通过双阶段采集和LSTM自动编码器进行无噪声强度标记的视频步态异常检测
Hyerin Yoon1, Eunah Jo1, Seungjae Ryu1
1Department of AI Convergence Engineering, Gyeongsang National University, 501, Jinju-daero, Jinju-si, Gyeongsangnam-do, South Korea.
Scientific reports
|November 26, 2025
概括
这项研究引入了一种无标记系统,用于检测骨科查中的步态异常. 它使用人工智能准确地识别了sarcopenia和帕金森病,为可穿戴传感器提供了一个非侵入性的替代方案.
科学领域:
- 生物机械分析分析
- 医疗保健中的人工智能
- 医学成像和诊断 医学成像和诊断
背景情况:
- 步态分析对于骨科查至关重要.
- 目前的方法通常依赖于可穿戴传感器或复杂的功能.
- 无标记系统面临临临床视频噪声和可变性的挑战.
研究的目的:
- 开发一种统一的,无标记的步态异常检测系统,用于骨科查.
- 为了识别与皮病和帕金森病相关的异常步行模式.
- 为了提高基于视频的步态分析的稳定性和准确性.
主要方法:
- 使用MediaPipe进行无标记的关节跟踪.
- 使用无监督的LSTM自动编码器进行步态建模.
- 实现基于YOLO的过和语义细分来提高视频质量.
- 仅在正常步行数据上训练模型.
主要成果:
- 达到了97%的萨尔科佩尼亚和88%的帕金森病检测率.
- 超越了现有的基于传感器和特征工程的方法来检测萨科佩尼亚.
- 展示了第一个统一的无标记框架来检测两个条件.
- 通过预处理技术,可用步态数据提高了高达38%.
- 确定膝关节运动是步行异常的关键指标.
结论:
- 拟议的系统为肌肉骨疾病的早期检测提供了一个可扩展的,非侵入性的解决方案.
- 无标记步行分析显示了临床查和患者监测的巨大潜力.
- 由人工智能驱动的方法提供可解释的,本地化的步态异常评估.
