[论文解读] Vision-Based Gait Analysis for Senior Care

David Y. Xue, Anin Sayana+8 more|arXiv (Cornell University)|Dec 1, 2018

Gait Recognition and Analysis参考文献 12被引用 13

一句话总结

该论文提出了一种基于视觉的单摄像头系统，用于长期、非侵入性地监测养老院中老年人的步态，以评估其活动能力并检测神经退行性疾病早期征兆。通过动作检测与3D姿态估计，系统从视频中提取步态参数，如速度、步长和不对称性，实现了85%的步态检测准确率和亚秒级的帧级精度，从而实现无需可穿戴传感器的连续临床监测。

ABSTRACT

As the senior population rapidly increases, it is challenging yet crucial to provide effective long-term care for seniors who live at home or in senior care facilities. Smart senior homes, which have gained widespread interest in the healthcare community, have been proposed to improve the well-being of seniors living independently. In particular, non-intrusive, cost-effective sensors placed in these senior homes enable gait characterization, which can provide clinically relevant information including mobility level and early neurodegenerative disease risk. In this paper, we present a method to perform gait analysis from a single camera placed within the home. We show that we can accurately calculate various gait parameters, demonstrating the potential for our system to monitor the long-term gait of seniors and thus aid clinicians in understanding a patient's medical profile.

研究动机与目标

• 仅使用单个摄像头，在养老院中实现连续、被动且无干扰的步态监测。
• 提取临床相关的步态参数，如步态速度、步长和不对称性，以支持长期健康评估。
• 通过长期追踪细微的步态变化，支持帕金森病等神经退行性疾病早期诊断。
• 消除对可穿戴传感器或复杂传感器网络的依赖，降低系统成本，提升在真实环境中的可行性。
• 无缝集成至现有智能家居系统，无需额外硬件。

提出的方法

• 使用预训练的动作检测模型，从连续视频记录中识别行走序列。
• 应用OpenPose进行2D姿态估计，再利用相机内参和外参参数重建3D关节位置。
• 计算xy平面上双脚之间的L2距离，生成随时间变化的足间距曲线。
• 对足间距曲线进行平滑处理，以减少噪声和误报。
• 在平滑后的曲线上检测局部极值（峰值和谷值），以识别步态事件——峰值表示脚掌着地，谷值表示足部中立位。
• 采用基于阈值的误报去除算法，利用极值范围和缩放因子α，以提高检测准确率。

实验结果

研究问题

• RQ1 在真实养老院环境中，单摄像头系统能否准确检测行走活动并提取步态参数？
• RQ2 在无物理传感器的情况下，基于视觉的步态分析在多大程度上可达到与临床或可穿戴系统相当的准确率？
• RQ3 从视频中长期监测步态是否能揭示神经退行性疾病（如帕金森病）的早期指标，如步态不对称性或速度下降？
• RQ4 该系统在面对步态模式差异、摄像头角度变化及家庭环境中的真实噪声时，其鲁棒性如何？
• RQ5 该系统能否在不增加额外硬件的前提下，部署于现有的智能家居基础设施中？

主要发现

• 在UTKinect-Action3D数据集中，系统在正确识别行走序列中步数方面达到了85%的准确率。
• 在UTKinect数据集中，步态检测的平均误差为4.4帧（0.073秒），在Senior Home数据集中为0.125秒。
• Senior Home数据集中的步态速度显著较低（0.164 m/s），而UTKinect数据集中的速度为0.683 m/s，反映出与年龄相关的活动能力下降。
• Senior Home数据集中的老年人步长仅为UTKinect数据集的23%，表明步幅减小。
• 步宽在不同受试者和数据集中保持相对一致，与速度或步长无关。
• 系统成功检测到左右步长不对称性，这是帕金森病等神经退行性疾病已知的早期生物标志物。