一个没有标记的人类运动分析系统,用于基于运动的生物标记物识别和定量,用于膝关节疾病
Kai Armstrong1, Lei Zhang1, Yan Wen1
1Laboratory of Vision Engineering, School of Computer Science, University of Lincoln, Lincoln, United Kingdom.
Frontiers in digital health
|February 22, 2024
概括
我们开发了一种使用RGB摄像头的自动化方法,以识别和量化患者运动中的生物标志物,帮助骨关节炎监测和治疗评估. 这种方法为传统的移动捕捉技术提供了成本效益和灵敏的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 计算机视觉 计算机视觉
- 医学诊断 医学诊断 医学诊断
背景情况:
- 医疗保健系统面临着管理患者流量的挑战,特别是对于像骨关节炎 (OA) 这样的疾病.
- 传统的运动捕捉方法昂贵而复杂,限制了它们的广泛临床使用.
- 需要易于使用,敏感的工具来监测疾病的进展和治疗的有效性.
研究的目的:
- 通过使用标准RGB视频摄像机,提出和验证一种用于自动化生物标志物识别和定量化的新方法.
- 为了能够客观地监测患者的治疗反应和疾病进展,例如那些怀疑OA的患者.
- 为传统的生物机械分析技术提供成本效益高且敏感的替代方案.
主要方法:
- 利用深度神经网络与对抗性训练和自我注意力机制,从2D视频数据中生成3D人类形状和姿势.
- 使用主要组件分析 (PCA) 来识别生物标志物和从运动数据中提取特征.
- 基于已识别的生物标志物自动生成临床报告.
主要成果:
- 验证了标准RGB摄像机在临床环境中捕获临床相关的运动数据的能力.
- 确定了统计学意义上的生物标志物,包括坐着站着时的累积肘部加速度和着和坐着站着时的膝盖/肘部曲/伸展平滑度.
- 证明了这些生物标志物的潜力,以评估治疗成功和监测疾病进展.
结论:
- 拟议的自动化方法有效地使用RGB视频分析进行客观的生物力学评估.
- 这种方法为监测骨关节炎和其他肌肉骨疾病提供了灵敏,低成本的解决方案.
- 经过验证的生物标志物为个性化康复和临床决策提供了有希望的工具.
