基于計算機視覺與機器學習技術的跌倒風險預測

　　今天給大家分享一篇基于計算機視覺和機器學習的步態(tài)模式識別來預測跌倒的論文

　　1. 背景及研究問題

　　步態(tài)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(qū)分與不同病理實體相關的看似相似的運動模式的步態(tài)對臨床醫(yī)生來說是一個挑戰(zhàn)。如何實現(xiàn)異常步態(tài)的自動識別和判斷是臨床實踐中的重大挑戰(zhàn)。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(fā)步態(tài)識別計算機視覺系統(tǒng)。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(tài)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(qū)分與平地跌倒相關的不同步態(tài)模式方面的可行性。方法：使用Kinect運動系統(tǒng)在三項步行試驗中捕獲七名健康受試者的時空步態(tài)數(shù)據(jù)，包括正常步態(tài)、骨盆傾斜步態(tài)和膝關節(jié)過度伸展步態(tài)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(tài)生物識別系統(tǒng)和用于步態(tài)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(yī)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(jīng)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(tài)任務期間被錄制視頻。這些任務能夠直觀地檢測 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)（骨盆遠足步態(tài)） 和膝過度伸展 （HK） 步態(tài)（軀干前傾步態(tài)） 。

　　3. 實驗過程

　　實驗開始前，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(tài)（圖1）來測試設備連接和系統(tǒng)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(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，行走時軀干稍微向前傾斜，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(tài)模式被記錄5次，以獲得5組有效的實驗數(shù)據(jù)集；共獲得15組有效實驗數(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(jié)點角度讀數(shù)。上肢、下肢、脊柱、肩部、髖部的空間坐標及骨骼關節(jié)節(jié)點如圖2所示。本研究提取下肢關節(jié)點進行步態(tài)模式識別。根據(jù)下肢關節(jié)點，計算出關節(jié)屈伸角度，然后作為步態(tài)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(tài)周期，因此使用 3 秒的時間窗口將記錄的數(shù)據(jù)分割成數(shù)據(jù)集?？偣?2100 組特征值及其對應的正常步態(tài)、骨盆傾斜步態(tài)和膝關節(jié)過度伸展步態(tài)。使用MATLAB軟件進行數(shù)據(jù)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(tài)數(shù)據(jù)進行分類，包括卷積神經(jīng)網(wǎng)絡（CNN）、長短期記憶（LSTM）神經(jīng)網(wǎng)絡、支持向量機（SVM）和K近鄰（KNN）分類器。

　　卷積神經(jīng)網(wǎng)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(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)它們在數(shù)據(jù)空間中的位置給數(shù)據(jù)點分配標簽。

　　K最近鄰（KNN）分類器：使用了一個自動優(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現(xiàn)距離測量方法。

　　長短期記憶（LSTM）神經(jīng)網(wǎng)絡：本研究中，使用了雙向LSTM（Bi-LSTM）網(wǎng)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(jīng)網(wǎng)絡（CNN）、支持向量機（SVM）、K近鄰（KNN）和長短期記憶（LSTM）神經(jīng)網(wǎng)絡等四種不同的分類方法對三種步態(tài)模式進行自動分類。總共收集了750組數(shù)據(jù)，數(shù)據(jù)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(tài)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