本研究提出了BioPose框架，解决了单摄像头图像中3D人体姿态估计的不足，能够准确预测生物力学3D姿态，实验结果优于现有方法。

本研究提出了一种新颖的并行多尺度增量预测框架（PMS），旨在提高人机协作中人类运动预测的准确性。通过多时空尺度建模，PMS显著提升了16.3%-64.2%的预测准确性，增强了运动的连续性和生物力学一致性。

本研究开发了一种基于物理信息仿真的步态代理，提升了虚拟人类步态模型的适应性和仿真准确性。通过合成数据生成器和对抗模仿学习，该代理在不同速度下的步态运动准确性显著提高，根均方误差为5.24度。这项研究推动了数字双胞胎的开发，并促进了生物力学、外骨骼设计和康复领域的应用。

本研究结合物理信息神经网络（PINNs）与三维柔性组织生物力学模型，提出了一种新方法，能够重建位移场并估算异质病人的生物物理特性。通过有限的位移和应变数据，结合物理性质和偏微分方程，提高了模型的稳定性和收敛性，展示了在疾病诊断中的应用潜力。

通过 OpenCapBench 统一的基准评估，采用生理约束条件，使用肌肉骨骼建模软件（OpenSim）提供的关节角度计算一致的运动学指标，证明了当前姿势估计模型所使用的关键点在生物力学分析中过于稀疏，通过合成数据进行预训练模型的微调，能够预测出更密集的关键点，从而准确进行运动学分析，这样的微调可以减少二倍的关节角度误差。同时，OpenCapBench...

本研究提出了一种新型手部模型（MANO），结合标准化三维模型（SMPL）构建全身动态捕捉模型（SMPL+H），实现复杂动作捕捉。同时，研究介绍了手势识别和重建的新方法，利用自我监督学习和生物力学约束提高准确性，推动机器人技能和人机交互的发展。

本文介绍了一种基于生物力学的新型网络，利用多视图图像直接输出三维运动学，从而提高视频中人体动作捕捉的精度。研究结合了机器学习与传统模型，展示了在脊柱生物力学分析中的应用潜力，特别是在工作场所和运动评估方面。

本文介绍了多种羽毛球比赛分析和预测模型，包括ShuttleNet和ShuttleSHAP，利用深度学习和数据融合提高击球预测准确性。同时，研究探讨了球员运动学和生物力学，提出了解析比赛录像的框架，以提升运动表现和战术理解。

本研究介绍了一种基于 3D-3D 非刚性配准的图像引导肝脏手术方法，采用有限元模型 (FEM) 作为生物力学模型，在表面匹配项中独特地整合 FEM，确保估算的变形在配准过程中保持几何一致性。此方法通过将软弹簧整合到刚度矩阵中，允许力分布于整个肝脏表面，消除了确定 FEM...

我们提出了一种全自动建模算法，能够将病人特异性的钙化数据精确地添加到已有的心脏模型中，从而加速心脏数字孪生的物理模拟研究和应用的发展。

基于物理信息神经网络（PINNs）与三维柔性组织非线性生物力学模型的结合，本研究提出了一种新的方法，能够重建位移场并估算异质病人个体的生物物理特性，通过在临床环境中常规获取的有限位移和应变数据，结合问题的物理性质和偏微分方程的数学模型，提高问题的稳定性和收敛性能，进而在疾病诊断等方面发展个性化的模拟模型，并演示了 PINN 能够检测瘢痕组织的存在、位置和严重程度的能力。