNSRE.2014.2362658.

96. Guidelines for adult stroke rehabilitation and recovery: a guideline for healthcare professionals from the American Heart Association/American Stroke Association [Текст] / C. J. Winstein [и др.] // Stroke. — 2016. — Т. 47, № 6. — e98—e169.

97. Standardized measurement of sensorimotor recovery in stroke trials: consensus-based core recommendations from the Stroke Recovery and Rehabilitation Roundtable [Текст] / G. Kwakkel [и др.] // International journal of stroke. — 2019. — Т. 14, № 8. — С. 783—791.

98. Shoulder kinematics and kinetics during functional activities after stroke: a systematic review of the literature and implications for clinical practice [Текст] / L. De Baets [и др.] // Clinical Biomechanics. — 2013. — Т. 28, № 8. — С. 748—757. — URL: https://pubmed.ncbi.nlm.nih.gov/22841483/.

99. Cirstea, C. M. Compensatory strategies for reaching in stroke [Текст] /

C. M. Cirstea, M. F. Levin // Brain. — 2000. — Т. 123, № 5. — С. 940—953. — URL: https://pubmed.ncbi.nlm.nih.gov/10775539/.

100. Three-dimensional kinematics of the scapula and trunk and associated scapular muscle timing in individuals with stroke [Текст] / L. De Baets [и др.] // Clinical Biomechanics. — 2016. — Т. 36. — С. 41—49. — URL: https://www.researchgate.net/publication/301894896.

101. Jones, T. A. Compensatory strategies after stroke: implications for motor recovery and rehabilitation [Текст] / T. A. Jones // Neurorehabilitation and Neural Repair. — 2017. — Т. 31, № 1. — С. 3—7. — URL: https://pmc.ncbi. nlm.nih.gov/articles/PMC6289262/.

102. Feature analysis of joint motion in paralyzed and non-paralyzed upper limbs while reaching the occiput: A cross-sectional study in patients with mild hemiplegia [Текст] / D. Sakamoto [et al.] // PLOS ONE. —2024. — Vol. 19, no. 5. — e0295101.

103. Microservices: yesterday, today, and tomorrow [Текст] / N. Dragoni [и др.] // Present and Ulterior Software Engineering. — Springer, 2017. — С. 195—216.

104. Newman, S. Monolith to Microservices: Evolutionary Patterns to Transform Your Monolith [Текст] / S. Newman. — O'Reilly Media, 2019.

105. Hasselbring, W. Microservice architectures for scalability, agility and reliability in e-commerce [Текст] / W. Hasselbring, G. Steinacker // 2018 IEEE International Conference on Software Architecture Companion (ICSA-C). — IEEE. 2018. — С. 243—246.

106. Meta Open Source. React Documentation [Текст] / Meta Open Source. — 2023. — URL: https://react.dev/.

107. Frolov, E. Feature-Sliced Design: архитектурный подход к разработке фрон-тенд-приложений [Текст] / E. Frolov // Frontend Conf. — 2021. — URL: https://feature-sliced.design/.

108. De Klerk, R. Usability evaluation of eHealth applications: a systematic review on methods and metrics [Текст] / R. De Klerk, W. Veldkamp, C. Bode // Journal of Biomedical Informatics. — 2019. — Т. 94. — С. 103118.

109. Lee, J. Digital rehabilitation technologies: opportunities, challenges, and future directions [Текст] / J. Lee, H. Park, Y. Kim // Frontiers in Rehabilitation Sciences. — 2022. — Т. 3. — С. 945123.

110. АО «Нейрософт». СТЭДИС-КИНЕМАТИКА: Система для анализа нервно-мышечной функции с отслеживанием движения [Текст] / АО «Нейрософт». — 2023. — URL: https : / / neurosoft. com / files / catalog / product/2202/ru/files/stedis-kinematika-to-read.pdf (дата обр. 16.09.2025) ; Буклет производителя.

111. АО «Нейрософт». Стэдис-Кинематика: Руководство по быстрому старту [Текст] / АО «Нейрософт». — 2023. — URL: https://neurosoft.com/files/ documents / 965 / rukovodstvo - po - bystromu - startu - stedis - kinematika. pdf (дата обр. 16.09.2025) ; Руководство пользователя.

112. АО «Нейрософт». Линейка продуктов для оценки и восстановления двигательных функций: СТЭДИС [Текст] / АО «Нейрософт». — 2023. — URL: https : / / mbcmed . ru / upload / iblock / 523 / vp0b8gsqpquhrf28utawf9e4mughwnul / Lineyka- produktov- dlya- otsenki- i-vosstanovleniya-dvigatelnykh-funktsiy-STEDIS.pdf (дата обр. 16.09.2025) ; Информационный буклет.

113. The Potential of Computer Vision-Based Marker-Less Human Motion Analysis for Rehabilitation [Текст] / T. Hellsten [и др.] // Rehabilitation Process and Outcome. — 2021. — Т. 10. — С. 11795727211022330.

114. Shoulder Range of Motion Measurement Using Inertial Sensors: Reliability and Validity [Текст] / J. Kaszynski [и др.] // Sensors. — 2023. — Т. 23, № 12. — С. 5364. — URL: https://www.mdpi.com/1424-8220/23/12/5364 (дата обр. 16.09.2025).

115. Willmott, C. J. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance [Текст] / C. J. Willmott, K. Matsuura // Climate Research. — 2005. — Т. 30. — С. 79—82. — URL: https://www.int-res.com/abstracts/cr/v30/n1/p79-82/.

116. Chai, T. Root mean square error (RMSE) or mean absolute error (MAE)? - Arguments against avoiding RMSE in the literature [Текст] / T. Chai, R. R. Draxler // Geoscientific Model Development. — 2014. — Т. 7, № 3. — С. 1247—1250. — URL: https://gmd.copernicus.org/articles/7/1247/2014/.

117. Bland, J. M. Statistical methods for assessing agreement between two methods of clinical measurement [Текст] / J. M. Bland, D. G. Altman // The Lancet. — 1986. — Т. 327, № 8476. — С. 307—310. — URL: https://www-users.york.ac.uk/~mb55/meas/ba.pdf (дата обр. 16.09.2025).

118. Lin, L. I.-K. A concordance correlation coefficient to evaluate reproducibility [Текст] / L. I.-K. Lin // Biometrics. — 1989. — Т. 45, № 1. — С. 255—268.

119. Barnhart, H. X. An overview on the concordance correlation coefficient [Текст] / H. X. Barnhart, M. Haber, L. I.-K. Lin // Statistical Methods in Medical Research. — 2002. — Т. 11, № 2. — С. 171—198.

120. Fuchs, K. Influence of Augmented Visual Feedback on Balance Control [Текст] / K. Fuchs, A. Kos // Sensors. — 2021. — Т. 21, № 19. — С. 6471.

121. Wei, K. Uncertainty of feedback and state estimation determines the speed of motor adaptation [Текст] / K. Wei, K. Kording // Frontiers in Computational Neuroscience. — 2010. — Т. 4. — С. 11.

Список рисунков

2.1 Архитектура ОрепРоэе [71]..................................................42

2.2 Архитектура модели РоэеКе1 с опорной свёрточной базовой сетью МоЬПеШ VI [84]............................................................44

2.3 Архитектура модели MoveNet [85]..........................................46

2.4 Блок-схема алгоритма оценки амплитудно-скоростных характеристик состояния плечевого сустава ............................54

2.5 Фазы движения (левая рука): доля подъёма/опускания для сред., миним. и максим. повторений..............................................55

2.6 Сравнительный график траекторий сгибания-разгибания, полученный разработанным алгоритмическим обеспечением............56

3.1 Блок-схема алгоритма первой группы упражнений ....................72

3.2 Блок-схема алгоритма второй группы упражнений ....................73

3.3 Блок-схема алгоритма третьей группы упражнений....................74

3.4 Блок-схема алгоритма четвёртой группы упражнений..................76

3.5 Блок-схема алгоритма пятой группы упражнений......................77

3.6 Демонстрация обратной связи в режиме тренировки ..................78

4.1 Архитектура разрабатываемой системы ..................................81

4.2 Типовая схема внутреннего устройства микросервиса..................82

4.3 Схема централизованного логирования в микросервисной архитектуре АИС ..........................................................83

4.4 ЕЯ-диаграмма сервиса учётных записей и профилей ..................83

4.5 ЕЯ-схема сервиса тренировок и назначений..............................84

4.6 ЕЯ-схема сервиса анкетирования..........................................85

4.7 Главная страница веб-приложения: прогресс, календарь и рекомендации................................................................87

4.8 Интерфейсы разработанной автоматизированной информационной системы ......................................................................88

4.9 Интерфейс разработанного модуля создания тренировок..............89

4.10 Интерфейс динамической аналитики: визуализация ошибок и параметров выполнения упражнений пациента..........................89

4.11 Диаграмма Бланда-Олтмана по группе: среднее смещение и

пределы согласия с 95% доверительными полосами........... 96

4.12 График траектории угла по нормированному циклу.......... 97

4.13 Скриншот отчёта 1МИ («СТЭДИС-Кинематика»): средний цикл и плато угла.................................. 97

4.14 Наложение нормированных траекторий 0ире(£) и 0щи(£) на шкале 0-100% цикла................................ 98

4.15 Покадровая ошибка е^) = 0ире(£) — 0ши(£) для соответствующего цикла..................................... 98

4.16 Динамика ошибок пациента при выполнении упражнений.......102

Список таблиц

1 Клиническая точность современных HPE-систем (2022-2025 гг.) ... 19

2 Сравнение методов оценки движений.................. 21

3 Сравнение систем телереабилитации на основе компьютерного зрения 25

4 Сравнение рассматриваемых наборов данных ............. 39

5 Сравнение архитектур HPE по основным метрикам на различных наборах данных .............................. 48

6 Сравнение моделей по параметрам инференса на различных типах пользовательских устройств ....................... 49

7 Метрики оценки качества выполнения упражнений верхними конечностями ................................ 63

8 Групповые метрики согласованности по 10 испытуемым (медиана [Q1-Q3] по пяти повторам, полный набор 10 х 5) ........... 94

9 Фазовые метрики по группе: медиана [Q1-Q3] по участникам .... 95

10 Проверки эквивалентности TOST и коэффициент согласия Линна

по группе .................................. 95

11 Сравнение производительности на различных пользовательских устройствах ................................. 101

Приложение А. Свидетельства о государственной регистрации

программ для ЭВМ

российская федерация

RU 2023686016

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2023686016

Дата, регистрации: 01.12.2023

Номер н дата поступления заявки:

2023634300 20.11.2023

Дата публикации и номер бюллетеня: 01.12.2023 Бюл. № 12

Контактные реквизиты: Трофимова Мария Владимировна 8926-409-67-04, Россия, 117534, Москва, ул Академика Янгеля д. 14 к 5, кв 109, [e-mail]

Авторы:

Городнпчев Михаил Геннадиевич (Ш.), Лобунько Данила Александрович (Ш), Павликов Артем Евгеньевич (ИТ), Рагулнн Богдан Викторович (ИГ)

Правооб л адат ел и: Павликов Артем Евгеньевич (ИТ) Лобунько Данила Александрович (ИТ. ) Рагулнн Богдан Викторович (КГ) Городнпчев Михаил Геннадиевич (Ш.)

Название программы для ЭВМ: Программный комплекс Asistí

Реферат:

Программный комплекс предназначен для помощи в восстановлении после инсульта и позволяет автоматически отслеживать правильность выполнения упражнений без вмешательства специалиста. Программный комплекс отслеживает выполнение упражнений с помощью алгоритмов искусственного интеллекта, которые используются для анализа видеоконтента, передаваемого с камеры на компьютер. Программный комплекс будет автоматически анализировать выполнение упражнений и в реальном времени предоставлять информацию о правильности выполнения каждого упражнения. Это позволит медицинскому персоналу быстро оценить прогресс пациента и скорректировать его программу восстановления, если это необходимо.

Язык программирования: Python

Объем программы для ЭВМ: 139,2 МБ

российская федерация

ни

2024688342

федеральная служба по интеллектуальной собсгвенносги

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Авторы:

2024638342 Арчаков Кирилл Витальевич (Ш-),

Дата регистрации: 27.11.2024 Клюев Артём Петрович (£111),

Павликов Артем Евгеньевич (КГ),

Номер и дата поступления заявки: Петросян Вера Рафаэловна (ЕЛ)

2024637963 21.11.2024 Прав оо б л адат ель:

Дата публикации и номер бюллетеня: Ордена Трудового Красного Знамени

27.11.2024 Бюл. № 12 федеральное государственное бюджетное образовательное учреждение высшего образования «Московский технический университет связи и информатики» (БИТ)

Название программы для ЭВМ:

НишапРовеСаш - встраиваемый программный комплекс Кеас1-видеокамеры для отслеживания положения тела человека с помощью фреймворка МесЦаР1ре

Реферат:

Программа является инструментом для высокоточного и стабильного отслеживания положения тела человека с помощью видеокамеры в Яеас+-прнложениях= используя фреймворк Ме<КаР1ре. Она позволяет разработчикам интегрировать функции распознавания и отслеживания поз в пользовательские интерфейсы, улучшая интерактивно с ть приложений Программа может использоваться для анализа движений в реальном времени, что делает его полезным в различных областях. Программа применяется в спортивных и фитнес-прнложеннях: медицинских и реабилитационных приложениях, игровой индустрии и интерактивных развлечениях, образовательных платформах и приложениях для обучения танцам. а также в корпоративных решениях.

Язык программирования: TypeScгlpt

Объем программы для ЭВМ: 30:4 МБ

российская федерация

RU

2025666229

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2025666229

Дата регистрации: 24.06.2025

Номер и дата поступления заявки: 2025665181 05.06.2025

Дата публикации и номер бюллетеня: 24.06.2025 Бюл. Л» 7

Авторы:

Мкртчян Грач Маратович (КГ), Павликов Артем Евгеньевич (КГ), Тимчук Андрей Васильевич (КГ), Агапов Владислав Антонович (КГ)

Прав оо б л адат ель: Ордена Трудового Красного Знамени федеральное государственное бюджетное образовательное учреждение высшего образования «Московский технический университет связи и информатики» (ЯГ)

Название программы для ЭВМ:

Go-retrver - программный модуль, предоставляющий функциональность повторных попыток

Реферат:

Программа предназначена для повторного выполнения функций с заданным количеством попыток и интервалом между ними, с возможностью учитывать отмену контекста Программа обеспечивает надежное выполнение операций, которые могут временно завершаться ошибкой, и позволяет управлять попытками выполнения с учетом внешних факторов Программа находит применение в повторных попытках сетевых запросов, операциях при временных ошибках, таких как работа с базами данных, асинхронных задачах, которые могут завершиться неудачей из-за внешних факторов, а также в интеграции с API, где возможны кратковременные сбои. Это делает его полезным для обеспечения надежности и устойчивости приложений в условиях нестабильных внешних сервисов.

Язык программирования: GO

Объем программы для ЭВМ: 1 КБ

российская федерация:

ки

2025666682

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

2025666682

Дата регистрации: 27.06.2025

Номер и дата поступления заявки: 2025665010 04.06.2025

Дата публикации и номер бюллетеня: 27.06.2025 Бюл. Л» 7

Контактные реквизиты:

Авторы:

Мкртчян Грач Маратович (ЯТ)), Павликов Артем Евгеньевич (Б11), Тимчук Андрей Васильевич (Е.1), Агапов Владислав Антонович (КГ)

Правообладатель: Ордена Трудового Красного Знамени федеральное государственное бюджетное образовательное учреждение высшего образования «Московский технический университет связи и информатики» (ЕЛ )

Название программы для ЭВМ:

Со-АиЛ - сервис авторизации и осуществления контроля доступа Реферат:

Программа предназначена для обработки запросов на аутентификацию пользователей, управления сессиями, создания и обновления учетных записей, а также для обеспечения безопасности через использование токенов доступа и обновлений. Она поддерживает обработку различных ошибок, связанных с входом в систему, изменением пароля и деактивацией токенов. Сервис находит применение в системах аутентификации и авторизации для веб-приложении и сервисов, разработке внутренних сервисов управления пользователями для корпоративных приложений, а также в инструментах для защиты и обновления паролей пользователей. Это делает его полезным для обеспечения безопасности и управления доступом в различных приложениях.

Язык программирования: СО

Объем программы для ЭВМ: 24.1 КБ

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Авторы:

2025667302 Мкртчян Грач Маратович (ЕЛ),

Павликов Артем Евгеньевич (КГ),

Дата регистрации: 03.07.2025 Тимчук Андрей Васильевич (ЯГ),

Номер и дата поступления заявки: Агапов Владислав Антонович (КХ1)

2025665182 05.06.2025 Прав оо б л адат ель:

Дата публикации и номер бюллетеня: Ордена Трудового Красного Знамени

03.07.2025 Бюл. № 7 федеральное государственное бюджетное

образовательное учреждение высшего

Контактные реквизиты: образования «Московский технический

нет университет связи н информатики» (КГ)

Название программы для ЭВМ:

Go-datetime - программный модуль, предоставляющий работу с датой и временем Реферат:

Программный модуль Go-datetime предназначен для работы с датами, временем и временньгмн интервалами, предоставляя типы Date, Time и Interval. Эти типы поддерживают валидацню, сравнение, арифметику и сернализацню, включая J SON, что делает их удобными для различных, приложений Пакет находит применение в обработке пользовательского ввода дат и времени в веб-приложениях или API, построении расписаний, графиков и временных интервалов, а также е системах планирования, таких как бронирование, календари и учёт рабочего времени. Он также полезен для backend-cepBHCOE. где требуется независимая н безопасная логика обработки даты и времени.

Язык программирования: GO

Объем программы для ЭВМ: 13 КБ

Приложение Б. Акты о внедрении

«УТВЕРЖДАЮ» Ректор ордена Трудового Красного, Знамени федерального государственного

АКТ

об использовании результатов диссертационной работы Павликова А.Е. на тему: «Разработка методов и алгоритмов оценки паттернов движения человека на основе обработки визуальной информации» в учебном процессе кафедры «Математическая кибернетика и информационные технологии»

Комиссия в составе:

- заместителя проректора по учебной работе, к.э.н., доц. Краснова Евгения Владимировича;

- заместителя директора департамента организации и управления учебным процессом (ДОиУУП) Каржаубаева Армана Кадиргалиевича;

удостоверяет, что в учебном процессе кафедры «Математическая кибернетика и информационные технологии» (МКиИТ), при выполнении лабораторных работ по дисциплине: «Искусственный интеллект в реабилитации» для магистрантов направления 09.04.02 «Информационные системы и технологии» (профиль: «Прикладной искусственный интеллект в медицине»), используются результаты диссертации Павликова Артема Евгеньевича, а именно: проведенный соискателем анализ существующих методов цифровой обработки визуальной информации, применяемых для объективной оценки амплитудно-скоростных характеристик двигательных паттернов человека, а также алгоритмическое обеспечение для оценки двигательных паттернов при нарушениях функций верхних конечностей. Эффективность внедрения заключается в приобретении студентами знаний по перспективным направлениям развития науки и техники.

Заместитель проректора по учебной работе

Заместитель директора ДОиУУП

АКТ

о внедрении результатов диссертационной работы Павликова Артема Евгеньевича, представленной на соискание ученой степени кандидата технических наук

Настоящим актом подтверждается, что основные результаты диссертационногоисследования Павликова Артема Евгеньевича «Разработка методов и алгоритмов оценки паттернов движениячеловека на основе обработки визуальной информации» в настоящее время используется в работе ООО «ЦМР»,а именно:

1. Метод и алгоритмическое обеспечение цифровой обработки визуальной информации, реализующиебезмаркерную оценку позы человека и позволяющие извлекать амплитудно-скоростные характеристики движения в режиме реального времени.

2, Метод интеллектуального анализа пространственно-временных паттернов движений посредством обработки визуальной информации, позволяющий автоматически классифицировать типы отклонений кинематико-скоростных профилей движения верхней конечности.

3. Алгоритмическое обеспечение локальной и распределённой обработки медицинских визуальных данных, позволяющее выполнять весь вычислительный цикл на стороне клиента без серверной обработки.

4, Архитектура автоматизированной информационной системы поддержки принятия врачебных решений, позволяющая реализовать цикл «наблюдение-оценка-адаптация» с динамической корректировкой реабилитационного протокола упражнений по объективным кинематическим признакам.

Результаты диссертационного исследования находятся в стадии пробнойэксплуатации, а по ее окончании будут внедрены в процесс реабилитации пациентов с поражением ЦНС - " щинской реабилитации.

ДиректорООО «ЦМР»

26.09.2025

АКТ

о внедрении результатов диссертационной работы Павликова Артема Евгеньевича, представленной на соискание ученой степени кандидата технических наук

Настоящим актом подтверждается, что основные результаты диссертационного исследования Павликова Артема Евгеньевича «Разработка методов и алгоритмов оценки паттернов движения человека на основе обработки визуальной информации» в настоящее время используется в работе ООО «Басалдук», а именно:

1. Метод и алгоритмическое обеспечение цифровой обработки визуальной информации, реализующие безмаркерную оценку позы человека и позволяющие извлекать амплитудно-скоростные характеристики движения в режиме реального времени.

2. Метод интеллектуального анализа пространственно-временных паттернов движений посредством обработки визуальной информации, позволяющий автоматически классифицировать типы отклонений кинематико-скоростных профилей движения верхней конечности.

3. Алгоритмическое обеспечение локальной и распределённой обработки медицинских визуальных данных, позволяющее выполнять весь вычислительный цикл на стороне клиента без серверной обработки.

4. Архитектура автоматизированной информационной системы поддержки принятия врачебных решений, позволяющая реализовать цикл «наблюдение-оценка-адаптация» с динамической корректировкой реабилитационного протокола упражнений по объективным кинематическим признакам.

Результаты диссертационного исследования находятся в стадии пробной эксплуатации, а по ее окончании будут внедрены в процесс реабилитации пациентов с поражением ЦНС, находящихся на 3-м этапе медицинской реабилитации.

Генеральный директор ООО «Басалдук»

/Ох ГО т

29.09.2025

(расшифровка)