下载文档原格式
细胞骨架的结构与功能摘要:细胞骨架是由蛋白丝组成的复杂的网络结构，贯穿至整个细胞质。
在真核细胞中，细胞骨架担负着维持细胞形态、组装细胞内部多种组件以及协调细胞运动等多种功能.细胞骨架的网格体系由3种蛋白质纤维构成：中间丝(intermediate filaments)、微管(microtubules)、肌动蛋白丝(actin filaments)。
每种类型的纤维都是由不同的蛋白亚基构成,具有各自的力学性能。
本文主要介绍这三种骨架纤维的形态、结构和功能，以及简要分析三者之间存在的相互联系，进而科学的认识细胞骨架系统在细胞中所起的作用。
关键词:细胞骨架；中间丝;微管；肌动蛋白丝细胞作为生命基本构件，不仅结构复杂，其功能更是奇妙。
细胞骨架作为细胞结构和功能的组织者，其结构与功能的研究对于揭示细胞的形态与功能具有重要意义.细胞骨架是由各种骨架蛋白聚合长链及其捆绑蛋白、运动蛋白等构成的具有主动性的半柔性纤维网络，使得细胞在自发和/或外力作用下运动与变形时依然能够保持其形状和结构的稳定性(1)。
然而，与我们人类的骨架系统不同，细胞骨架是一个处于高度动态变化的结构，会持续的随着细胞形态的变化进行重组、分解，进而响应环境的变化。
细胞骨架控制着细胞器在细胞内的位置，并为胞内运输提供机械动力.另外，在细胞分裂过程中，细胞骨架还担负着将染色体分配到两个子细胞中功能.1细胞骨架的组成成分与功能主要存在三种类型的细胞骨架聚合物:肌动蛋白丝，微管和中间丝⑵.在真核细胞中这些聚合物一起控制细胞形态并提供机械动力.它们共同构成网络结构以抵抗形态损伤，此外还能通过改组应答外界作用力。
然而三者的组成成分、机械特性以及在细胞内的功能却各不相同.1.1中间丝中间丝是由中间丝纤维蛋白组成的直径约为10纳米的绳状纤丝，是最稳定的细胞骨架成分。
存在于内核膜之下的核纤层就是由一种类型的中间丝构成的网络结构.另一种类型的中间丝延伸至整个细胞质，增强上皮组织细胞的机械强度并分担其机械压力。
细胞骨架的组成和作用
细胞骨架是由蛋白质组成的网络状结构，它具有支撑、形态维持、细胞运动和细胞分裂等多种功能。
细胞骨架主要由三种蛋白质组成：微丝、中间纤维和微小管。
微丝由肌动蛋白组成，主要参与细胞收缩、运动和形态维持。
中间纤维由不同类型的中间纤维蛋白组成，主要参与机械支撑和细胞形态维持。
微小管由α-和β-管蛋白组成，主要参与细胞分裂、运输和形态维持。
细胞骨架还与许多细胞过程密切相关，例如细胞迁移、分化和凋亡等。
它们通过与其他蛋白质相互作用，调节细胞的信号转导通路和细胞内运输过程。
总之，细胞骨架的组成和作用是细胞形态、机能和生命活动的重要基础，对于维持细胞稳态和适应环境变化具有重要意义。
- 1 -。
功能是事物满足其相关者需求的一种属性，即事物的有用性。
学校体育的功能是指学校体育自身结构中所蕴含的对人和社会所具有的有用性。
从人类的角度来看，世间万物均按照自身有用性的大小被人类置放于某种秩序之中。
学校体育作为人类社会发展的产物，之所以最终能够在学校教育中获得独立的地位，就在于它在促进人的发展方面具有不可取代的有用性。
对学校体育这种有用性——学校体育的功能——深入的探索，能够帮助我们认识学校体育能够干什么，以及帮助判断学校体育实际干得怎么样的问题，也即学校体育的目标确定及其达成问题。
因此，作为学校体育工作者，从理论上对学校体育的功能进行恰当地把握，有助于加深对学校体育实践价值的理解，也有助于推动学校体育实践活动的顺利开展。
一、学校体育的本质功能学校体育对人和社会所具有的有用性是多种多样的。
在这些有用性当中，有些有用性是支撑学校体育能够独立存在的前提，对学校体育的生存和发展而言，这种有用性的发挥不可或缺。
因此，我们可以把支撑学校体育能够独立存在的有用性称之为学校体育的本质功能。
那么，我们应当依据什么来确定学校体育的本质功能呢？学校体育的本质功能又有哪些具体的表现形态呢？从系统论的观点来看，作为一个社会系统的学校体育，它的产生既非单纯来源于教育系统的分化，也非单纯来源于体育领域的拓展，而是两者在一定历史条件下相结合的产物。
因此，从“血缘”关系上来看，学校体育的“基因”具有“二重性”特征。
对于学校体育存在和发展而言，不管其所处的外在环境如何变化，它自身由“教育”和“体育”两大系统有机结合的“基因”特征始终不会改变，否则，学校体育就不会是它自身了。
正是学校体育系统结构上的这一稳定特征，为我们探索其本质功能指明了方向。
依据学校体育系统结构的稳定特征，学校体育的本质功能具体表现为两种形态：一是增强学生体质，或者称之为身体发展功能；二是传承体育文化，或者称之为文化传承功能。
（一）身体发展功能学校体育所承载的特定的教育使命决定了它必须以“促进学生身体的发展”为己任。
第 42 卷第 6 期2023年 11 月Vol.42 No.6Nov. 2023中南民族大学学报（自然科学版）Journal of South-Central Minzu University（Natural Science Edition）基于LSA-HRnet网络的人体姿态估计方法在太极拳运动中的应用徐广1，吴星辰2*（1 沈阳航空航天大学体育部综合教研室，沈阳110136；2 季华实验室九韶人工智能算法研究院，佛山528200）摘要由于专业运动知识的匮乏、动作评估准确度低等问题，导致人们对运动训练的积极性不高，运动水平提升慢以及身体出现不同程度的损伤等，针对以上问题，提出一种基于注意力机制的轻量级采样模块的HRnet （Lightweight Sampling Attention block HRnet，LSA-HRnet）人体姿态估计模型对运动过程中的动作进行分析和评估，提出的算法采用轻量级采样块网络和融合注意力机制实现模型的轻量化以及模型性能的提升.相比原始HRnet模型及其他的优秀人体姿态估计SCnet模型、轻量级Lite-HRnet，在自制太极拳的实验结果表明提出的模型能够有效的提高预测精度和降低参数量. 基于提出方法能丰富混合现实技术在运动领域的发展的技术理论，改进现存运动问题、激发练习兴趣和提升体质健康.关键词HRnet模型；人体姿态估计；混合现实；太极拳运动中图分类号TP391.4 文献标志码 A 文章编号1672-4321（2023）06-0839-07doi：10.20056/ki.ZNMDZK.20230601Application of human pose estimation method in Tai Chi exercisebased on LSA-HRnet networkXU Guang1，WU Xingchen2*（1 Sports Department， Shenyang Aerospace University， Shenyang 110136， China； 2 Jiushao Institute of AI Algorithm，Jihua Laboratory， Foshan 528200， China）Abstract Insufficient knowledge of professional sports and low accuracy in motion assessment have led to low motivation in sports training， slow improvement in athletic performance， and various degrees of physical injuries. To address these challenges，a lightweight human pose estimation model，namely Lightweight Sampling Attention block HRnet （LSA-HRnet） is proposed， based on an attention mechanism， for analyzing and evaluating during sports activities. The proposed algorithm combines lightweight sampling block networks and fusion attention mechanisms to achieve model light weighting and performance enhancement. Comparative experiments with the original HRnet model， as well as other notable human pose estimation models such as SCnet and Lite-HRnet，are conducted using a self-designed Tai Chi dataset. The experimental results demonstrate that the proposed model effectively improves prediction accuracy while reducing the parameter count. Moreover，based on the proposed approach，the research enriches the technical theory for the development of mixed reality technology in the field of sports， improves existing sports-related issues， stimulates exercise interest， and enhances physical fitness and health.Keywords HRnet model； human posture estimation； mixed reality； taichi exercise近年来，人们存在对运动积极性不高、运动水平提升慢等诸多问题［1］，将混合现实技术的融入到运动可以有效且高质量的学习［2］. 人体姿态估计方法（Human Pose Estimation，HPE）作为混合现实技术收稿日期2023-04-17 * 通信作者吴星辰，研究方向：人工智能算法，E-mail：***********************作者简介徐广（1971-），男，副教授，博士，研究方向：体育教育训练学，E-mail：****************基金项目沈阳航空航天大学教改资助项目（JG2022120）第 42 卷中南民族大学学报（自然科学版）中关键的一环，HPE可以利用传感器、图像和视频来估计人体部位的姿态，通过HPE可以得到人体的几何和运动信息，对混合现实运动领域的发展有着至关重要的作用，因此，探索高精度人体姿态估计算法在混合现实运动中应用具有实际工程意义［3-4］.人体姿态估计算法在运动领域主要有二维姿态估计算法和三维姿态估计算法两类［5］. 在二维姿态估计算法方面，TOSHEV提出了DeepPose［6］，它采用级联回归网络实现人体姿态估计，虽然该模型简洁强大，但检测精度较低，直接回归2D坐标很困难. WEI等人［7］提出了卷积姿态估计（CPM）方法，它使用热力图来表示人体骨骼关节点的位置信息，但该方法包含的语义信息较少，容易产生欠分割现象. CAO等人［8］使用自底向上的思路创新地提出了OpenPose方法，通过对关键点进行聚类分析，得到每个人的骨骼关键点信息，但运行计算量非常大，帧率较低. SUN等研究者［9］提出的HRnet方法可以始终输出高分辨率的结果，但对硬件设备的要求较高，不利于普遍使用. YU等人［10］提出了Lite-HRNet 网络模型实现了高性能的轻量化HRnet，主要通过通道权重从不同分辨率的特征图中计算出权重，最后采用加权处理融合的方式实现轻量化，但预测精度不高.在三维姿态估计算法方面，还有一些研究者开始利用三维标注数据集来实现人体在三维空间内的姿态估计，例如使用End-to-End方法直接从图像特征获取3D网格参数. 还有一些研究者设计了全连接残差网络和使用长短期记忆LSTM网络来学习图像序列中人体姿态的时序信息，以提高三维姿态估计的准确度和稳定性［11］. 然而，这些方法容易受到背景、照明和服装等因素的影响，并且在一个数据集上训练的网络不能很好地推广到其他不同环境的数据集，可能导致结果不稳定［12］. 在三维姿态估计运动领域，人体姿态估计技术被广泛应用于评估运动员的姿势、动作和技术，以改进运动质量［13］. 然而，诸如遮挡、训练数据不足和深度歧义等挑战仍然存在困难［14］. 并且对于复杂场景中的高度遮挡多人HPE，3D HPE获得准确的3D姿态注释十分困难［15］.综上所述，虽然HPE的性能有了显著的提高，在运动领域HPE中仍存在一些挑战，需要在未来的研究中进一步解决. 首先是在显著遮挡下可靠地检测个体［16］. 第二个挑战是计算效率，大多数HPE算法在资源受限的设备上实现实时计算仍然很困难. 另一个挑战在于罕见姿势的数据集有限，数据不平衡可能会导致模型偏差，导致在这些姿势上表现不佳［17］.针对人体姿态估计存在遮挡、计算效率低，罕见姿态的数据集有限等问题，我们在高分辨率网络的HRnet模型的基础上提出了一个注意力机制的轻量级采样模块的HRnet（Lightweight Sampling Attention block HRnet，LSA-HRnet），分别采用轻量级采样模块和注意力机制进行人体姿态估计来克服计算效率低、预测精度不高等问题，并在自制太极拳运动数据集上验证了模型的有效性，与HRnet、SCnet模型以及Lite-HRnet网络模型相比具有更高的精度. 本文对人体姿态估计技术应用到太极拳运动中进行研究探索，并在一定程度上扩充了罕见姿势的人体姿态估计算法的数据集，提出的方法可以识别运动过程中不规范动作，在提高竞技水平的同时也能够预防运动损伤，并且可以帮助提高运动质量.1 基于注意力机制的轻量级HRnet 1.1 HRnet在人体姿态评估网络的发展中，检测关键点的效果有了显著的提高. 然而，之前的网络模型在运动领域并未充分关注计算机视觉任务，特别是对于人体姿态评估任务中的高空间敏感度. 因此，网络模型中使用了过多的上采样操作来提高特征图的分辨率，但是用于填充像素的双线性插值和转置卷积等方法并不能保证填充的像素值有用，因此不能恢复关键点的空间位置. 为提高关键点的精确定位，对传统网络结构进行了改进，提出了高分辨率网络HRnet，HRnet网络结构如图1所示.高分辨率网络（HRnet）是由沙漏网络改进而成的多分辨率网络［18］. HRnet的架构主要包含四个阶段，每个阶段内部都有多个模块. 如图1所示，HRnet从第一阶段的高分辨率分支开始. 在接下来的每个阶段中，一个新的分支被添加到当前分支中，同时添加当前分支中分辨率最低的12个分支. 随着网络阶段的增多，它会有更多的并行分支，这些分支具有不同的分辨率，而前一阶段的分辨率都保留在后面的阶段中. 一个包含3个并行分支的示例网络结构如图1所示. 使用类似HRnet的方式实例化骨干网. 该网络从一个茎开始，由两个跨步的840第 6 期徐广，等：基于LSA -HRnet 网络的人体姿态估计方法在太极拳运动中的应用3 × 3卷积组成，将分辨率降低到1/4. 第1阶段包含4个剩余单元，其中每个单元由宽度为64的瓶颈组成，然后进行一个3 × 3卷积，将特征映射的宽度减少到C . 第2、3、4阶段分别包含1、4和3个多分辨率块. 四种分辨率的卷积宽度分别为C 、2C 、4C 和8C . 多分辨率群卷积中的每个分支有4个剩余单元，每个单元在每个分辨率中有两个3 × 3卷积. HRnet 最初设计用于自上而下的姿势估计. 得益于高分辨率特征和所有低分辨率分支特征的融合，HRnet 在人体姿态估计任务中取得了优异的性能.1.2 LSA - HRnet最近的工作表明，HRnet 为了实现特征融合，通常需要大量的参数，导致网络变得复杂，模型的运行速度变慢. 为了解决这个问题，本文提出了一种基于注意力机制轻量级采样模块的HRnet 模型LSA -HRnet ，其中LSA 模块和传统采样模块如图2所示，在保证模型结构简单和推理精度的同时，显著减少了采样过程中的参数量和计算量.具体来说，对于输入大小为C in × W in × H in 的特征图，输出大小为 C out × W out × H out 的特征图，传统的转置卷积计算量计算公式为公式（1）：C in ×C out ×W out ×H out ×K ×K ，（1）其中，K 是传统转置卷积的核大小，为了减小计算量和参数量，同时保持转置卷积的效果，本文在HRnet 网络结构上设计的注意力机制的轻量级采样模块. 如图2（b ）所示，它由三部分组成：空间转置卷积（Depthwise Transpose Convolution ）、1 × 1卷积和注意力模块. 具体来说，首先通过1 × 1点卷积将低维度信息扩展为高维信息，并对特征图的每个通道使用空间转置卷积进行空间转换. 最后，使用1 × 1点卷积来融合各通道之间信息，并将高维度信息压缩到原始输入维度. 如图2（b ）所示，LSA 的计算量主要是空间转置卷积和两点卷积计算量的总和，计算公式为公式（2）：C in ×C *×W in ×H in ×1×1+C *×W out ×H out ×K ×K +C *×C out × W out ×H out ×1×1，（2）LSA 的参数数量计算公式为公式（3）：C *×K ×K +C in ×C *×1×1+C out ×C *×1×1，（3）其中，C 为高维度特征的通道数. LSA 模块和传统采样模块参数量比值和计算量比值分别为公式（4）与公式（5）：C *×K ×K +C in ×C *×1×1+C out ×C *×1×1C in ×C out ×K ×K，（4）特征图 图1 高分辨率HRnet 网络结构Fig.1 High resolution HRnet network structure图2 传统采样模块和LSA 模块Fig.2 Traditional sampling module and LSA module841第 42 卷中南民族大学学报（自然科学版）C in ×C*×W in ×H in ×1×1+C*×W out ×C in ×C out ×W out ×H out ×K×KH out ×K×K+C*×C out ×W out ×H out ×1×1C in ×C out ×W out ×H out ×K×K .（5）在本文中参数设置为C*=2×C in ，W out =2×W in ，H out=2×H in ，公式（4）与公式（5）化简后分别为公式（6）与公式（7）.2C out +2+24×4≈18，（6）24×4×2×2+2C out +24×4≈532 .（7）LSA采样模块与传统采样模块相比，减少了84%计算量，参数量减少75%. 在图2（a）中为传统的转置卷积，它有很大的计算量，图2（b）中展示了本文提出的注意力机制轻量级采样LSA模块，其中包括如何操作空间转置的卷积网络，如何操作点卷积网络以及引入注意力SEnet模块，首先选用1 × 1点卷积来扩展外层特征图的通道数，使得通道数C 变为C*，然后继续选用空间转置卷积逐步形成最高的外层特征高分辨率图，最后，通过采用1 × 1点卷积将通道数变为C，由于注意力机制轻量级LSA模块将空间如何操作和通道操作分成了两个独立的具体操作步骤，因此转置卷积的效果不是很好，针对这一问题，本文选用注意力机制SENet来增强空间中与通道有所关联的信息的融合，直接使用通道注意力机制（作为通道编码器，动态地调整每个通道的权重，如图2（b）所示. 综上所述，假设输入的特征图，通过轻量级上采样模块输出的特征为，作为通道关注机制的输入. 通过通道关注机制的特征输出. 然后将LSA模块的特征输出和信道注意力机制的特征输出相乘并求和，得到最终的融合信息，即公式（8）：Y=X'+X'X att .（8）2 实验验证与分析2.1 构建数据集为了验证本文方法的可行性和有效性，本文设计了太极拳运动人体姿态估计实验，实验采用的计算机硬件环境为12th Gen Intel（R）Core（TM）i9-12900K 3.20 GHz，64 GB 内存，NVIDIA GeForce RTX 3070Ti 显卡；软件环境为Windows 11操作系统；运行环境为Python3.7，Pytorch2.1 和Anaconda3. 考虑到人体姿态估计领域目前还没有开源的太极拳人数据集及相关模型，本文建立了一个太极拳站人体姿态估计模型的数据集，该数据集包含了12个一段完整学习太极拳视频序列，针对太极拳数据集，我们首先将捕获的视频序列逐帧输出并进行关键图片筛选，为提高模型的预测性能进行图像预处理，在原有的基础上更进一步提高了在线视频帧的曝光度、色彩饱和度和整体色调，增强了数据质量. 最后，将视频帧显示图像全部设置为摄像400 × 400像素，大小为256 × 256，并用0和1对太极拳动作数据集上的关节点坐标进行标注（关节点位置标记为1，没有关节点的位置标记为0. 构建人体姿态估计模型数据集后，依据7∶3的比例划分训练集和测试集. 自定义太极拳视频数据集的提取是为了能够更方便的了解太极拳姿势的具体操作步骤，为强化训练集和验证集显示的图像来自志愿者，本文内容采取使用帧差法提取太极拳学习动作，每一个学者的太极拳数据集包含100张关键帧图像，最终存储在一个JSON生成的文件中，其基本结构与COCO人体姿态估计模型标注基本一致，标签样式为人体关键点标注，人体关键点标注用于标记人体姿态中的关键点位置，例如头部、颈部、肩膀、手肘、手腕、膝盖、脚踝等，每个标注样本的关键点信息由三个值组成：x、y坐标和可见性. 2.2 实验结果与分析人体姿态估计实验为了使用户清楚地观察太极拳动作中的骨骼关节位置、方向、角度等信息，对太极拳动作视频的关键帧序列进行人体姿态估计. 首先，从太极拳关键帧序列图像中选择连续的5 帧图像，最后，对得到的关节点序列进行可视化. 人体姿态估计实验为了能清楚地观察到太极动作中骨骼、关节的位置、方向、角度等信息，对太极动作视频的关键帧序列进行人体姿态估计，首先，本文中对网络进行了100次迭代训练，并使用Adam优化器以1e-5的学习率训练网络，每次迭代以指数方式衰减. 其次，从太极关键帧序列图像输入到LSA-HRnet 的模型中，估计出太极拳动作二维关节点序列. 为了突出太极拳动作中重点关节在空间中的位置和角度，本文利用LSA-HRne对得到二维关节点序列进行人体姿态估计，最后为使能够清楚地观察太极拳动作，对网络输出的各个关节点坐标进行可视化，可视化结果如图3和图4所示，图中的第1行均为拆分太极拳运动动作的关键帧图像；第2行均为太极拳运动动作帧图像的二维人体骨骼关节点序列可视化图.842第 6 期徐广，等：基于LSA -HRnet 网络的人体姿态估计方法在太极拳运动中的应用实验评估：人体姿态估计评价指标主要是正确的关键点百分比（Percentage of Correct Keypoints ，PCK ）和平均精确率（Average Precision ，AP ）， 其中， PCK 定义为正确估计出关键点的比例，计算检测的关键点与其对应的标签间的归一化距离小于设定阈值的比例本文采用人体姿态估计常用的PCK 作为评价指标. PCK 指标对于一个关节点计算公式如式（9）：PCK k i=∑pδ()d pi≤T k∑p1 ，（9）其中，T k 表示第k 个阈值，p 表示第p 个人，i 表示i 第关节点，d pi 表示第p 个人中第i 关节点预测值与人工标注的欧式距离.应用于单人人体姿态估计的AP 指标计算如式（10）所示，AP 指标首先需要计算出正确标注与检测所得的OKS 为标量，人为给定一个阈值T ，后可通过所有图片的OKS 得到计算结果.OKS 指标的计算如式（11）所示，OKS 表示在人体关键点评价任务中，对于网络得到的关键点好坏并不仅仅通过简单的欧氏距离计算，而是在计算时根据实际需要引入新的尺度信息参与计算，通过最后得到的计算结果表示两个关键点之间的距离.OKS p =∑iexp ()-d2pi /2S 2p σ2i δ()v pi >0ζiδ()v pi>0 ，（10）AP =∑pδ()OKSp>T∑p1，（11）式中：p 表示正确标注中的第p 个人；p i 表示第p 个人的第i 个关键点；d pi 表示当前检测的编号为i 的关键点与正确标注中第p 个人的第i 个关键点的欧氏距离；S p 表示正确标注中第p 个人的尺度因子；σi 表示第i 个关键点的归一化因子；v pi 表示关键点的可见性；v pi =1表示关键点无遮挡且已标注，v pi =2表示关键点有遮挡但已标注.注意力机制轻量级HRnet 和HRnet 、SCnet 及Lite -HRnet 在太极拳教学动作数据集上的结果如表1所示. 所有的模型都是从零开始训练的，表1显示了我们的模型和原始HRnet 的结果，结果表明，在相同的训练设置下，我们的模型在很大程度上优于原始HRnet. 这是由于在我们的LSA 块中，轻量级采样模块首先将通道数压缩到C/s ，其中C 是输入特征图中的通道数，s 是比例参数，经过卷积层后，通道数恢复到C ，表1中显示使用我们的LSA -HRnet 模型获得了更好的平均m PCK 分数.如表1展示了我们的网络和其他轻量级网络在太极拳运动数据集上的结果，与原本HRnet 、SCnet 及Lite -HRnet 相比，我们的模型以更少的参数和更小的计算量，获得了较高的精度. 在太极拳运动数据集上，与HRnet 相比，我们的模型精度达到0.9785，参数量比HRnet 少15 M. 与SCnet 相比，我们的模型分别提高了16.7%. 可以从实验结果中看出Lite -HRnet 相比本文提出的模型及HRnet 、SCnet在图3 太极拳运动A 二维关节点序列可视化Fig.3 Two -dimensional joint point sequence visualization of taichiquan movement A图4 太极拳运动B 二维关节点序列可视化Fig.4 Two -dimensional joint point sequence visualization of taichiquan movement B843第 42 卷中南民族大学学报（自然科学版）参数量的方面有着大幅的下降，但是预测性能表现最差，相比之下可以看出LSA-HRnet在降低参数量的同时有效的提高了模型预测精度.与Lite-HRnet 对比中，本文提出的模型在后续的研究可以在保持高精度高性能的同时进一步降低参数量、提高计算性能.为了验证设计的轻量级采样模块和注意力机制SEnet模块分别对HRnet的征提取能力和对人体关键点检测准确率的影响程度，引入消融实验来验证主干网络结构变化所带来的影响，分别构建了本文提出的有注意力机制的轻量级HRnet网络和无注意力机制的轻量级HRnet网络模型进行对比实验，实验结果如表2所示：表2的实验结果表明：无注意力机制的LSA-HRnet在相比本文提出的LSA-HRnet只增加本文设计的轻量级采样模块，无注意力机制的LSA-HRnet 模型的m PCK和AP指标仅下降了2.4%和1.8%，这有效的说明本文提出的LSA-HRnet的设计的轻量级采样模块不仅大幅度降低了网络模型的运算复杂度与参数量，而且还能够保证网络模型的性能，达到轻量型网络的目的.并且有注意力机制的LSA-HRnet在加入注意力机制SEnet后并不会对模型的运算复杂度造成很大的影响，而且添加注意力机制能够一定程度的提高LSA-HRnet在检测关键点时的准确率.3 结论对HRnet网络的采样模块进行了轻量化处理，并在HRnet的基本残差块中增加了通道注意力机制，提出了一种基于注意力机制轻量级HRnet网络，将HRnet中的原始块替换为我们所提出的LSA模块. 太极拳运动的实验证明了模型轻量化和通道注意机制的有效性，基于注意力机制轻量级HRnet网络的性能优于原HRnet，在太极拳运动数据集上达到了最先进的性能. 本文最终设计实现了该人体姿态估计在太极拳运动中的应用，并基于该方法能获得及时的动作学习反馈，提高运动质量. 未来的研究内容包括实现端到端的混合现实的运动与反馈应用系统，并进行推广应用.参考文献［1］WU E ， KOIKE H . Futurepose-mixed reality martial arts training using real-time 3D human pose forecasting with argb camera［C］//IEEE. 2019 IEEE Winter Conference onApplications of Computer Vision （WACV）. California：IEEE， 2019： 1384-1392.［2］张漫秸，杨芳艳，季云峰. 球类运动中人体姿态估计研究进展［J］. 电子科技， 2023， 36（1）： 28-37.［3］KAMEL A，LIU B，LI P，et al. An investigation of 3D human pose estimation for learning Tai Chi：A humanfactor perspective［J］. International Journal of Human–Computer Interaction， 2019， 35（4-5）： 427-439.［4］刘烨. 面向复杂运动序列的人体姿态跟踪研究［M］. 北京：北京大学， 2012.［5］HUANG Q，SHI Y. Analysis and research on training mode optimization of badminton players based on datamining technology［J］. Revista de la Facultad deIngenieria， 2017， 32（16）：294-300.［6］TOSHEV A，SZEGEDY C. Deeppose：Human pose表2 消融实验结果Tab.2 Ablation results方法HRnet LSA-Hrnet（无注意力）LSA-HRnet 参数量28.5 M10.2 M13.5 Mm PCK0.88000.95430.9785AP77.485.186.7表1 太极拳运动动作数据集上的PCK和APTab.1 PCK ang AP on Taichiquan movement action dataset方法SCnet［19］Light-HRnet［10］HRnet［9］LSA-HRnet 参数量31.2 M1.8 M28.5 M13.5 M鼻子0.76900.74320.8630.9764左眼0.50390.48130.70120.9711右眼0.50390.48130.70120.9711左耳0.43700.40960.63700.9672右耳0.78080.77390.80230.9724左肩0.96590.95980.96870.9948右肩0.96330.95340.97120.9960左肘0.81100.80170.83220.9566右肘0.9121 0.9069 0.9236 0.9751左手腕0.81890.80370.84690.9383右手腕0.85170.83970.87230.9645左膝盖0.96330.95750.96970.9934右膝盖0.96190.95430.97260.9961左脚踝0.96060.95110.96839948右脚踝0.94220.93410.96010.9961左小腿0.94220.93210.95230.9908右小腿0.93310.92130.93580.9948mPCK0.83870.81210.88000.9785AP72.270.977.486.7844第 6 期徐广，等：基于LSA-HRnet网络的人体姿态估计方法在太极拳运动中的应用estimation via deep neural networks［C］//IEEE. Proceedingsof the IEEE Conference on Computer Vision and PatternRecognition. Columbus： IEEE， 2014： 1653-1660.［7］WEI S E，RAMAKRISHNA V，KANADE T，et al.Convolutional pose machines［C］//IEEE. Proceedings ofthe IEEE Conference on Computer Vision and PatternRecognition. Las Vegas： IEEE， 2016：4724-4732.［8］CAO Z，SIMON T，WEI S E，et al. Realtime multi-person 2D pose estimation using part affinity fields［C］//IEEE. Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition. Honolulu： IEEE， 2017：7291-7299.［9］NEWELL A，YANG K，DENG J. Stacked hourglass networks for human pose estimation［C］// ECCV.Proceedings of the European Conference on ComputerVision. Amsterdam： Springer， 2016：483-499.［10］YU C， XIAO B， GAO C， et al. Lite-hrnet： A lightweight high-resolution network［C］//IEEE. Proceedings of theIEEE Conference on Computer Vision and PatternRecognition. New York： IEEE， 2021： 10440-10450.［11］LUO Y，REN J，WANG Z，et al. Lstm pose machines ［C］//IEEE. Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition. Salt LakeCity： IEEE， 2018： 5207-5215.［12］FANG H S，XIE S，TAI Y W，et al. Rmpe：Regional multi-person pose estimation［C］//IEEE. Proceedings ofthe IEEE International Conference on Computer Vision.Honolulu： IEEE， 2017： 2334-2343.［13］SUN K，XIAO B，LIU D，et al. Deep high-resolution representation learning for human pose estimation［C］//IEEE. Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition. Long Beach：IEEE，2019： 5693-5703.［14］XU J， WAN H， CHEN Z Y. Sharp skirt bandpass filter-integrated single-pole double-throw switch withabsorptive OFF-state［J］. IEEE Transactions onMicrowave Theory and Techniques，2018，67（2）：704-711.［15］KANAZAWA A，BLACK M J，JACOBS D W，et al.End-to-end recovery of human shape and pose［C］//IEEE. Proceedings of the IEEE Conference on ComputerVision and PatternRecognition. Salt Lake City：IEEE，2018： 7122-7131.［16］MEHTA D，SRIDHAR S，SOTNYCHENKO O，et al.Vnect：Real-time 3d human pose estimation with asingle rgb camera［J］. Acm Transactions on Graphics，2017， 36（4）： 1-14.［17］MARTINEZ J，HOSSAIN R，ROMERO J，et al. A simple yet effective baseline for 3d human poseestimation［C］//IEEE. Proceedings of the IEEEInternational Conference on Computer Vision. Venice：IEEE， 2017： 2640-2649.［18］HOSSAIN M R I，LITTLE J J. Exploiting temporal information for 3d human pose estimation［C］// ECCV.Proceedings of the European Conference on ComputerVision . Munich： Springer，2018： 68-84.［19］VU T， KANG H， YOO C D. Scnet： Training inference sample consistency for instance segmentation ［C］//AAAI.Proceedings of the AAAI Conference on ArtificialIntelligence. Washington： MIT Press， 2021： 2701-2709.（责编&校对雷建云）845。
细胞生物学中的细胞骨架的结构和功能细胞骨架是细胞内一种由蛋白质形成的网络结构，它赋予细胞形态稳定性，并参与多种细胞功能的调节。
细胞骨架由三种主要的结构组成：微丝、中间丝和微管。
本文将详细介绍细胞骨架的结构和功能。
一、微丝（Actin Filaments）微丝是直径约为7纳米的细丝状蛋白质，主要由肌动蛋白组成。
在细胞中，微丝贯穿整个细胞，形成一个复杂的网络结构。
微丝在细胞中起着许多重要的作用。
1. 细胞内定位微丝可使排列在细胞内的各种细胞器和蛋白质分子保持适当位置。
它们可以在细胞膜下形成细胞皮层，提供细胞膜的支持和稳定性。
2. 细胞运动微丝与肌动蛋白相互作用，参与细胞运动。
当细胞膜上的肌动蛋白与微丝结合时，细胞膜会发生收缩或延伸，从而实现细胞的定向运动。
3. 持续性动态重构微丝可以动态地重组和消失，形成不同形状的结构。
这种持续的动态重构能够对细胞的外部环境变化作出适应性调整，保持细胞形态的稳定。
二、中间丝（Intermediate Filaments）中间丝是直径约为10纳米的纤维状蛋白质，其组成物质多样化，不同类型的细胞中有不同种类的中间丝。
中间丝主要参与细胞的结构支持和分子运输。
1. 细胞结构支持中间丝构建了细胞骨架的连续网络，并提供细胞内稳定的骨架支持。
中间丝的存在保持了细胞形态的稳定性和机械强度。
2. 分子运输中间丝可嵌入在细胞膜下，并与内质网和高尔基体连接，形成一个细胞内运输通路。
通过这个通路，细胞可以将各种分子和细胞器在细胞内进行快速运输。
3. 组织特异性中间丝的种类和分布在不同类型的组织中是不同的。
例如，角质细胞中的中间丝主要是角蛋白，而肌肉细胞中则是肌球蛋白。
这种组织特异性使得细胞能够适应不同的生理和形态要求。
三、微管（Microtubules）微管是直径约为25纳米的空心管状蛋白质，主要由α-和β-管蛋白组成。
微管是细胞骨架中最大的组成部分，与细胞的形态调控和细胞器定位密切相关。
运动性骨骼肌内质网应激与线粒体功能调控张媛;丁树哲【摘要】内质网(ER)是真核细胞中Ca2+贮存库,负责调节蛋白质合成、合成后加工、折叠和聚集的细胞器,其具有极强的内稳态体系,当细胞稳态受外界刺激因素改变时可导致内质网功能内稳态失衡,形成内质网应激(ER stress,ERs).由于线粒体与内质网存在内质网-线粒体联接区域(mitochondrial associated membranes,MAM)结构以及在功能方面的相互作用,使得线粒体对ERs非常敏感,ERs可通过改变代谢物的转移,如Ca2+,或通过应激反应信号通路,将信息传递至线粒体,直接影响线粒体功能,包括:代谢酶活性、呼吸链功能及ATP生成、线粒体融裂、DNA生物发生、质量控制等方面.骨骼肌ERs的现象首先被发现存在于一些肌病中,随后的研究提示,运动训练也是诱发骨骼肌ERs的因素之一,运动训练可能在调节骨骼肌线粒体功能、优化ERs水平、维持细胞蛋白稳态方面发挥重要作用,其具体分子机制有待进一步研究.【期刊名称】《中国体育科技》【年(卷),期】2017(053)004【总页数】7页(P91-96,130)【关键词】骨骼肌;内质网应激;线粒体;运动训练【作者】张媛;丁树哲【作者单位】南京体育学院运动健康科学系,江苏南京 210014;华东师范大学体育与健康学院,上海 200241【正文语种】中文【中图分类】G804.2真核细胞含有多个细胞器以及被膜包围的间隙，大多数蛋白在胞浆内质网上合成，大约一半以上需要通过转移或穿过至少一层细胞膜到达它们的目的地。
以线粒体为例，99%的线粒体蛋白需借助存在于线粒体膜上的蛋白输入机制（PIM，Protein Import Machinery）进入线粒体不同区域发挥作用［11］。
在诸多对影响线粒体PIM功能的分子机制研究中，除发现PIM自身组件蛋白表达水平可影响线粒体蛋白输入效率外，另一重要因素亦值得思考，即线粒体内、外蛋白稳态环境，而这一稳态环境的维持与内质网功能及状态密切相关。
名词解释：1.自然辩证法：自然辩证法是以辩证唯物主义为指导，从人和自然的关系出发，论述自然界和科学技术相互关系和发展的一般规律、人们认识自然和改造自然一般方法以及对科学技术在社会发展中的作用进行考察的科学2.红移现象：太阳系以外的星体红光频率要比地球上红光的频率要低，这意味着频率是在向下移动，朝着红光方向移动（波长变长）。
3.多普勒效应：波在波源移向观察者时接收频率变高，而在波源远离观察者时接收频率变低（波长变长）。
4、毕达哥拉斯Pythagoras， B.C.580-B.C.500）：古希腊哲学家、数学家和音乐理论家。
毕达哥拉斯学派的创始人。
5、赫拉克利特（Heraclitus，B.C.540-B.C.470）：希腊唯物主义哲学家，生于小亚细亚西部爱非斯，是该城王室的后裔，爱非斯学派的创始人，他放弃了贵族特权，专心研读哲学。
6、德谟克利特（Demokritos ，B.C.460-B.C.370：古希腊的属地阿布德拉人，古希腊伟大的唯物主义哲学家，原子唯物论学说的创始人之一，古希腊伟大哲学家留基伯是他的导师。
是经验的自然科学家和希腊人中第一个百科全书式的学者。
7、柏拉图（Plato，约前427年－前347年）：古希腊伟大的哲学家，也是全部西方哲学乃至整个西方文化最伟大的哲学家和思想家之一，他和老师苏格拉底，学生亚里士多德并称为古希腊三大哲学家。
8、亚里士多德（Aristotle，B.C.384-B.C.322）：古希腊斯吉塔拉人，世界古代史上最伟大的哲学家、科学家和教育家之一。
9、泰勒斯（Thales，B.C.624－B.C.547）：古希腊米利都学派哲学家，生于小亚细亚的米利都城的一个奴隶主贵族家庭，家庭政治显贵、经济富足，泰勒斯均不屑一顾，而是倾注全部精力从事哲学与科学的钻研。
泰勒斯素有“科学之父”的美称。
10、普利高津1917年生于莫斯科，1945年在比利时布鲁塞尔自由大学获得博士学位后留校工作，两年后被聘为教授。
一、实验目的1. 了解人体骨骼、肌肉和关节的形态结构，掌握运动解剖学的基本知识。
2. 熟悉运动解剖学实验的基本操作方法和注意事项。
3. 通过实验，提高观察、分析和解决问题的能力。
二、实验内容1. 骨骼系统的观察（1）观察人体骨骼标本，了解骨骼系统的组成和形态结构。
（2）识别骨骼系统的各个部分，包括颅骨、脊柱、胸廓、骨盆和四肢骨。
2. 肌肉系统的观察（1）观察人体肌肉标本，了解肌肉系统的组成和形态结构。
（2）识别肌肉系统的各个部分，包括头部肌肉、颈部肌肉、躯干部肌肉和四肢肌肉。
（3）了解肌肉的起止点、神经支配和运动功能。
3. 关节系统的观察（1）观察人体关节标本，了解关节系统的组成和形态结构。
（2）识别关节系统的各个部分，包括肩关节、肘关节、腕关节、髋关节、膝关节和踝关节。
（3）了解关节的运动方式和关节的稳定结构。
4. 运动系统的整体观察（1）观察人体运动系统整体标本，了解运动系统的整体结构和功能。
（2）了解运动系统的运动机制和协调作用。
三、实验方法1. 观察法：观察人体骨骼、肌肉和关节标本，识别各个部分的结构和功能。
2. 比较法：比较骨骼、肌肉和关节在不同个体和不同运动状态下的差异。
3. 分析法：分析运动过程中骨骼、肌肉和关节的相互作用和协调。
四、实验步骤1. 骨骼系统观察（1）观察颅骨，识别颅骨的各个部分，如顶骨、颞骨、额骨等。
（2）观察脊柱，识别脊柱的各个部分，如颈椎、胸椎、腰椎、骶椎和尾椎。
（3）观察胸廓，识别胸廓的各个部分，如肋骨、胸骨和胸椎。
（4）观察骨盆，识别骨盆的各个部分，如髂骨、耻骨和坐骨。
（5）观察四肢骨，识别四肢骨的各个部分，如肱骨、桡骨、尺骨、股骨、胫骨和腓骨。
2. 肌肉系统观察（1）观察头部肌肉，识别头部肌肉的起止点和神经支配。
（2）观察颈部肌肉，识别颈部肌肉的起止点和运动功能。
（3）观察躯干部肌肉，识别躯干部肌肉的起止点和运动功能。
（4）观察四肢肌肉，识别四肢肌肉的起止点和运动功能。
