一种步态检测方法、系统及设备

技术领域

本发明属于人体健康评估技术领域，特别涉及一种步态检测方法、系统及设备。

背景技术

随着社会老龄化的加剧，步态障碍和认知功能障碍严重威胁着老年人的健康，导致老年人日常生活能力下降，病残率升高，给社会和家庭带来了沉重的医疗负担。根据文献报道，在中国，由于步态障碍导致的跌倒是伤害所致死亡的第4位原因，而在65岁以上的老年人中则为首位致死原因。65岁以上老年人跌倒死亡率男性为49.56/10万，女性为52.80/10万。在美国，每年有30％的65岁以上老年人出现至少1次跌倒，而在80岁以上的老年人群中该比例将超过50％。步态障碍具有多种病因及不同的临床表现，目前缺乏较准确的评估手段。早期发现特定领域的步态功能障碍将有助于建立针对性临床诊疗方案，早期防治。

发明内容

本发明实施例之一，一种基于计算机视觉的智能步态检测方法，用于步态障碍的早期筛查和客观化评价，包括，

设置图像获取装置；

被检测人按照检测要求完成起立和行走动作，包括，自坐位起立，向前直线行走3米，转身后往回沿直线行走，至坐位后再次坐下；

通过所述图像获取装置获取所述被检测人的步态视频；

将所述步态视频输入经过训练的基于卷积神经网络的步态检测模型，先定位识别关节，随后捕捉关节活动，获得人体活动的轨迹，进而获得被检测人的步态特征；

由所述步态检测模型做出被检测人的步态检测结论。

本发明基于计算机视觉的深度学习算法，建立了一体化智能步态评估体系，实现了快速识别异常步态模式，并进行客观多维度评分。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1根据本发明实施例之一的步态检测系统组成示意图。该图表示了处于室内的步态检测数据采集场景。其中，

1——测试者，2——测试者座椅，3——RGB-深度摄像机，4——视频采集电脑终端，5——监视屏幕，6——数据保存处理服务器。

具体实施方式

步态测评方法主要包括体格检查和量表评分，多为定性评估或半定量评估，如步行测试中观察描述受试者的步态特点、记录完成测试的时间和步数，或是如根据平衡和姿势评估量表等对受试者各个评分项目进行逐一详细计分。这些测评方法的准确度都依赖于评估医生的主观临床经验和知识水平，缺乏一定的规范，不同评估者间个体差异较大，重复性差。

现在，有了一些不同的步态测评方法，如可穿戴设备和三维步态分析逐步应用于临床步态定量分析。通过在各个肢体固定传感器，或将传感器内置于鞋垫内，或是将数十万个压力感受器集成在地毯内，经过定量化分析获得精确的步态数据。也可以通过红外摄像技术对粘贴在人体关节处的标记物的运动轨迹进行捕捉，后期对大量图像数据进行三维重建，使得步态分析结果形象化。然而这些用于步态检测的仪器设备大多只能在一定实验室条件下运行，并需要配备相关技术人员以保证设备操作的准确性。通常这些设备造价昂贵，检测费不菲，评估耗时较长，易用性差，在多数医疗机构难以开展。而额外佩戴设备也会加重某些步态障碍的受试者的行走负担，使得评估数据失真。

根据一个或者多个实施例，如图1所示，一体化智能步态体系，包括数据采集端和数据处理端的数据保存以及处理服务器。数据采集端由电脑1台及RGB-深度(RGB-Depth)摄像机1台组成。

RGB-Depth摄像机中RGB摄像头分辨率640×480，帧率30帧/秒，水平视场角63.1°，垂直视场角49.4°；深度摄像头分辨率640×480，帧率30帧/秒，水平视场角58.4°，垂直视场角45.5°，工作距离0.6-8米，精度1m：±3mm。

数据采集场地应为室内3.6米×3.8米空旷平地，有稳定室内光线照射，远离窗户、阳台等室外日光干扰。地面摩擦力适中，不易打滑。在场地3.6米边的一侧放置无扶手木椅一把，椅子前脚连线用标记胶带在地面上作一标记，距离该标记线3米的地面处用标记胶带另作一标记线，两标记线平行。在距3.6米边中点的3.8米处放置高度1.2米的三脚架，其上放置RGB-Depth摄像机。数据采集通过安装在电脑中的客户端调用RGB-Depth摄像机进行记录。

根据计时，起立步行测验，要求受试者自坐位起立，向前直线行走3米，转身后往回沿直线行走，至椅子后再次坐下。每例受试者数据采集完成后，将通过互联网加密上传至数据处理服务器。

数据处理端为数据保存以及处理服务器，通过融合智能算法的芯片技术对步态视频进行准确高效的识别与判断。首先通过基于卷积神经网络的姿势估计算法识别人体骨架特征。人体骨架特征，即人体关节点特征，也就是人体关键点特征。

根据AlphaPose算法设计，SEResnet通过卷积神经网络堆叠从步态视频的每一帧图像中提取人体关键点特征，随后这些特征被输入pixelshuffle层和两个数字上转换模块用于提高图像分辨率。

通过对每一帧图像的特征提取，可以追踪待测视频中的人体关节运动轨迹(头、肩、肘、腕、髋、膝、踝)，第i帧的第k个关节的位置表示为

中值滤波器可以有效消除由关节缺失或左右关节之间偶尔的误识别带来脉冲噪声，平均滤波器可以有效抑制由关节坐标的轻微漂移导致的随机噪声。双阈值触发器根据每个关节在整个步态视频中的周期性上、下阈值触发，检测到关键帧(从0开始计的帧序数)，包括：

站立帧f1、第一次转弯开始帧f2、第一次转弯结束帧f3、第二次转弯开始帧f4、第二次转弯结束帧f5、坐下帧f6，fr指步态视频的帧速度，LAnkle_z指左踝关节的深度坐标，RAnkle_z指右踝关节的深度坐标，提取步态时空参数计算方法见表1。例如，(f3-f2)/fr，帧数差除以帧速度可得转身时间。步态时空参数反映了受试者的步态特征。

将步态时空参数直接作为参数放入分类器。这里，基于有监督学习的分类器，如贝叶斯网络、逻辑回归、支持向量机等训练标签，返回待测数据的步态分类标签。各分类器的精度如表2所示。

表1步态时空参数提取

表2训练各种分类器识别步态分类的效果

这里，精确率指即正确预测为正的占全部预测为正的比例。召回率指正确预测为正的占全部实际为正的比例。

本发明实施例，首先用电脑内的智能客户端调用RGB-Depth摄像头对受试者测评过程进行数据记录，随后受试者步态测试视频通过互联网加密传输至终端服务器，智能芯片根据深度学习算法对数据进行快速分析，包括去噪、识别、特征提取、分类，最后结果数据通过互联网加密传输至原电脑客户端内。

神经功能损害发病率高、危害大，极大程度影响病人的日常生活质量。目前对于神经功能损害的临床评估较为困难：传统方法多耗时耗力，主观性强，缺乏统一的评估标准；新型器械评估多价格昂贵，操作繁琐，评测结果对于非相关专业医生或患者来说较为晦涩。随着现代科学及技术的不断发展，深度学习的方法得到了广泛的应用，人工智能在医疗领域开拓了巨大的前景。通过持续大规模知识图谱构建、识别与推理，深度神经网络序贯学习了不同映射规则以适应复杂变化的动态任务，逐步提高了人工智能模型的解释能力和预测性能，优越的抗干扰能力使其兼具稳定性和鲁棒性。在综合各项传统神经功能评估精准性的基础上，智能化评估不仅减少了时间和人力的浪费，更避免了个体间的评估差异，能有效地对患者进行多维度神经系统功能定量化辅助评估。

本发明的步态和认知功能评估方法，是在传统方法的基础上，通过现代化数据记录技术(视频)采集不同受试者的行为学模式，运用基于深度学习的智能算法进行自动化识别、定量分析和智能判断，在大量数据学习的基础上无需额外配置评估器械，为步态和认知功能的客观定量化问题提供了有效的解决方案。

本发明以深度学习的方法作为基石，在前期数据训练阶段，由三位国内顶级专家医生背靠背对受试者数据进行分类标记，深度神经网络将数据量庞大的图像处理问题不断降维并训练分类。在后期系统运行阶段，智能算法通过分层网络自动获取特征信息并识别分类。

本发明的有益效果包括：

1、筛查步态损害精确度高，一致性好。

2、能获得准确的多维度步态定量指标，有助于临床分级和预后评价。

3、系统操作流程简易无创，智能算法在5分钟内快速回报结果，有助于医生早期临床决策。

4、系统安装方便，易于携带，可应用于基层医院、社区居委和个人家居，有助于亚健康人群的早期步态损害筛查和老年人的跌倒风险警示。

5、系统硬件价格低廉，在有利于医院开展相关检测的同时，也有助于病人减轻医疗成本。

经过实际的使用实践，本发明建立的一体化智能步态评估系统通过学习金标准国内顶级专家医生的神经功能分类标记，其中步态分类与金标准相比准确度达92.57％。在404例受试者的筛查中，其准确度高于二级医院医生和社区医院医生，大大降低了基层非相关专业临床医生对神经功能障碍的漏诊率，同时提高了相关知识的公众关注度，有助于加强科普宣教。

另外，本发明建立的一体化智能步态评估系统通过定量化步态参数进行疾病分类，有助于正常颅压性脑积水——一种隐匿起病的可逆性步态障碍——的早期诊断及正确分型，大大提高了手术治疗有效率。目前已有50例患者经步态筛查后发现存在特征性额叶性步态障碍，结合影像学检查考虑诊断为脑积水，接受脑脊液放液试验联合步态检测评估。在脑脊液放液试验联合步态检测判断有效后接受脑室-腹腔分流手术的12例患者中，手术有效率100％，患者术后步态评估的步态参数如步长、步速等均较术前显著改善，日常生活能力显著恢复。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。