从视频记录的步态来确定关键点的两步深度学习识别

科学领域:

• 生物力学 生物力学
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 从视频中精确地提取步态参数对于临床评估至关重要,例如定时启动和启动.
• 当前的深度学习方法往往缺乏临床应用所需的精度.
• 步行分析严重依赖于精确的足迹地标 (关键点) 识别.

研究的目的:

• 开发和评估一种新的深度学习方法,用于准确的临床提取步行步骤参数.
• 通过混合方法提高脚跟上的关键点检测的准确性.
• 为了提高临床实用性,实现无标记步态分析.

主要方法:

• 开发了一种混合深度学习模型,将OpenPose与自定义卷积神经网络 (convnets) 集成在一起.
• 评估了六个候选网络,其中包括不同的骨干和头部网络架构.
• 使用转移学习,在ImageNet上进行预训练和对184个老年人的步态试验进行微调.

主要成果:

• 性能最好的模型从侧面图像中实现了0.55厘米的中位误差,用于从侧面图像中定位脚跟关键点.
• 关键点预测的第75百分位误差低于1.26厘米.
• 该方法证明了从校准的视频数据中准确地提取步骤长度和步骤宽度.

结论:

• 结合OpenPose和自定义convnet方法显示了准确,没有标记的步态参数提取的巨大潜力.
• 这种方法为自动化临床步态分析的关键步骤提供了一个有希望的途径.
• 进一步细化可能会导致对步态评估的广泛临床采用.