[论文解读] Remote Health Coaching System and Human Motion Data Analysis for Physical Therapy with Microsoft Kinect

Qifei Wang, Gregorij Kurillo+2 more|arXiv (Cornell University)|Dec 21, 2015

Hand Gesture Recognition Systems参考文献 7被引用 13

一句话总结

本论文提出了一种基于 Microsoft Kinect 的远程健康辅导系统，用于物理治疗，通过基于无迹卡尔曼滤波器（UKF）和人体骨骼运动学模型的运动学滤波方法，解决运动数据中的噪声问题。该方法可有效降低关节位置与运动学参数的噪声，实现更平滑、更精确的运动分析，适用于家庭治疗中的实时反馈与临床评估。

ABSTRACT

This paper summarizes the recent progress we have made for the computer vision technologies in physical therapy with the accessible and affordable devices. We first introduce the remote health coaching system we build with Microsoft Kinect. Since the motion data captured by Kinect is noisy, we investigate the data accuracy of Kinect with respect to the high accuracy motion capture system. We also propose an outlier data removal algorithm based on the data distribution. In order to generate the kinematic parameter from the noisy data captured by Kinect, we propose a kinematic filtering algorithm based on Unscented Kalman Filter and the kinematic model of human skeleton. The proposed algorithm can obtain smooth kinematic parameter with reduced noise compared to the kinematic parameter generated from the raw motion data from Kinect.

研究动机与目标

• 开发一种利用低成本消费级传感器（如 Microsoft Kinect）的可及性远程健康辅导系统，用于物理治疗。
• 评估 Kinect 运动数据相对于高精度光学动作捕捉系统（PhaseSpace）的准确性，以确保临床可靠性。
• 解决 Kinect 感知运动数据中的噪声与异常值，特别是由抖动、遮挡和跟踪丢失引起的干扰。
• 利用基于物理的滤波模型，从原始 Kinect 数据中提取平滑、准确的运动学参数（如关节角度、肢体方向）。
• 实现在家庭物理治疗中实时性能评估与反馈，特别针对老年用户。

提出的方法

• 系统使用 Microsoft Kinect 以 20 Hz 的频率实时捕获深度图像与骨骼关节点数据，并与以 120 Hz 运行的 PhaseSpace 光学动作捕捉系统实现时间同步。
• 采用高斯与均匀分布混合模型，检测并移除因 Kinect 跟踪丢失导致的异常数据。
• 构建包含 3-自由度、2-自由度与 1-自由度关节的人体骨骼运动学模型，利用父子关系与变换矩阵，通过公式 (2) 计算关节点位置。
• 应用无迹卡尔曼滤波器（UKF）从噪声较大的 Kinect 数据中估计平滑的运动学参数，状态向量包括根位置、肢体长度及旋转四元数。
• 采用四次传递的 UKF 方法，通过在第二、三次传递中将肢体长度的协方差与过程噪声设为零，强制保持恒定肢体长度，提升约束满足度。
• 观测模型使用运动学函数（公式 2）将状态估计映射为预测的关节点位置，状态转移遵循带有过程噪声的随机游走过程。

实验结果

研究问题

• RQ1 在物理治疗应用中，Microsoft Kinect 的运动追踪精度与高精度光学动作捕捉系统相比如何？
• RQ2 Kinect 感知运动数据中的主要噪声源与异常值是什么？如何有效检测并去除？
• RQ3 基于 UKF 与人体骨骼模型的运动学滤波方法，能否显著降低从原始 Kinect 数据中提取的关节点位置与运动学参数的噪声？
• RQ4 所提出的滤波方法在多大程度上保留了物理治疗动作中人类运动的周期性与生理特性？
• RQ5 经过滤波的运动学参数是否能够支持远程健康辅导系统中可靠的实时性能评估与反馈？

主要发现

• 与 PhaseSpace 系统相比，Kinect 1 和 Kinect 2 在不同关节点与姿势下均表现出显著的关节点位置误差，平均误差范围为 2.5 cm 至 6.5 cm。
• 混合模型能有效识别并移除由跟踪丢失引起的异常数据，显著提升下游分析的数据质量。
• 基于 UKF 的运动学滤波显著改善了关节点角度轨迹的平滑性，尤其在肩部与肘部关节上效果明显，如图 4 所示。
• 滤波后的肢体四元数曲线展现出与运动一致的强周期性模式，表明噪声被有效抑制，运动模式得以成功恢复。
• 四次传递的 UKF 方法成功实现了恒定肢体长度的约束，减少了漂移，提升了估计运动学的解剖学合理性。
• 该系统支持实时性能评估，包括重复次数计数、关节点运动分析与活动范围评估，可为远程治疗提供临床反馈支持。