CN117653084A - 利用步态评估脊柱侧弯康复状态的方法 - Google Patents
利用步态评估脊柱侧弯康复状态的方法 Download PDFInfo
- Publication number
- CN117653084A CN117653084A CN202311660793.5A CN202311660793A CN117653084A CN 117653084 A CN117653084 A CN 117653084A CN 202311660793 A CN202311660793 A CN 202311660793A CN 117653084 A CN117653084 A CN 117653084A
- Authority
- CN
- China
- Prior art keywords
- gait
- tester
- foot
- calculating
- coordinate data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 40
- 206010039722 scoliosis Diseases 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 210000002683 foot Anatomy 0.000 claims description 103
- 238000012549 training Methods 0.000 claims description 41
- 210000001624 hip Anatomy 0.000 claims description 16
- 238000013508 migration Methods 0.000 claims description 15
- 230000005012 migration Effects 0.000 claims description 15
- 210000004394 hip joint Anatomy 0.000 claims description 10
- 210000000629 knee joint Anatomy 0.000 claims description 10
- 210000003423 ankle Anatomy 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 210000000707 wrist Anatomy 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims 2
- 238000012360 testing method Methods 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 210000002414 leg Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010023509 Kyphosis Diseases 0.000 description 1
- 208000007623 Lordosis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种利用步态评估脊柱侧弯康复状态的方法，涉及康复程度检测技术领域。所述方法包括：获取深度摄像头采集的测试者直线行走时的侧面人体图像；从所述侧面人体图像中提取测试者的关节标记点的空间坐标数据；根据所述空间坐标数据，计算测试者的步态参数；将所述步态参数输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态。本发明实施例采用步态对称性和脊柱侧弯评分关联测试的方法且利用多个步态参数评估相对比较全面，准确度高，并且基于视觉识别实现脊柱侧弯康复状态的评估，不受仪器限制，操作简便。
Description
技术领域
本发明涉及康复程度检测技术领域，特别是指一种利用步态评估脊柱侧弯康复状态的方法。
背景技术
脊柱侧弯是指脊柱在冠状面上一个或多个节段椎体偏离身体中线向侧方形成弯曲，多伴有椎体的旋转和矢状面上后凸或前凸增加或减少、肋骨和骨盆的旋转倾斜畸形以及椎旁的韧带肌肉异常，属于一种脊柱的三维结构畸形。脊柱侧弯多发生于学龄青少年群体，一方面体育锻炼不足会使得固定脊柱正常生理弯曲两侧的肌肉力量不足，另一方面，该群体需要背负重量大的书包，背包背负方法不当、站姿、走姿不正确会导致双侧肌肉的紧张度不均衡，容易造成脊柱弯曲异常的发生。
目前已有部分研究针对步态对称性和脊柱侧弯关联，证明脊柱侧弯患者的步态特征往往会表现出异常结果，即表现出躯干的不对称性。步态是人体基本的运动功能，步行过程中需要多个人体系统的共同调节，当某种疾病影响人体的运动系统时，其步态将会出现改变，因此步态分析可及早并准确地反应人体运动系统健康及疾病进展情况，根据步态的运动学和动力学参数，表示受试者稳定性的变化。
中国发明专利申请CN115530810A公开了监测脊柱侧弯的方法、智能背包及存储介质，涉及智能穿戴技术领域，该方法通过对智能背包在使用过程中的倾斜角度进行实时采集，获得角度时间序列，根据角度时间序列的周期性识别单步周期，即识别左步和右步，抓取各个左步周期中的最大左倾角度构成最大左倾角度序列，抓取各个右步周期中的最大右倾角度构成最大右倾角度序列。根据最大左倾角序列和最大右倾角序列计算当前角度差值(该当前角度差值用于指示用户左倾角度和右倾角度的角度差)。若当前角度差值大于或等于第一阈值，说明行走过程中左右摆幅差异较大，存在高低肩，发生脊柱侧弯，则提示脊柱侧弯风险，有利于用户及时矫正姿态。
上述专利申请主要针对脊柱侧弯校正提醒，仅对于姿势是否正确进行评估，对侧弯程度未进行量化评分，不能直观展示侧弯程度。
中国发明专利申请CN113440129A公开了一种人体行走过程平衡功能定量评估系统，该发明基于摄像头采集的人体姿态信息和足底压力跑道采集的人体足底压力的实时数据，估计得到实时人体关节反力，构建不同步态周期的动态功能网络，并进一步比较不同步态周期的差异，定量估计得到人体步行过程的适应性指数，用于反映人体行走过程的平衡功能。该发明具有优良的便携性，能够对人体行走过程的适应性进行实时定量评估，进而反映人体平衡功能，帮助躯体损伤和躯体术后患者量化估计自身康复程度。
上述专利申请通过足底压力跑道对受试者行走步态进行评估，但受制于测试仪器和场地。
发明内容
有鉴于此，本发明实施例提供一种操作简便，能准确评估脊柱侧弯程度的利用步态评估脊柱侧弯康复状态的方法。
一种利用步态评估脊柱侧弯康复状态的方法，包括：
获取深度摄像头采集的测试者直线行走时的侧面人体图像；
从所述侧面人体图像中提取测试者的关节标记点的空间坐标数据；
根据所述空间坐标数据，计算测试者的步态参数，其中所述步态参数包括左脚步速、右脚步速、左脚步幅、右脚步幅、左髋关节屈曲角度、右髋关节屈曲角度、左膝关节屈曲角度、右膝关节屈曲角度、肩髋夹角、左脚支撑相时间占比、右脚支撑相时间占比中的至少两个；
将所述步态参数输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态。
本发明实施例提供的利用步态评估脊柱侧弯康复状态的方法，首先获取深度摄像头采集的测试者直线行走时的侧面人体图像，然后从所述侧面人体图像中提取测试者的关节标记点的空间坐标数据，之后根据所述空间坐标数据，计算测试者的步态参数，最后将所述步态参数输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态。这样，本发明实施例通过深度摄像头识别测试者直线行走，对多个步态周期进行评估，拆解多个步态参数，利用残差神经网络得到得分，对躯干不对称人群进行量化评分，由于采用了步态对称性和脊柱侧弯评分关联测试的方法且利用多个步态参数评估相对比较全面，准确度高；并且本发明实施例基于视觉识别实现脊柱侧弯康复状态的评估，不受仪器限制，操作简便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的利用步态评估脊柱侧弯康复状态的方法的流程示意图；
图2为本发明中测试者的关节标记点的示意图；
图3为本发明中人体步态流程图；
图4为本发明中单次步态周期下左右脚X轴坐标变化及坐标斜率变化图；
图5为本发明中步态参数计算流程图；
图6为本发明中步态参数示意图；
图7为本发明中神经网络训练流程图；
图8为本发明实例中左右脚X轴坐标变化及坐标斜率变化图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供一种利用步态评估脊柱侧弯康复状态的方法，如图1所示，包括：
步骤101：获取深度摄像头采集的测试者直线行走时的侧面人体图像；
本步骤中，通过摄像头采集测试者直线行走时的侧面人体图像，该摄像头优选为具有3D功能的深度摄像头。
具体实施时，测试人员可以在测试前于地面做步行起止点测试标记，以5米作为标记点，确保整段路程在摄像头视角范围内，受试者根据设备语音提示，侧面面对设备，与设备相距3米，从规定起点至终点进行正常步速的直线行走，以10秒为一次，完成3次直线行走。
在测试过程中，摄像头采集频率可以为15帧。
步骤102：从所述侧面人体图像中提取测试者的关节标记点的空间坐标数据；
本步骤中，可利用视觉识别系统从所述侧面人体图像中提取测试者的关节标记点时间序列对应下的空间坐标数据，具体提取方法可采用本领域常规技术，此处不再赘述。
作为一种可选的实施例，所述测试者的关节标记点可以包括至少16个标记点，分别为：头、颈、脊柱肩位、左/右肩、左/右肘、左/右腕、骶、左/右髋、左/右膝、左/右踝。
提取的空间坐标数据例如可以如下：
ιi＝(xi，yi，zi)表示第i个关节标记点的坐标，测试者的关节标记点集合表示为R(x,y,z)。在测试过程中采集得到侧面人体图像各时间序列中的16个关节标记点的空间坐标数据。
测试者的关节标记点及编号可以如表1和图2所示。
表1关节标记点及编号
| 编号 | 标记点 | 编号 | 标记点 |
| 0 | 头 | 8 | 右腕 |
| 1 | 颈 | 9 | 骶 |
| 2 | 脊柱肩位 | 10 | 左髋 |
| 3 | 左肩 | 11 | 左膝 |
| 4 | 左肘 | 12 | 左踝 |
| 5 | 左腕 | 13 | 右髋 |
| 6 | 右肩 | 14 | 右膝 |
| 7 | 右肘 | 15 | 右踝 |
本发明中所定义的关节标记点通常对应人体上有一定自由度的关节或体表骨性标志物定义，通过对人体关节点在三维空间相对位置的计算，来估计人体当前状态，由于人体结构的特殊性，标记点之间的连线只以人体结构相连。
此处，为提高后续评估的准确性，还可以对提取到的空间坐标数据进行预处理，预处理具体可以如下：
进行标记点识别后，可以先进行数据降噪处理，运用小波阈值法降噪之后，根据标记点坐标和时间序列，得到标记点加速度，依据人体能够达到的加速度上限以及专家讨论结果，再次设定数据极限值，若超过极限值，则删除该数据。经过这两次处理，得到更加符合人体的标记点序列。
步骤103：根据所述空间坐标数据，计算测试者的步态参数，其中所述步态参数包括左脚步速、右脚步速、左脚步幅、右脚步幅、左髋关节屈曲角度、右髋关节屈曲角度、左膝关节屈曲角度、右膝关节屈曲角度、肩髋夹角、左脚支撑相时间占比、右脚支撑相时间占比中的至少两个；
本发明中，人体步态流程图如图3所示，例如以右足向前迈步作为步态周期的开始，A为双脚触地，右腿准备抬起；B为右足足跟触地；C为左腿准备抬起；O为左腿迈步至与右腿重合时；D为左足足跟触地；E为右腿准备抬起，向前迈步；F为双腿重合，右腿继续向前迈步，以此为一个步态周期的结束。
对总时间T进行支撑相时间段分类，分别为后跟着地、全掌着地、前掌着地、前掌离地四个支撑相类型。AB(ta)为前掌离地期，BC(tb)为后跟着地期，CO(tc)为全掌着地期，OE(td)为前掌着地期，EF(te)为前掌离地期。
本发明中，涉及的步态参数如图6所示，下面对各个步态参数的计算分别说明如下。
(1)步数
作为一种可选的实施例，所述根据所述空间坐标数据，计算测试者的步态参数(步骤103)，可以包括：
步骤1031：根据所述空间坐标数据，计算测试者的双脚重合的时间点及次数；
本步骤中，以右脚先迈为例，记录双脚X轴(人体前行方向为X轴)坐标重合的时间点和次数，以3次重合为一次步态周期。步态坐标根据变化规律简化为折线图，如图4所示，折线ABOEF表示右脚标记点(也即右踝)迈步过程中的X轴坐标变化，折线ACODF表示左脚标记点(也即左踝)在迈步过程中的X轴坐标变化。kR表示右脚X轴坐标曲线斜率变化，kL表示左脚X轴坐标曲线斜率变化。
步态参数计算流程图如图5所示，通过左右脚X轴坐标差值进行双脚重合点位的计算，做相邻差值的乘积，当出现以下任意条件：①差值为0；②相邻差值乘积为负数，记录差值为0的时间点位，或相邻差值中靠前帧数的时间点位，即得双脚重合的时间点及次数(即重合点个数P)。
也就是说，优选的，所述根据所述空间坐标数据，计算测试者的双脚重合的时间点及次数(步骤1031)，可以包括：
步骤10311：根据所述空间坐标数据，计算测试者的左脚X轴坐标和右脚X轴坐标的差值；
步骤10312：记录所述差值为零或相邻差值乘积为负数时的时间点及次数，即得所述双脚重合的时间点及次数。
差值为零时，自然说明双脚重合；然而考虑到图像帧可能无法正好取在该时刻，故通过计算相邻差值乘积为负数时也说明双脚重合，从而提高计算准确率，避免漏判。
步骤1032：根据所述次数，计算测试者的单脚的步数。
本步骤中，所述次数(即重合点个数)为P，则步数x的计算方法可以为：
(2)步速
作为一种可选的实施例，所述根据所述空间坐标数据，计算测试者的步态参数(步骤103)，可以包括：
步骤1033：对于测试者的左脚或右脚，分别取能够形成完整步态周期时的步数记为总步数，其中双脚3次重合为一次步态周期；
步骤1034：根据所述总步数对应的时间点和行走路程，计算得到所述左脚步速和右脚步速。
也就是说，能够形成完整步态周期的步数记为总步数x，未形成完整步态周期的进行剔除。按照总步数x的时间点位和设备显示中的规定路程(如5米)，计算出行走总路程S和行走总时间T，即得步速v为：
(3)步幅
作为一种可选的实施例，所述根据所述空间坐标数据，计算测试者的步态参数(步骤103)，可以包括：
步骤1033’：对于测试者的左脚或右脚，分别根据对应的行走路程和步数，计算得到每步步长；
步骤1034’：计算每步步长的平均值，即得所述左脚步幅和右脚步幅。
也就是说，根据行走总路程S和行走步数，计算每步步长l，步幅L记录为：l的平均值。
(4)髋关节屈曲角度、膝关节屈曲角度
根据空间坐标数据，可以直接进行关节角(左/右髋关节屈曲角度、左/右膝关节屈曲角度)的计算，此为本领域常规技术，此处不再赘述。根据前述表1的关节标记点，可以定义关节角如下表2所示：
表2关节角定义
| 关节角名称 | 起点 | 中点 | 终点 |
| 左髋关节屈曲角度 | 9 | 10 | 11 |
| 右髋关节屈曲角度 | 9 | 13 | 14 |
| 左膝关节屈曲角度 | 10 | 11 | 12 |
| 右膝关节屈曲角度 | 13 | 14 | 15 |
(5)肩髋夹角(即肩线和髋线夹角)
肩线定义为两肩之间连线，髋线定义为两髋之间连线，以左右肩识别点、左右髋识别点作为两向量的起止点，根据向量夹角公式，可计算肩线和髋线的夹角范围。
其中，θjk为肩线与髋线夹角，xj为肩线向量，xk为髋线向量，i表示为时间点，连续计算髋线和肩线的动态夹角。
(6)支撑相时间占比
作为一种可选的实施例，所述根据所述空间坐标数据，计算测试者的步态参数(步骤103)，可以包括：
步骤1033”：对于每个步态周期，进行各支撑相时间段划分，其中双脚3次重合为一次步态周期，右脚各支撑相为：AB(ta)前掌离地期，BC(tb)后跟着地期，CO(tc)全掌着地期，OE(td)前掌着地期，EF(te)前掌离地期；左脚各支撑相为：OD(ta)前掌离地期，DE(tb)后跟着地期，EF(tc)全掌着地期，FC(td)前掌着地期，CO(te)前掌离地期；
本步骤中，可以通过步态坐标曲线的斜率k值(参见图4)进行评估，同样以右脚首先抬脚迈步作为步态周期开始为例，定义右脚X轴坐标曲线斜率为kR，左脚X轴坐标曲线斜率为kL。重合点位定义为：重合点序列1为奇数重合点序列，重合点序列2为双数序号的重合点序列：序列1：J1＝{x1、x3、x5、…、xk}；序列2：J2＝{x2、x4、x6、…、xi-1}。定义双足重合点分别对应：A→xi-1；O→xi；F→xi+1。也就是说，步态周期(A-O-F)循环出现：A-O-F(A)-O-F(A)-O-F。
本步骤具体实施时，可以按以下方式确定步态周期、及步态周期中涉及的A-F各点，即：
每个步态周期中，A为首个双脚重合的时间点，F为最后一个双脚重合的时间点；也就是说，前述序列1中第一个双脚重合点为A，序列1中下一个双脚重合点为当前步态周期的F点同时作为下一步态周期的A点；
B为右脚X轴坐标斜率kR开始下降，且左脚X轴坐标斜率kL开始上升的时间点；
C为右脚X轴坐标斜率kR趋近于0或趋于稳定的时间点；
O为步态周期中第二个双脚重合的时间点；或者为序列2中相应的双脚重合点；
D为左脚X轴坐标斜率kL趋近于0或趋于稳定的时间点；
E为右脚X轴坐标斜率kR趋近于0或趋于稳定的时间点。
步骤1034”：计算各支撑相占步态周期时间百分比，即得所述左脚支撑相时间占比和右脚支撑相时间占比。
本步骤中，在前一步骤进行各支撑相时间段划分后，对左右脚按相同方式进行计算，即可计算各支撑相占步态周期时间百分比，从而得到左右脚(各)支撑相时间占比。
步骤104：将所述步态参数输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态。
本发明通过3D摄像头识别步态相关身体点位，从而推断步态周期和步态参数，对受试者的步态参数和步态对称性进行量化评分。本步骤中，在得到图6所示的步态参数后，输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态(即躯干对称性)。
作为一种可选的实施例，所述残差神经网络的训练方法可以包括：
步骤S1：利用训练集对ResNet18模型进行训练，得到预训练模型；
步骤S2：对所述预训练模型进行三次参数迁移训练，得到迁移CNN(ConvolutionalNeural Network，卷积神经网络)模型，所述迁移CNN模型即为所述预先训练好的残差神经网络。
具体实施时，残差神经网络训练流程图如图7所示，可以具体如下：
根据选取的步态参数，将有评分结果的697人投入ResNet18模型进行训练。为了避免过拟合的产生，在ResNet18模型的训练中加入迁移学习，并通过增加数据样本量来提高模型的泛化能力，用于模型训练和测试的样本量一共为697人。
1)通过在正式训练之前加入预训练模型来实现参数的迁移，预训练模型训练样本为三次迁移训练中第一次训练所用的537人样本，加载基于ImageNet数据集训练的ResNet18模型，输入537人训练样本的步态参数。
2)主要用于正式训练中的三次迁移训练过程，将在训练集中随机挑选的80人样本分次投入模型进行训练。第一次迁移训练投入样本量为537人，训练时直接加载预训练模型的参数进行初始化，而不使用随机生成参数的方式进行初始化，使得模型能够更快地收敛，训练完成之后保留模型训练的结果，即相应参数值，作为第二次迁移训练的初始化参数；第二次迁移训练时增加40个样本，训练样本达577人，同理，把第二次模型训练完成之后的结果作为参数处置继续带入第三次的迁移训练中；第三次训练再增加40个样本使样本量达到617人，模型训练结束后保留相应参数，并统计各输出最小值(阈值)，三次迁移训练的测试集样本量均为80人且完全相同。迁移CNN模型建好后，将需要评分的相应步态参数输入模型，即得到相应得分输出。
下面结合一个具体的例子对本发明的利用步态评估脊柱侧弯康复状态的方法进行说明。
在该例子中，受试者左右脚X轴坐标变化及坐标斜率变化图如图8所示，其中FootRight_X_P为右脚X轴坐标轨迹，FootLeft_X_P为左脚X轴坐标轨迹，kr为右脚X轴坐标曲线斜率变化，kl为左脚X轴坐标曲线斜率变化。
计算得到的步态参数如下表3和表4所示。
表3步态参数计算结果
表4支撑相时间计算结果
最终，经本发明方法得到的步态对称性得分为：86.7分，说明脊柱侧弯康复相对较好。
准确性评估：受试者穿戴动捕装置，在压力垫上进行相同的步态测试方案，运用动捕系统和压力垫所得测试结果与本发明的方法计算结果进行对比，以动捕设备和压力垫作为标准，本发明的方法在样本对比中准确率为92.8％。
综上，本发明实施例的利用步态评估脊柱侧弯康复状态的方法，首先获取深度摄像头采集的测试者直线行走时的侧面人体图像，然后从所述侧面人体图像中提取测试者的关节标记点的空间坐标数据，之后根据所述空间坐标数据，计算测试者的步态参数，最后将所述步态参数输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态。这样，本发明实施例通过深度摄像头识别测试者直线行走，对多个步态周期进行评估，拆解多个步态参数，利用残差神经网络得到得分，对躯干不对称人群进行量化评分，由于采用了步态对称性和脊柱侧弯评分关联测试的方法且利用多个步态参数评估相对比较全面，准确度高；并且本发明实施例基于视觉识别实现脊柱侧弯康复状态的评估，不受仪器限制，操作简便。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种利用步态评估脊柱侧弯康复状态的方法，其特征在于，包括：
获取深度摄像头采集的测试者直线行走时的侧面人体图像；
从所述侧面人体图像中提取测试者的关节标记点的空间坐标数据；
根据所述空间坐标数据，计算测试者的步态参数，其中所述步态参数包括左脚步速、右脚步速、左脚步幅、右脚步幅、左髋关节屈曲角度、右髋关节屈曲角度、左膝关节屈曲角度、右膝关节屈曲角度、肩髋夹角、左脚支撑相时间占比、右脚支撑相时间占比中的至少两个；
将所述步态参数输入预先训练好的残差神经网络，得到步态对称性得分，所述步态对称性得分即用于评价脊柱侧弯康复状态。
2.根据权利要求1所述的方法，其特征在于，所述测试者的关节标记点包括至少16个标记点，分别为：头、颈、脊柱肩位、左/右肩、左/右肘、左/右腕、骶、左/右髋、左/右膝、左/右踝。
3.根据权利要求1所述的方法，其特征在于，所述根据所述空间坐标数据，计算测试者的步态参数，包括：
根据所述空间坐标数据，计算测试者的双脚重合的时间点及次数；
根据所述次数，计算测试者的单脚的步数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述空间坐标数据，计算测试者的双脚重合的时间点及次数，包括：
根据所述空间坐标数据，计算测试者的左脚X轴坐标和右脚X轴坐标的差值；
记录所述差值为零或相邻差值乘积为负数时的时间点及次数，即得所述双脚重合的时间点及次数。
5.根据权利要求3所述的方法，其特征在于，所述根据所述空间坐标数据，计算测试者的步态参数，包括：
对于测试者的左脚或右脚，分别取能够形成完整步态周期时的步数记为总步数，其中双脚3次重合为一次步态周期；
根据所述总步数对应的时间点和行走路程，计算得到所述左脚步速和右脚步速。
6.根据权利要求3所述的方法，其特征在于，所述根据所述空间坐标数据，计算测试者的步态参数，包括：
对于测试者的左脚或右脚，分别根据对应的行走路程和步数，计算得到每步步长；
计算每步步长的平均值，即得所述左脚步幅和右脚步幅。
7.根据权利要求3所述的方法，其特征在于，所述根据所述空间坐标数据，计算测试者的步态参数，包括：
对于每个步态周期，进行各支撑相时间段划分，其中双脚3次重合为一次步态周期，右脚各支撑相为：AB(ta)前掌离地期，BC(tb)后跟着地期，CO(tc)全掌着地期，OE(td)前掌着地期，EF(te)前掌离地期；左脚各支撑相为：OD(ta)前掌离地期，DE(tb)后跟着地期，EF(tc)全掌着地期，FC(td)前掌着地期，CO(te)前掌离地期；
计算各支撑相占步态周期时间百分比，即得所述左脚支撑相时间占比和右脚支撑相时间占比。
8.根据权利要求7所述的方法，其特征在于，所述对于每个步态周期，进行各支撑相时间段划分，包括：
每个步态周期中，A为首个双脚重合的时间点，F为最后一个双脚重合的时间点；
B为右脚X轴坐标斜率kR开始下降，且左脚X轴坐标斜率kL开始上升的时间点；
C为右脚X轴坐标斜率kR趋近于0或趋于稳定的时间点；
O为第二个双脚重合的时间点；
D为左脚X轴坐标斜率kL趋近于0或趋于稳定的时间点；
E为右脚X轴坐标斜率kR趋近于0或趋于稳定的时间点。
9.根据权利要求1-8中任一所述的方法，其特征在于，所述残差神经网络的训练方法包括：
利用训练集对ResNet18模型进行训练，得到预训练模型；
对所述预训练模型进行三次参数迁移训练，得到迁移CNN模型，所述迁移CNN模型即为所述预先训练好的残差神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311660793.5A CN117653084A (zh) | 2023-12-05 | 2023-12-05 | 利用步态评估脊柱侧弯康复状态的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311660793.5A CN117653084A (zh) | 2023-12-05 | 2023-12-05 | 利用步态评估脊柱侧弯康复状态的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117653084A true CN117653084A (zh) | 2024-03-08 |
Family
ID=90063675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311660793.5A Pending CN117653084A (zh) | 2023-12-05 | 2023-12-05 | 利用步态评估脊柱侧弯康复状态的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117653084A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117898704A (zh) * | 2024-03-20 | 2024-04-19 | 浙江值的医疗科技有限责任公司 | 一种脊椎侧弯监测方法与装置 |
-
2023
- 2023-12-05 CN CN202311660793.5A patent/CN117653084A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117898704A (zh) * | 2024-03-20 | 2024-04-19 | 浙江值的医疗科技有限责任公司 | 一种脊椎侧弯监测方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zulkifley et al. | Squat angle assessment through tracking body movements | |
| US9510789B2 (en) | Motion analysis method | |
| US9826923B2 (en) | Motion analysis method | |
| CN117653084A (zh) | 利用步态评估脊柱侧弯康复状态的方法 | |
| CN111883229B (zh) | 一种基于视觉ai的智能运动指导方法及系统 | |
| CN107115102A (zh) | 一种骨关节功能评估方法与装置 | |
| Hossain et al. | Deepbbwae-net: A cnn-rnn based deep superlearner for estimating lower extremity sagittal plane joint kinematics using shoe-mounted imu sensors in daily living | |
| CN112489762B (zh) | 基于数值模拟的女子举重运动员腰骶关节的生物力学分析方法 | |
| CN113647939A (zh) | 一种针对脊柱退行性疾病的人工智能康复评估与训练系统 | |
| CN112370045A (zh) | 基于人工智能的功能性动作检测方法及系统 | |
| CN112568898A (zh) | 一种基于视觉图像对人体运动动作自动进行伤病风险评估及动作矫正的方法、装置及设备 | |
| US20230355135A1 (en) | Intelligent gait analyzing apparatus | |
| CN115497626A (zh) | 基于关节点识别的身体健康评估方法 | |
| KR102013705B1 (ko) | 승마시뮬레이터에서 사용자 자세 인식 장치 및 방법 | |
| CN115661930A (zh) | 动作评分方法、装置、动作评分设备及存储介质 | |
| CN115337008A (zh) | 人体肌骨健康分析方法和系统、运动指导方法和系统及存储介质 | |
| Huang et al. | Human motion identification for rehabilitation exercise assessment of knee osteoarthritis | |
| US20220296129A1 (en) | Activity monitoring system | |
| Rungsawasdisap et al. | Squat movement recognition using hidden Markov models | |
| Kanungo et al. | Recognizing physiotherapy exercises using machine learning | |
| CN118016241B (zh) | 一种人体运动功能评估与纠正训练方法及系统 | |
| Gupta et al. | Muscle weakness assessment tool for automated therapy selection in elbow rehabilitation | |
| CN114360060B (zh) | 人体动作识别计数方法 | |
| Muramatsu | Study on gait discrimination method by deep learning for biofeedback training optimized for individuals | |
| CN117912682A (zh) | 基于视觉识别的膝关节前交叉韧带评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |