今天給大家分享一篇基于計算機視覺和機器學習的步態模式識別來預測跌倒的論文

　　1. 背景及研究問題

　　步態識別已應用于老年人平地跌倒概率的預測、康復過程中的功能評估以及下肢運動功能障礙患者的訓練。區分與不同病理實體相關的看似相似的運動模式的步態對臨床醫生來說是一個挑戰。如何實現異常步態的自動識別和判斷是臨床實踐中的重大挑戰。本研究的長期目標是利用人工智能（AI）和機器學習（ML）計算開發步態識別計算機視覺系統。本研究旨在使用計算機視覺技術找到最佳的機器學習算法，并測量下肢的變量，以對健康人的步態模式進行分類。本研究的目的是確定計算機視覺和機器學習 （ML） 計算在區分與平地跌倒相關的不同步態模式方面的可行性。方法：使用Kinect運動系統在三項步行試驗中捕獲七名健康受試者的時空步態數據，包括正常步態、骨盆傾斜步態和膝關節過度伸展步態步行。結論：這項研究表明，所提出的人工智能機器學習（ML）技術可用于設計步態生物識別系統和用于步態模式識別的機器視覺。這種方法有可能用于遠程評估老年患者，并幫助臨床醫生做出有關處置、隨訪和治療的決策。

　　2. 參與者

　　本研究招募了 7 名健康受試者（年齡 23 至 29 歲），其中男性 3 例，女性 4 例。沒有受試者有任何神經或肌肉骨骼疾病史。。每個受試者在實驗開始前都簽署了知情同意書。

　　本研究中使用的設備包括 Azure Kinect DK 集成攝像頭、h/p/cosmos 跑步機和筆記本電腦。實驗過程中使用Azure Kinect DK集成攝像頭進行拍攝并記錄被試角度的關鍵點信息。相機被放置在參與者的側面，瞄準框架的中心軸。參與者的整個身體被捕捉并記錄。參與者在步態任務期間被錄制視頻。這些任務能夠直觀地檢測 3 種步態模式的特征，包括正常步態 （NG）、骨盆傾斜 （PO） 步態（骨盆遠足步態） 和膝過度伸展 （HK） 步態（軀干前傾步態） 。

　　3. 實驗過程

　　實驗開始前，參與者被指示執行 3 種步行步態，并允許在跑步機上練習 3 分鐘。在正式實驗之前，每個受試者都進行了測試實驗，包括練習3種指定步態（圖1）來測試設備連接和系統設置。實驗過程中，受試者被要求盡可能向前看，并在跑步機上保持穩定的步態。

　　。這三種步態是正常行走期間的正常步態（NG）、包括骨盆傾斜（PO）步態的異常步態模式和右下肢的膝過度伸展（KH）步態模式。僅右下肢產生異常步態。骨盆傾斜步態是指行走時先將軀干向左抬起，然后抬起骨盆，右腿邁出。膝過伸步態時，行走時軀干稍微向前傾斜，右膝抬起邁出。這些步態模式發生在跌倒的關鍵時刻，因此可用于跌倒檢測。

　　實驗過程中跑步機速度設定為0.1m/s勻速運行。受試者以相同的速度在跑步機上行走 1 分鐘。對于每個受試者，每種步態模式被記錄5次，以獲得5組有效的實驗數據集；共獲得15組有效實驗數據集用于離線數據分析。

　　4. 數據分析和特征提取

　　本研究使用了微軟Azure Kinect SDK（軟件開發套件）攝像頭和人體骨骼識別和跟蹤軟件工具包（Azure Kinect Body Tracking SDK）。在相機的深度圖像視野中跟蹤對象的運動，并在跟蹤目標時記錄并保存在計算機中的 32 個關節點角度讀數。上肢、下肢、脊柱、肩部、髖部的空間坐標及骨骼關節節點如圖2所示。本研究提取下肢關節點進行步態模式識別。根據下肢關節點，計算出關節屈伸角度，然后作為步態識別的特征值。

　　參與者按照跑步機的移動速度將步行速度設定為0.1 m/s。由于參與者能夠在 3 秒內完成至少一個步行步態周期，因此使用 3 秒的時間窗口將記錄的數據分割成數據集。總共 2100 組特征值及其對應的正常步態、骨盆傾斜步態和膝關節過度伸展步態。使用MATLAB軟件進行數據分割。

　　5. 基于機器學習的分類器

　　在本研究中，使用四種分類器對步態數據進行分類，包括卷積神經網絡（CNN）、長短期記憶（LSTM）神經網絡、支持向量機（SVM）和K近鄰（KNN）分類器。

　　卷積神經網絡（CNN）分類器：在這項研究中，CNN使用了兩個二維卷積層。

　　支持向量機（SVM）分類器：SVM模型被應用為分類器之一，使用貝葉斯優化器來優化模型。SVM利用數據集的不同和高維特征來根據它們在數據空間中的位置給數據點分配標簽。

　　K最近鄰（KNN）分類器：使用了一個自動優化的KNN模型；選擇貝葉斯優化器作為優化器，并使用歐幾里得度量法實現距離測量方法。

　　長短期記憶（LSTM）神經網絡：本研究中，使用了雙向LSTM（Bi-LSTM）網絡進行分類。模型由兩個Bi-LSTM層和一個全連接（FC）層組成。Bi-LSTM層可以同時處理前向和后向的輸入信息。

　　6. 結論

　　使用卷積神經網絡（CNN）、支持向量機（SVM）、K近鄰（KNN）和長短期記憶（LSTM）神經網絡等四種不同的分類方法對三種步態模式進行自動分類。總共收集了750組數據，數據集分為80%用于算法訓練，20%用于評估。結果：SVM 和 KNN 的準確率高于 CNN 和 LSTM。SVM（94.9±3.36%）在步態模式分類方面的準確率最高，其次是KNN（94.0±4.22%）。CNN 的準確率為 87.6 ± 7.50%，LSTM 的準確率為 83.6 ± 5.35%。

　　審核編輯：黃飛