BlazePose-Seq2Seq:利用普通的RGB摄像头进行强大的步行评估

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 运动学 运动学

背景情况:

• 基于智能手机的姿势估计为传统步态分析方法提供了具有成本效益的替代方案.
• 像BlazePose这样的当前算法显示出希望,但缺乏临床水平的准确性和可重复性.
• 序列对序列 (Seq2seq) 架构为改进动力学预测提供了一种新的方法.

研究的目的:

• 为了增强BlazePose算法,使用Seq2seq自动编码器进行更准确的人类步态分析.
• 评估深度学习模型在改进基于智能手机的姿势估计步态动力学方面的有效性.
• 建立一个可靠和准确的方法来进行远程步态评估.

主要方法:

• 开发了一个新的深度学习模型,将BlazePose与Seq2seq自动编码器结合起来.
• 来自RGB和Vicon摄像机的同步运动捕捉数据在三个步行速度下收集.
• 通过将BlazePose单独与集成模型 (1D-LSTM,GRU,LSTM) 进行比较,使用平均绝对误差来评估性能.

主要成果:

• 集成的BlazePose和Seq2seq模型显著降低了联合角度预测中的平均绝对误差.
• 在左脚,平均误差从13.4°降至5.3° (快速步行),16.3°降至7.5° (正常步行),15.5°降至7.5° (缓慢步行).
• 改进后的模型显示,步态分析的准确性和可重复性有所提高.

结论:

• 将Seq2seq架构集成到基于智能手机的姿势估计中,大大提高了步态分析的准确性.
• 这种方法为远程,临床级步态评估提供了可行的解决方案.
• 这项研究证实了深度学习可以用于推进虚拟运动分析.