基于計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)技術(shù)的跌倒風(fēng)險(xiǎn)預(yù)測

　　今天給大家分享一篇基于計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)的步態(tài)模式識(shí)別來預(yù)測跌倒的論文

　　1. 背景及研究問題

　　步態(tài)識(shí)別已應(yīng)用于老年人平地跌倒概率的預(yù)測、康復(fù)過程中的功能評(píng)估以及下肢運(yùn)動(dòng)功能障礙患者的訓(xùn)練。區(qū)分與不同病理實(shí)體相關(guān)的看似相似的運(yùn)動(dòng)模式的步態(tài)對(duì)臨床醫(yī)生來說是一個(gè)挑戰(zhàn)。如何實(shí)現(xiàn)異常步態(tài)的自動(dòng)識(shí)別和判斷是臨床實(shí)踐中的重大挑戰(zhàn)。本研究的長期目標(biāo)是利用人工智能（AI）和機(jī)器學(xué)習(xí)（ML）計(jì)算開發(fā)步態(tài)識(shí)別計(jì)算機(jī)視覺系統(tǒng)。本研究旨在使用計(jì)算機(jī)視覺技術(shù)找到最佳的機(jī)器學(xué)習(xí)算法，并測量下肢的變量，以對(duì)健康人的步態(tài)模式進(jìn)行分類。本研究的目的是確定計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí) （ML） 計(jì)算在區(qū)分與平地跌倒相關(guān)的不同步態(tài)模式方面的可行性。方法：使用Kinect運(yùn)動(dòng)系統(tǒng)在三項(xiàng)步行試驗(yàn)中捕獲七名健康受試者的時(shí)空步態(tài)數(shù)據(jù)，包括正常步態(tài)、骨盆傾斜步態(tài)和膝關(guān)節(jié)過度伸展步態(tài)步行。結(jié)論：這項(xiàng)研究表明，所提出的人工智能機(jī)器學(xué)習(xí)（ML）技術(shù)可用于設(shè)計(jì)步態(tài)生物識(shí)別系統(tǒng)和用于步態(tài)模式識(shí)別的機(jī)器視覺。這種方法有可能用于遠(yuǎn)程評(píng)估老年患者，并幫助臨床醫(yī)生做出有關(guān)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(jīng)或肌肉骨骼疾病史。。每個(gè)受試者在實(shí)驗(yàn)開始前都簽署了知情同意書。

　　本研究中使用的設(shè)備包括 Azure Kinect DK 集成攝像頭、h/p/cosmos 跑步機(jī)和筆記本電腦。實(shí)驗(yàn)過程中使用Azure Kinect DK集成攝像頭進(jìn)行拍攝并記錄被試角度的關(guān)鍵點(diǎn)信息。相機(jī)被放置在參與者的側(cè)面，瞄準(zhǔn)框架的中心軸。參與者的整個(gè)身體被捕捉并記錄。參與者在步態(tài)任務(wù)期間被錄制視頻。這些任務(wù)能夠直觀地檢測 3 種步態(tài)模式的特征，包括正常步態(tài) （NG）、骨盆傾斜 （PO） 步態(tài)（骨盆遠(yuǎn)足步態(tài)） 和膝過度伸展 （HK） 步態(tài)（軀干前傾步態(tài)） 。

　　3. 實(shí)驗(yàn)過程

　　實(shí)驗(yàn)開始前，參與者被指示執(zhí)行 3 種步行步態(tài)，并允許在跑步機(jī)上練習(xí) 3 分鐘。在正式實(shí)驗(yàn)之前，每個(gè)受試者都進(jìn)行了測試實(shí)驗(yàn)，包括練習(xí)3種指定步態(tài)（圖1）來測試設(shè)備連接和系統(tǒng)設(shè)置。實(shí)驗(yàn)過程中，受試者被要求盡可能向前看，并在跑步機(jī)上保持穩(wěn)定的步態(tài)。

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

　　實(shí)驗(yàn)過程中跑步機(jī)速度設(shè)定為0.1m/s勻速運(yùn)行。受試者以相同的速度在跑步機(jī)上行走 1 分鐘。對(duì)于每個(gè)受試者，每種步態(tài)模式被記錄5次，以獲得5組有效的實(shí)驗(yàn)數(shù)據(jù)集；共獲得15組有效實(shí)驗(yàn)數(shù)據(jù)集用于離線數(shù)據(jù)分析。

　　4. 數(shù)據(jù)分析和特征提取

　　本研究使用了微軟Azure Kinect SDK（軟件開發(fā)套件）攝像頭和人體骨骼識(shí)別和跟蹤軟件工具包（Azure Kinect Body Tracking SDK）。在相機(jī)的深度圖像視野中跟蹤對(duì)象的運(yùn)動(dòng)，并在跟蹤目標(biāo)時(shí)記錄并保存在計(jì)算機(jī)中的 32 個(gè)關(guān)節(jié)點(diǎn)角度讀數(shù)。上肢、下肢、脊柱、肩部、髖部的空間坐標(biāo)及骨骼關(guān)節(jié)節(jié)點(diǎn)如圖2所示。本研究提取下肢關(guān)節(jié)點(diǎn)進(jìn)行步態(tài)模式識(shí)別。根據(jù)下肢關(guān)節(jié)點(diǎn)，計(jì)算出關(guān)節(jié)屈伸角度，然后作為步態(tài)識(shí)別的特征值。

　　參與者按照跑步機(jī)的移動(dòng)速度將步行速度設(shè)定為0.1 m/s。由于參與者能夠在 3 秒內(nèi)完成至少一個(gè)步行步態(tài)周期，因此使用 3 秒的時(shí)間窗口將記錄的數(shù)據(jù)分割成數(shù)據(jù)集?？偣?2100 組特征值及其對(duì)應(yīng)的正常步態(tài)、骨盆傾斜步態(tài)和膝關(guān)節(jié)過度伸展步態(tài)。使用MATLAB軟件進(jìn)行數(shù)據(jù)分割。

　　5. 基于機(jī)器學(xué)習(xí)的分類器

　　在本研究中，使用四種分類器對(duì)步態(tài)數(shù)據(jù)進(jìn)行分類，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）和K近鄰（KNN）分類器。

　　卷積神經(jīng)網(wǎng)絡(luò)（CNN）分類器：在這項(xiàng)研究中，CNN使用了兩個(gè)二維卷積層。

　　支持向量機(jī)（SVM）分類器：SVM模型被應(yīng)用為分類器之一，使用貝葉斯優(yōu)化器來優(yōu)化模型。SVM利用數(shù)據(jù)集的不同和高維特征來根據(jù)它們?cè)跀?shù)據(jù)空間中的位置給數(shù)據(jù)點(diǎn)分配標(biāo)簽。

　　K最近鄰（KNN）分類器：使用了一個(gè)自動(dòng)優(yōu)化的KNN模型；選擇貝葉斯優(yōu)化器作為優(yōu)化器，并使用歐幾里得度量法實(shí)現(xiàn)距離測量方法。

　　長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)：本研究中，使用了雙向LSTM（Bi-LSTM）網(wǎng)絡(luò)進(jìn)行分類。模型由兩個(gè)Bi-LSTM層和一個(gè)全連接（FC）層組成。Bi-LSTM層可以同時(shí)處理前向和后向的輸入信息。

　　6. 結(jié)論

　　使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）、支持向量機(jī)（SVM）、K近鄰（KNN）和長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)等四種不同的分類方法對(duì)三種步態(tài)模式進(jìn)行自動(dòng)分類?？偣彩占?50組數(shù)據(jù)，數(shù)據(jù)集分為80%用于算法訓(xùn)練，20%用于評(píng)估。結(jié)果：SVM 和 KNN 的準(zhǔn)確率高于 CNN 和 LSTM。SVM（94.9±3.36%）在步態(tài)模式分類方面的準(zhǔn)確率最高，其次是KNN（94.0±4.22%）。CNN 的準(zhǔn)確率為 87.6 ± 7.50%，LSTM 的準(zhǔn)確率為 83.6 ± 5.35%。

　　審核編輯：黃飛