基于计算机视觉和机器学习的步态模式识别来预测跌倒.docxVIP

1.背景及研究问题

步态识别已应用于老年人平地跌倒概率的预测、康复过程中的功能评估以及下肢运动功能障碍患者的训练。区分与不同病理实体相关的看似相似的运动模式的步态对临床医生来说是一个挑战。如何实现异常步态的自动识别和判断是临床实践中的重大挑战。本研究的长期目标是利用人工智能（AI）和机器学习（ML）计算开发步态识别计算机视觉系统。本研究旨在使用计算机视觉技术找到最佳的机器学习算法，并测量下肢的变量，以对健康人的步态模式进行分类。本研究的目的是确定计算机视觉和机器学习(ML)计算在区分与平地跌倒相关的不同步态模式方面的可行性。方法：使用Kinect运动系统在三项步行试验中捕获七名健康受试者的时空步态数据，包括正常步态、骨盆倾斜步态和膝关节过度伸展步态步行。结论：这项研究表明，所提出的人工智能机器学习（ML）技术可用于设计步态生物识别系统和用于步态模式识别的机器视觉。这种方法有可能用于远程评估老年患者，并帮助临床医生做出有关处置、随访和治疗的决策。

2.参与者

本研究招募了7名健康受试者（年龄23至29岁），其中男性3例，女性4例。没有受试者有任何神经或肌肉骨骼疾病史。。每个受试者在实验开始前都签署了知情同意书。

本研究中使用的设备包括AzureKinectDK集成摄像头、h/p/cosmos跑步机和笔记本电脑。实验过程中使用AzureKinectDK集成摄像头进行拍摄并记录被试角度的关键点信息。相机被放置在参与者的侧面，瞄准框架的中心轴。参与者的整个身体被捕捉并记录。参与者在步态任务期间被录制视频。这些任务能够直观地检测3种步态模式的特征，包括正常步态(NG)、骨盆倾斜(PO)步态（骨盆远足步态）和膝过度伸展(HK)步态（躯干前倾步态）。

3.实验过程

实验开始前，参与者被指示执行3种步行步态，并允许在跑步机上练习3分钟。在正式实验之前，每个受试者都进行了测试实验，包括练习3种指定步态（图1）来测试设备连接和系统设置。实验过程中，受试者被要求尽可能向前看，并在跑步机上保持稳定的步态。

在本实验中，受试者以图1所示的3种不同步态模式在h/p/cosmos跑步机上行走。这三种步态是正常行走期间的正常步态（NG）、包括骨盆倾斜（PO）步态的异常步态模式和右下肢的膝过度伸展（KH）步态模式。仅右下肢产生异常步态。骨盆倾斜步态是指行走时先将躯干向左抬起，然后抬起骨盆，右腿迈出。膝过伸步态时，行走时躯干稍微向前倾斜，右膝抬起迈出。这些步态模式发生在跌倒的关键时刻，因此可用于跌倒检测。

实验过程中跑步机速度设定为0.1m/s匀速运行。受试者以相同的速度在跑步机上行走1分钟。对于每个受试者，每种步态模式被记录5次，以获得5组有效的实验数据集；共获得15组有效实验数据集用于离线数据分析。

4.数据分析和特征提取

?本研究使用了微软AzureKinectSDK（软件开发套件）摄像头和人体骨骼识别和跟踪软件工具包（AzureKinectBodyTrackingSDK）。在相机的深度图像视野中跟踪对象的运动，并在跟踪目标时记录并保存在计算机中的32个关节点角度读数。上肢、下肢、脊柱、肩部、髋部的空间坐标及骨骼关节节点如图2所示。本研究提取下肢关节点进行步态模式识别。根据下肢关节点，计算出关节屈伸角度，然后作为步态识别的特征值。

参与者按照跑步机的移动速度将步行速度设定为0.1m/s。由于参与者能够在3秒内完成至少一个步行步态周期，因此使用3秒的时间窗口将记录的数据分割成数据集。总共2100组特征值及其对应的正常步态、骨盆倾斜步态和膝关节过度伸展步态。使用MATLAB软件进行数据分割。

5.基于机器学习的分类器

在本研究中，使用四种分类器对步态数据进行分类，包括卷积神经网络（CNN）、长短期记忆（LSTM）神经网络、支持向量机（SVM）和K近邻（KNN）分类器。

卷积神经网络（CNN）分类器：在这项研究中，CNN使用了两个二维卷积层。

支持向量机（SVM）分类器：SVM模型被应用为分类器之一，使用贝叶斯优化器来优化模型。SVM利用数据集的不同和高维特征来根据它们在数据空间中的位置给数据点分配标签。

K最近邻（KNN）分类器：使用了一个自动优化的KNN模型；选择贝叶斯优化器作为优化器，并使用欧几里得度量法实现距离测量方法。

长短期记忆（LSTM）神经网络：本研究中，使用了双向LSTM（Bi-LSTM）网络进行分类。模型由两个Bi-LSTM层和一个全连接（FC）层组成。Bi-LSTM层可以同时处理前向和后向的输入信息。

6.结论

使用卷积神经网络（CNN）、支持向量机（SVM）、K近邻（KNN）和长短期记忆（LSTM）神经网络等四种不同的分