基于BlazePose和隨機(jī)森林算法的異常步態(tài)檢測(cè)

摘"要：異常步態(tài)對(duì)行動(dòng)能力產(chǎn)生嚴(yán)重影響，因此，及時(shí)、自動(dòng)地檢測(cè)異常步態(tài)具有至關(guān)重要的意義。本文提出了一種基于BlazePose和隨機(jī)森林算法的人體異常步態(tài)檢測(cè)方法。先利用BlazePose算法提取RGB視頻中的人體骨骼關(guān)鍵點(diǎn)，然后通過(guò)數(shù)據(jù)處理獲取7個(gè)關(guān)鍵的步態(tài)特征參數(shù)。最后采用隨機(jī)森林算法作為步態(tài)分類器，用于區(qū)分正常步態(tài)與異常步態(tài)。利用142例異常步態(tài)數(shù)據(jù)和257例正常步態(tài)數(shù)據(jù)對(duì)分類器進(jìn)行訓(xùn)練和測(cè)試評(píng)估，實(shí)驗(yàn)結(jié)果顯示準(zhǔn)確率和召回率分別達(dá)到97.5%和90%，表明該方法在異常步態(tài)檢測(cè)方面具備一定的可行性和實(shí)用價(jià)值。

關(guān)鍵詞：BlazePose；隨機(jī)森林；異常步態(tài)檢測(cè)；數(shù)據(jù)處理

中圖分類號(hào)：TP391.4""""""文獻(xiàn)標(biāo)識(shí)碼：A

Abnormal"Gait"Detection"Based"on"BlazePose"and"Random"Forest

HUANG"Zaorong1，WANG"Chunbao1，2，WEI"Jianjun1，YU"Xueshu1，TAN"Xiaohai1

（1."Guangxi"University"of"Science"and"Technology，"Liuzhou，Guangxi"545616"China;

2.Guangdong"Mingkai"Medical"Robot"Co.，"Ltd.，"Zhuhai，Guangdong"519075，"China）

Abstract：Abnormal"gait"significantly"affects"mobility，"making"timely"and"automatic"detection"of"abnormal"gait"critically"important."This"study"proposes"a"human"abnormal"gait"detection"method"based"on"BlazePose"and"the"random"forest"algorithm."Firstly，"the"BlazePose"algorithm"is"utilized"to"extract"skeletal"keypoints"of"thenbsp;human"body"from"RGB"videos."Next，"seven"key"gait"feature"parameters"are"obtained"through"data"processing."Finally，"the"random"forest"algorithm"is"employed"as"the"gait"classifier"to"differentiate"between"normal"and"abnormal"gaits."The"classifier"is"trained"and"evaluated"using"142"cases"of"abnormal"gait"data"and"257"cases"of"normal""gait"data."Experimental"results"show"an"accuracy"of"97.5%"and"a"recall"rate"of"90%，"indicating"that"the"proposed"method"exhibits"certain"feasibility"and"practical"value"in"the"field"of"abnormal"gait"detection.

Key"words：BlazePose；random"forest；abnormal"gait"detection；data"processing

隨著社會(huì)的不斷發(fā)展，人們對(duì)健康和生活質(zhì)量的關(guān)注度日益增加。然而，許多人由于年齡、疾病、受傷等原因可能出現(xiàn)異常步態(tài)，尤其是老年人。異常步態(tài)往往暗示著身體機(jī)能下降或存在某些病癥，如步態(tài)速度降低可能是認(rèn)知能力下降的前兆[1]，異常步態(tài)與腦血管疾病嚴(yán)重程度相關(guān)[2]等。因此，及時(shí)、自動(dòng)地檢測(cè)人體異常步態(tài)并進(jìn)行進(jìn)一步分析和診斷具有重要意義。

目前，步態(tài)檢測(cè)根據(jù)檢測(cè)設(shè)備主要分為接觸式和非接觸式兩種。接觸式方法利用可穿戴設(shè)備（如慣性傳感器IMU、壓力傳感器、加速度計(jì)等）采集運(yùn)動(dòng)信號(hào)進(jìn)行步態(tài)分析。例如，Vytautas等人[3]通過(guò)在鞋內(nèi)安裝壓力傳感器，分析足部壓力以獲取步速、步長(zhǎng)、足部重量分布和步態(tài)階段的時(shí)間等信息，從而檢測(cè)異常步態(tài)，并實(shí)現(xiàn)了94%的準(zhǔn)確率。然而，這種需要安裝在鞋內(nèi)的傳感器方法在實(shí)際應(yīng)用中存在不便。另外，東京工業(yè)大學(xué)的一項(xiàng)研究[4]表明將IMU綁在小腿上進(jìn)行步態(tài)估計(jì)可以準(zhǔn)確反映多個(gè)空間步態(tài)參數(shù)，如步幅和步速等。但接觸式方法需要將設(shè)備固定在測(cè)試者身上，這增加了醫(yī)務(wù)人員的負(fù)擔(dān)，也可能限制患者的行動(dòng)能力。相比之下，利用攝像頭等非接觸式設(shè)備可以避免這些問(wèn)題。攝像頭主要分為帶深度信息的RGBD攝像頭、普通高清RGB攝像頭和手機(jī)攝像頭，這三類攝像頭在異常步態(tài)檢測(cè)研究中都有涉及。例如，Anthony等人[5]研究了Kinect攝像頭在異常步態(tài)檢測(cè)中的應(yīng)用，結(jié)果顯示識(shí)別成功率約為87%，這個(gè)結(jié)果在臨床環(huán)境中用于診斷與步態(tài)和姿勢(shì)障礙相關(guān)的疾病是可接受的。Wang等人[6]通過(guò)在機(jī)器人上安裝低成本的RGB攝像頭，使用基于視覺(jué)的人體姿態(tài)估計(jì)方法設(shè)計(jì)了一種新型的無(wú)標(biāo)記步態(tài)分析設(shè)備，主要步態(tài)參數(shù)包括內(nèi)翻/外翻和背屈/趾屈。實(shí)驗(yàn)表明，與基于深度相機(jī)或多相機(jī)運(yùn)動(dòng)捕捉系統(tǒng)的方法相比，使用單個(gè)RGB相機(jī)的方法以較小的硬件成本實(shí)現(xiàn)了具有競(jìng)爭(zhēng)力的性能。Aditya等人[7]通過(guò)智能手機(jī)攝像頭創(chuàng)建了基于OpenPose的無(wú)標(biāo)記步態(tài)分析系統(tǒng)（OMGait），使用OMGait測(cè)量了人體在不同照明和服裝條件下的踝關(guān)節(jié)點(diǎn)、膝關(guān)節(jié)點(diǎn)和髖關(guān)節(jié)點(diǎn)的屈伸角度。結(jié)果顯示，該系統(tǒng)足以測(cè)量腳踝、膝蓋和臀部的運(yùn)動(dòng)值，并且比Kinect系統(tǒng)表現(xiàn)更好?？梢?jiàn)，隨著技術(shù)的發(fā)展，普通攝像頭甚至手機(jī)攝像頭在異常步態(tài)檢測(cè)方面具有良好的檢測(cè)效果和成本優(yōu)勢(shì)。

本文采用普通攝像頭的非接觸式方法，提出了一種基于BlazePose的異常步態(tài)檢測(cè)方法，在自然場(chǎng)景下實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證和分析。具體而言，本文利用BlazePose算法提取人體骨骼關(guān)鍵點(diǎn)，并提取步態(tài)參數(shù)，使用隨機(jī)森林算法作為分類器，對(duì)SAILTUG數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證，最終實(shí)現(xiàn)異常步態(tài)的檢測(cè)和分類。本文旨在證明該方法的有效性和實(shí)用性，并探討未來(lái)研究的方向和應(yīng)用前景。

整個(gè)步態(tài)檢測(cè)系統(tǒng)的框架如圖1所示，包括三個(gè)主要步驟：（1）人體骨骼關(guān)鍵點(diǎn)提??；（2）步態(tài)特征參數(shù)提取；（3）步態(tài)分類。

1"相關(guān)工作

1．1"人體姿態(tài)估計(jì)在步態(tài)識(shí)別中的應(yīng)用

人體姿態(tài)估計(jì)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向，并得到了廣泛應(yīng)用，包括動(dòng)作識(shí)別、運(yùn)動(dòng)捕捉、增強(qiáng)現(xiàn)實(shí)以及步態(tài)識(shí)別檢測(cè)等。然而，在步態(tài)識(shí)別中，人體姿態(tài)估計(jì)面臨著諸多挑戰(zhàn)，如人體姿態(tài)變化、噪聲干擾以及實(shí)時(shí)性等問(wèn)題。因此，將人體姿態(tài)估計(jì)應(yīng)用于步態(tài)識(shí)別仍然是一個(gè)具有挑戰(zhàn)性的任務(wù)。

早期的步態(tài)檢測(cè)主要使用預(yù)定義的模型和統(tǒng)計(jì)學(xué)方法來(lái)描述人體步態(tài)，但這些方法往往無(wú)法達(dá)到理想的效果[8]。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，各種算法相繼被提出并得到應(yīng)用發(fā)展，比如DeepPose、CPM、SHN、OpenPose等[9]。這些方法都采用了相似的流程：首先通過(guò)多層卷積和池化操作提取輸入圖像的特征信息，然后通過(guò)一個(gè)或多個(gè)后續(xù)的回歸器或分類器預(yù)測(cè)人體關(guān)鍵點(diǎn)的位置或姿態(tài)。然而，這些算法通常需要大量的計(jì)算資源，并對(duì)硬件有較高的要求。

在2020年，谷歌公司提出了一種名為BlazePose的人體姿態(tài)估計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)[10]，BlazePose融合了熱圖技術(shù)和回歸關(guān)鍵點(diǎn)技術(shù)，具有出色的性能。該方法在中端手機(jī)CPU上的速度比20核電腦CPU上的OpenPose快25～75倍，同時(shí)提供了更多的關(guān)鍵點(diǎn)數(shù)量（達(dá)到33個(gè)）。盡管BlazePose在人體姿態(tài)估計(jì)領(lǐng)域取得了顯著的進(jìn)展，但目前在步態(tài)識(shí)別領(lǐng)域的應(yīng)用研究很少。2022年Liu等人[11]提出了一種基于BlazePose和LSTM（long"short"term"memory）的船員跌倒檢測(cè)方法。該方法通過(guò)BlazePose提取人體關(guān)鍵點(diǎn)信息，并使用LSTM對(duì)相關(guān)特征進(jìn)行分析。實(shí)驗(yàn)證明，該算法檢測(cè)海員跌倒行為的準(zhǔn)確率達(dá)到了100%，在CPU上的檢測(cè)幀率可達(dá)29"fps，滿足實(shí)時(shí)檢測(cè)需求。然而，與這項(xiàng)工作不同的是，我們研究的是異常步態(tài)檢測(cè)問(wèn)題，需要提取更多的關(guān)鍵點(diǎn)信息，并計(jì)算步態(tài)特征。基于此方法在硬件成本及識(shí)別精度與速度上的優(yōu)勢(shì)，本文選擇使用BlazePose算法進(jìn)行人體骨骼關(guān)鍵點(diǎn)提取工作。

1.2"基于攝像頭的異常步態(tài)檢測(cè)

基于攝像頭的異常步態(tài)檢測(cè)是一種非侵入式的方法，通過(guò)從視頻中提取步態(tài)參數(shù)并使用分類器進(jìn)行判斷，可以識(shí)別異常步態(tài)。早在2006年，Stebbins等人[12]就開(kāi)始研究利用攝像頭系統(tǒng)（Vicon）進(jìn)行異常步態(tài)的視覺(jué)識(shí)別，并使用軟件進(jìn)行自動(dòng)評(píng)估異常情況。研究結(jié)果表明，這種方法在臨床上有助于解釋步態(tài)報(bào)告的一致性，并產(chǎn)生更一致的治療建議。

在傳統(tǒng)的人工步態(tài)評(píng)估中，醫(yī)生和治療師通常綜合考慮多種步態(tài)特征和標(biāo)準(zhǔn)，以確定是否存在異常步態(tài)。然而，由于缺乏統(tǒng)一的步態(tài)特征參數(shù)標(biāo)準(zhǔn)來(lái)衡量異常步態(tài)，使評(píng)估結(jié)果具有不一致性。步態(tài)特征參數(shù)分為動(dòng)力學(xué)、運(yùn)動(dòng)學(xué)和時(shí)空參數(shù)三種[13]?；跀z像頭的步態(tài)檢測(cè)主要使用運(yùn)動(dòng)學(xué)和時(shí)空參數(shù)。例如，Nguyen等人[14]提出了一種基于正常步態(tài)模型檢測(cè)異常步態(tài)的方法，從骨骼信息中提取了7個(gè)步態(tài)運(yùn)動(dòng)學(xué)參數(shù)，如左髖角、右髖角、左膝角和右膝角等，總體準(zhǔn)確率達(dá)到90.12%。Ye等人[15]在完整的步態(tài)周期中提取了12個(gè)步態(tài)參數(shù)，包括足距比、膝角比等，并使用多種分類算法進(jìn)行分類，發(fā)現(xiàn)NARXNN算法效果最好。Wang等人[16]在步態(tài)參數(shù)提取器中定義了9個(gè)步態(tài)參數(shù)，包括站立時(shí)間、步長(zhǎng)、速度、左髖屈曲等，使用SVM算法作為分類器，并發(fā)現(xiàn)僅使用其中4個(gè)參數(shù)的組合效果比使用全部9個(gè)參數(shù)更好。

異常步態(tài)分類算法分為基于機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)兩類?；跈C(jī)器學(xué)習(xí)的步態(tài)分類算法主要包括支持向量機(jī)（SVM）、隨機(jī)森林（RF）和K最近鄰（KNN）等算法。而基于深度學(xué)習(xí)的步態(tài)算法主要涵蓋卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等算法。Khokhlova等人[17]采用骨骼關(guān)節(jié)方向數(shù)據(jù)計(jì)算步態(tài)運(yùn)動(dòng)學(xué)參數(shù)，并設(shè)計(jì)了一個(gè)LSTM集成模型來(lái)創(chuàng)建無(wú)監(jiān)督的步態(tài)分類器，取得了良好的效果。Chen等人[18]使用不同的分類器（包括SVM、KNN和RF）對(duì)提出的骨關(guān)節(jié)炎異常步態(tài)混合預(yù)測(cè)模型進(jìn)行分類，發(fā)現(xiàn)SVM具有最佳的分類效果，準(zhǔn)確率高達(dá)98.77%。Luo等人[19]基于隨機(jī)森林對(duì)正常步態(tài)與偏癱步態(tài)進(jìn)行分類，分析了步幅和步速等步態(tài)特征對(duì)偏癱分類的重要性，并取得了90.65%"的平均分類準(zhǔn)確率。由于隨機(jī)森林分類算法具有高準(zhǔn)確率和抗過(guò)擬合，以及可以對(duì)特征進(jìn)行重要性分析的特點(diǎn)[20]，分類任務(wù)將使用隨機(jī)森林算法進(jìn)行。

2"人體骨骼關(guān)鍵點(diǎn)提取和數(shù)據(jù)預(yù)處理

2．1"人體骨骼關(guān)鍵點(diǎn)提取

此任務(wù)將采用BlazePose網(wǎng)絡(luò)來(lái)提取人體關(guān)鍵點(diǎn)信息。BlazePose是一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，推理過(guò)程中包含一個(gè)人體姿態(tài)檢測(cè)器和一個(gè)姿態(tài)跟蹤器（如圖2）。姿態(tài)跟蹤器預(yù)測(cè)關(guān)鍵點(diǎn)坐標(biāo)、當(dāng)前幀上的人的存在，以及當(dāng)前幀的感興趣區(qū)域。當(dāng)跟蹤器指示沒(méi)有人存在時(shí)，在下一幀上重新運(yùn)行檢測(cè)器網(wǎng)絡(luò)。這樣可以使網(wǎng)絡(luò)在手機(jī)等設(shè)備上的運(yùn)行更加輕量級(jí)。

BlazePose網(wǎng)絡(luò)的訓(xùn)練過(guò)程主要包括關(guān)鍵點(diǎn)檢測(cè)和關(guān)鍵點(diǎn)回歸兩個(gè)部分。在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，采用了熱圖、偏移量和回歸相結(jié)合的方法來(lái)訓(xùn)練整個(gè)網(wǎng)絡(luò)。這一方法對(duì)應(yīng)于圖3中的熱圖（左）、偏移量（中）和回歸（右）。

BlazePose網(wǎng)絡(luò)在訓(xùn)練過(guò)程中首先利用熱圖和偏移量進(jìn)行訓(xùn)練。在回歸訓(xùn)練階段，網(wǎng)絡(luò)截?cái)嗔藞D3（左）的輸出分支。這種截?cái)嗖僮骷扔行У乩昧藷釄D來(lái)監(jiān)督訓(xùn)練過(guò)程，又在不損失準(zhǔn)確率的情況下提高了整個(gè)網(wǎng)絡(luò)的推理速度。相較于COCO"Pose的17個(gè)人體關(guān)鍵點(diǎn)，BlazePose人體關(guān)鍵點(diǎn)提取網(wǎng)絡(luò)為每個(gè)人體預(yù)測(cè)了33個(gè)關(guān)鍵點(diǎn)（包括置信度）。這些關(guān)鍵點(diǎn)的拓?fù)浣Y(jié)構(gòu)和效果如圖4所示。與OpenPose和Kinect的拓?fù)浣Y(jié)構(gòu)相比，BlazePose僅利用面部、手和足部上最小數(shù)量的關(guān)鍵點(diǎn)來(lái)估計(jì)后續(xù)模型感興趣區(qū)域的旋轉(zhuǎn)、大小和位置。通過(guò)獲取更豐富的語(yǔ)義特征，本研究確保了步態(tài)參數(shù)的選擇多樣性。

2.2"數(shù)據(jù)預(yù)處理

在進(jìn)行姿態(tài)估計(jì)任務(wù)時(shí)，從攝像頭或傳感器獲取的原始數(shù)據(jù)通常會(huì)受到多種干擾因素的影響，例如噪聲和抖動(dòng)。這些因素會(huì)降低數(shù)據(jù)的準(zhǔn)確率和精度。為了解決這個(gè)問(wèn)題，采用了一種常用的非線性數(shù)字信號(hào)處理方法，即中值濾波（median"filter），用于去除圖像和信號(hào)中的異常值。中值濾波的原理是對(duì)信號(hào)的每個(gè)采樣點(diǎn)周?chē)囊欢螀^(qū)域（例如一個(gè)平滑窗口）內(nèi)的所有數(shù)值進(jìn)行排序，并將其中位數(shù)作為該點(diǎn)的新值。中值濾波能有效地消除不同類型的噪聲，如椒鹽噪聲和高斯噪聲，而不會(huì)破壞信號(hào)中的邊緣和細(xì)節(jié)。在實(shí)驗(yàn)中觀察到關(guān)鍵點(diǎn)的x坐標(biāo)和y坐標(biāo)的值變化幅度不同，因此不宜采用相同的平滑窗口大小?；诮?jīng)驗(yàn)，為不同的關(guān)鍵點(diǎn)的x坐標(biāo)和y坐標(biāo)選擇了不同的平滑窗口大小。以RAnkle_x（右腳踝的x坐標(biāo)）和RAnkle_y（右腳踝的y坐標(biāo)）為例，圖5展示了中值濾波的效果，其中RAnkle_x（y）曲線代表BlazePose識(shí)別出的右腳踝關(guān)鍵點(diǎn)的x（y）坐標(biāo)，其余兩條曲線表示濾波后的數(shù)據(jù)。RAnkle_x_smooth平滑窗口為15，RAnkle_y_smooth平滑窗口為3。請(qǐng)注意，在此圖中，曲線的數(shù)據(jù)點(diǎn)每15個(gè)顯示一個(gè)，并在濾波后曲線上做了一個(gè)小的負(fù)垂直偏移，以便清楚地顯示和比較。

3"步態(tài)參數(shù)提取

3．1"參數(shù)選擇與數(shù)據(jù)處理

根據(jù)先前的研究，結(jié)合異常步態(tài)形態(tài)提出了7個(gè)步態(tài)特征參數(shù)作為人體步態(tài)狀態(tài)的指標(biāo)。這些參數(shù)包括左步幅與左腿長(zhǎng)之比、右步幅與右腿長(zhǎng)之比、左髖屈曲角度、右髖屈曲角度、左膝屈曲角度、右膝屈曲角度和步數(shù)。將這些參數(shù)編號(hào)為G1～G7，并在表1中進(jìn)行詳細(xì)的描述。

在步態(tài)臨床研究中，由于需要正式許可和特殊實(shí)驗(yàn)室設(shè)置，以及難以接觸臨床環(huán)境，導(dǎo)致可用的異常步態(tài)評(píng)估數(shù)據(jù)集非常有限。然而，Wang等人[16]在臨床環(huán)境中收集了404名受試者進(jìn)行TUG（timed"upandgo）測(cè)試的視頻，我們將該視頻數(shù)據(jù)作為異常步態(tài)檢測(cè)的數(shù)據(jù)來(lái)源，并驗(yàn)證步態(tài)檢測(cè)方法的可靠性。

該數(shù)據(jù)集中的受試者需要完成TUG測(cè)試，其中包括從坐到站起、3米步行、轉(zhuǎn)身、3米步行向后、再次坐下這五個(gè)動(dòng)作。由于提出的步態(tài)參數(shù)只需關(guān)注步行過(guò)程，因此，在使用BlazePose識(shí)別人體關(guān)鍵點(diǎn)并進(jìn)行數(shù)據(jù)處理后，需要識(shí)別出開(kāi)始步行、結(jié)束步行、開(kāi)始步行向后、結(jié)束步行向后這四個(gè)時(shí)間點(diǎn)。為了準(zhǔn)確分割步態(tài)階段，選擇了具有明顯數(shù)據(jù)變化的踝關(guān)節(jié)關(guān)鍵點(diǎn)的數(shù)據(jù)作為分割依據(jù)。

由于攝像頭從側(cè)面拍攝受試者，在行走過(guò)程中，遠(yuǎn)離攝像頭的腳的部分會(huì)被另一只腳遮擋，導(dǎo)致腳相關(guān)關(guān)鍵點(diǎn)的識(shí)別精度較低。為提高數(shù)據(jù)準(zhǔn)確率，在計(jì)算步態(tài)參數(shù)時(shí)，只考慮相對(duì)于攝像頭較近的腳的數(shù)據(jù)。例如，計(jì)算右步幅時(shí)只考慮受試者從左向右行走時(shí)右腳關(guān)鍵點(diǎn)的數(shù)據(jù)。根據(jù)數(shù)據(jù)預(yù)處理的結(jié)果，對(duì)踝關(guān)節(jié)關(guān)鍵點(diǎn)的數(shù)據(jù)進(jìn)行進(jìn)一步處理。以右踝關(guān)節(jié)點(diǎn)為例，首先由式（1）得到數(shù)據(jù)曲線的斜率。

ki="（yi+1-yi－1）/（xi+1-xi－1）"（1）

式中，ki為該點(diǎn)的斜率；i為該點(diǎn)的索引；x和y分別為數(shù)據(jù)點(diǎn)的橫縱坐標(biāo)。

然后由式（2）對(duì)斜率進(jìn)行閾值處理以消除異常數(shù)據(jù)的影響。根據(jù)經(jīng)驗(yàn)選擇閾值為0.5。

ti=0，kilt;0.5

1，ki≥0.5（2）

式中，ti為該點(diǎn)進(jìn)行閾值處理后的值。

對(duì)于左腳踝關(guān)節(jié)點(diǎn)，則取閾值為-0.5。如圖6所示，閾值處理后的曲線中有5個(gè)大于閾值的波段，但其中有2個(gè)明顯不屬于步行過(guò)程，需要去除。通過(guò)波段寬度的大小來(lái)進(jìn)行判斷，根據(jù)實(shí)驗(yàn)結(jié)果選擇寬度閾值為5，由式（3）得到Pi。

Pi=0，n≤5

ti，ngt;5（3）

式中，Pi為該點(diǎn)信號(hào)判斷處理后的值；n表示波段寬度大小。

左踝關(guān)節(jié)點(diǎn)的處理方式相同。通過(guò)這些處理步驟可以確定TUG測(cè)試的5個(gè)階段中步行階段的開(kāi)始和結(jié)束。當(dāng)數(shù)據(jù)值從0變?yōu)?時(shí)，表示開(kāi)始邁步；當(dāng)數(shù)據(jù)值從1變?yōu)?時(shí)，表示邁步結(jié)束。右步幅的數(shù)量可以由波段的數(shù)量表示。例如在圖6（在此圖中，曲線的數(shù)據(jù)點(diǎn)每15個(gè)顯示一個(gè)，并在閾值處理1和閾值處理2曲線上做了一個(gè)小的負(fù)垂直偏移，以便更清楚地顯示和比較）的閾值處理2曲線上，有3個(gè)波段，因此可以得到3個(gè)右步幅參數(shù)。這個(gè)信號(hào)檢測(cè)過(guò)程在后續(xù)步態(tài)參數(shù)計(jì)算中非常重要。

在得到步行階段之后，使用以下方法在其中提取G1～G7共7個(gè)參數(shù)。圖7直觀顯示了一個(gè)右步幅階段的相關(guān)參數(shù)。其中LR1、LR（H-K）、LR（K-A）、LR（H-S）分別表示右步幅長(zhǎng)度、大腿長(zhǎng)度、小腿長(zhǎng)度、肩部到髖關(guān)節(jié)的長(zhǎng)度。θRH、θRK分別表示右髖屈曲角度、右膝屈曲角度。請(qǐng)注意，在此圖中，相機(jī)位于拍攝對(duì)象的右側(cè)。因此，提取右腳相關(guān)關(guān)鍵點(diǎn)。

3．2"參數(shù)計(jì)算

3.2.1"G1和G2

G1是在受試者從右向左行走時(shí)由式（4）求得，G2是在受試者從左向右行走時(shí)由式（5）求得。腿長(zhǎng)由兩段長(zhǎng)度（髖關(guān)節(jié)到膝關(guān)節(jié)、膝關(guān)節(jié)到踝關(guān)節(jié)的長(zhǎng)度）相加得到，為減小誤差，這兩個(gè)數(shù)據(jù)在單個(gè)步幅階段中每幀計(jì)算得到后通過(guò)取眾數(shù)的方法求得。而單個(gè)步幅由一個(gè)步幅階段中的邁步起始點(diǎn)與邁步結(jié)束點(diǎn)兩點(diǎn)之間的歐式距離求得，以右步幅為例，可由式（6）求得。

G1=L左步幅L左腿長(zhǎng)=LL1+LL2+…·+LLn/n左LL（H-K）+LL（K-A）"（4）

G2=L右步幅L右腿長(zhǎng)=LR1+LR2+…+LRn/n右LR（H-K）+LR（K-A）""（5）

式中，LLn（LRn）表示第n個(gè)左（右）步幅數(shù)據(jù)；LL（H-K）（LR（H-K））表示左（右）腳髖關(guān)節(jié)點(diǎn)與膝關(guān)節(jié)點(diǎn)的長(zhǎng)度；LL（K-A）（LR（K-A））表示左（右）腳膝關(guān)節(jié)點(diǎn)與踝關(guān)節(jié)點(diǎn)的長(zhǎng)度。

LRi=

RAxi-RAxi-12+RAyi-RAyi-12"（6）

式中，LRi表示右步幅長(zhǎng)度；RAx和RAy分別表示右腳踝關(guān)節(jié)點(diǎn)x和y的位置。

3.2.2"G3和G4

與前兩個(gè)參數(shù)一樣，G3是受試者從右向左行走時(shí)提取的，G4是受試者從左向右行走時(shí)提取的。并直接取序列的最大差值，如式（7）和式（8）所示。而具體的角度計(jì)算根據(jù)余弦定理求得，以右腳髖關(guān)節(jié)屈曲角度為例，由式（9）求得。

G3=θLHmax"-θLHmin"（7）

G4=θRHmax"-θRHmin""（8）

式中，θLHmax和θLHmin分別表示左腳髖關(guān)節(jié)屈曲最大和最小角度；θRHmax和θRHmin分別表示右腳髖關(guān)節(jié)屈曲最大和最小角度。

θRH=arcosL2R（H-K）+L2R（H-S）-L2R（S-K）

2×LR（H-K）×LR（H-S）（9）

式中，LR（H-K）、LR（H-S）和LR（S-K）分別表示右腳髖關(guān)節(jié)到膝關(guān)節(jié)的距離；髖關(guān)節(jié)到肩關(guān)節(jié)的距離和肩關(guān)節(jié)到膝關(guān)節(jié)的距離。

3.2.3"G5和G6

計(jì)算方法與G3和G4類似，如式（10）～式（12）所示。

G5=θLKmax"-θLKmin""（10）

G6=θRKmax"-θRKmin""（11）

式中，θLKmax和θLKmin分別表示左腳膝關(guān)節(jié)屈曲最大和最小角度；θRHmax和θRHmin表示右腳膝關(guān)節(jié)屈曲最大和最小角度。

θRK=arcosL2R（H-K）+L2R（K-A）-L2R（H-A）

2×LR（H-K）×LR（K-A）（12）

式中，LR（H-K）、LR（K-A）和LR（H-A）分別表示右腳髖關(guān)節(jié)到膝關(guān)節(jié)的距離、膝關(guān)節(jié)到踝關(guān)節(jié)的距離和髖關(guān)節(jié)到踝關(guān)節(jié)的距離。

3.2.4"G7

一個(gè)步幅表示走了兩步，所以步數(shù)可由左步幅和右步幅得到，如式（13）。

G7=2×G1+G2"（13）

4"步態(tài)分類

首先對(duì)數(shù)據(jù)集中的404個(gè)視頻樣本進(jìn)行詳細(xì)分析，剔除5個(gè)燈光閃爍或測(cè)試者未按規(guī)定路徑行走的樣本，得到399個(gè)符合要求的視頻樣本，其中異常與正常步態(tài)的數(shù)量分別為142和257。通過(guò)對(duì)樣本進(jìn)行步態(tài)特征參數(shù)的提取工作，得到一個(gè)包含399組步態(tài)特征參數(shù)的集合，記為P={P1，P2，…，Pk};Pk=（G1，G2，G3，G4，G5，G6，G7，n），其中k∈[1，399]，n=0或1。這對(duì)應(yīng)于異常和正常兩個(gè)類別。

隨機(jī)森林是一種集成學(xué)習(xí)算法[21]。它通過(guò)構(gòu)建多個(gè)決策樹(shù)進(jìn)行預(yù)測(cè)，并通過(guò)投票來(lái)集成它們的預(yù)測(cè)結(jié)果。該算法會(huì)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行隨機(jī)采樣，同時(shí)隨機(jī)選擇特征，從而降低過(guò)擬合的風(fēng)險(xiǎn)，提高預(yù)測(cè)的準(zhǔn)確率和穩(wěn)定性。

為了解各個(gè)參數(shù)對(duì)分類結(jié)果的貢獻(xiàn)程度，使用隨機(jī)森林算法對(duì)特征參數(shù)集合P進(jìn)行特征權(quán)重計(jì)算，結(jié)果如圖8所示。參數(shù)G7對(duì)分類的貢獻(xiàn)率最高，達(dá)到了31.7%，而參數(shù)G3的貢獻(xiàn)率僅為5.3%。這說(shuō)明步數(shù)（由參數(shù)G7表示）在分類任務(wù)中起到了重要作用，也間接驗(yàn)證了在固定距離內(nèi)行走的步數(shù)可以作為判斷步態(tài)異常的重要指標(biāo)。

分類評(píng)估指標(biāo)包括準(zhǔn)確率（accuracy）、召回率（recall）和AUROC（area"under"the"receiver"operating"characteristic"curve）。準(zhǔn)確率是指模型正確分類的樣本數(shù)占總樣本數(shù)的比例［如式（14）］。召回率是指在所有實(shí)際為正例的樣本中，被模型正確預(yù)測(cè)為正例的樣本所占的比例［如式（15）］。召回率衡量了模型對(duì)正例樣本的覆蓋能力。AUROC是ROC曲線下的面積，其取值范圍在0到1之間。它是評(píng)估二分類模型性能的指標(biāo)之一，用于衡量模型在不同閾值下分類的整體性能。

Accuracy=TP+TNTP+FP+FN+TN×100%（14）

Recall=TPTP+FN×100%（15）

為了評(píng)估不同步態(tài)特征參數(shù)對(duì)分類效果的貢獻(xiàn)，對(duì)這些參數(shù)進(jìn)行組合處理，并使用隨機(jī)森林分類器進(jìn)行評(píng)估?？偣灿?個(gè)參數(shù)，因此可以得到27=128種不同的參數(shù)組合。得到的評(píng)估結(jié)果如圖9所示（按照準(zhǔn)確率從高到低排列，每2個(gè)參數(shù)組合數(shù)據(jù)只顯示1個(gè)，以便清楚地顯示）。準(zhǔn)確率范圍在0.575至0.975之間，召回率范圍在0.2至0.9之間。這表明不同的參數(shù)組合對(duì)分類效果有著顯著影響，合理的步態(tài)參數(shù)組合可以得到較好的分類結(jié)果。

本文在采用隨機(jī)森林算法的同時(shí)，添加決策樹(shù)（DT）[22]、K最近鄰（KNN）[23]、邏輯回歸（LR）[24]、樸素貝葉斯（NB）[25]、隨機(jī)梯度下降（SGD）[26]、支持向量機(jī)（SVM）[27]等先進(jìn)分類算法對(duì)步態(tài)進(jìn)行分類識(shí)別。在每次訓(xùn)練過(guò)程中將訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)按照8∶2的比例進(jìn)行隨機(jī)拆分。實(shí)驗(yàn)結(jié)果顯示在表2中，可以觀察到，隨機(jī)森林算法展現(xiàn)出最佳的分類效果，其準(zhǔn)確率達(dá)到97.5%，召回率為90%，AUROC為0.92。這表明隨機(jī)森林分類器在該問(wèn)題上具有較好的分類性能。

5"結(jié)"論

本文提出了一種基于BlazePose和隨機(jī)森林算法的異常步態(tài)檢測(cè)方法，利用BlazePose算法進(jìn)行人體骨骼關(guān)鍵點(diǎn)提取。提取了7個(gè)步態(tài)特征參數(shù)并進(jìn)行計(jì)算。利用隨機(jī)森林算法對(duì)SAILTUG數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文的方法能夠有效地檢測(cè)出正常與異常步態(tài)，并具有較高的準(zhǔn)確率、召回率和AUROC值。這驗(yàn)證了該方法在步態(tài)識(shí)別檢測(cè)中的可行性。

通過(guò)與多種分類算法進(jìn)行比較，發(fā)現(xiàn)隨機(jī)森林算法在本方法中表現(xiàn)最佳。這為進(jìn)一步改進(jìn)和優(yōu)化步態(tài)異常檢測(cè)模型提供了有益的參考。此外也對(duì)不同步態(tài)特征參數(shù)的組合進(jìn)行了評(píng)估，發(fā)現(xiàn)不同的參數(shù)組合對(duì)分類效果產(chǎn)生較大影響。特別是步數(shù)這一參數(shù)在分類任務(wù)中起到了重要作用，可以作為判斷步態(tài)異常的重要指標(biāo)之一。

未來(lái)的研究可以探索優(yōu)化算法和模型，對(duì)步態(tài)參數(shù)進(jìn)行更深入的分析，以進(jìn)一步提升步態(tài)異常檢測(cè)的性能和精確度。此外，可以將異常步態(tài)檢測(cè)應(yīng)用于更廣泛的領(lǐng)域，如醫(yī)療和運(yùn)動(dòng)康復(fù)等，以促進(jìn)健康管理和康復(fù)治療的發(fā)展。

參考文獻(xiàn)

［１］"COHEN"A"J，VERGHESE"J，ZWERLING"L"J."Cognition"and"gait"in"older"people[J]."Maturitas，2016，93：73-77.

［2］"SHARMA"B，WANG"Meng，MCCREARY"C"R，et"al."Gait"and"falls"in"cerebral"small"vessel"disease："a"systematic"review"and"metaanalysis[J]."Age"and"ageing，2023，52（3）：1-12.

［3］"VYTAUTAS"B，ANDRIUS"D，JUSTE"R，et"al."Wearable"feet"pressure"sensor"for"human"gait"and"falling"diagnosis[J]."Sensors，2021，21（15）：5240-5252.

［4］"MAO"Yufeng，TAIKI""O，HIROKI""O，et"al."Estimation"of"stridebystride"spatial"gait"parameters"using"inertial"measurement"unit"attached"to"the"shank"with"inverted"pendulummodel[J]."Scientific"Reports，2021，11（1）：1-10.

［5］"ANTHONY"B，KONSTANTINOS"B，MAYSAM"A."A"review"on"the"use"of"microsoft"kinect"for"gait"abnormality"and"postural"disorder"assessment[J]."Journal"of"healthcare"engineering，2021，2021：1-19.

［6］"WANG"Ziyang，F(xiàn)ANI"D，IRINA"V，et"al."A"single"RGB"camera"based"gait"analysis"with"a"mobile"telerobot"for"healthcare[J]."Annual"International"Conference"of"the"IEEE"Engineering"in"Medicine"and"Biology"Society，2021，2021：6933-6936.

［7］"ADITYA"V，VENKATESWARAN"R，TATHAGATA"R，et"al."Development"of"a"robust，simple，and"affordable""human"gait"analysis"system"using"bottomup"pose"estimation"with"a"smartphone"camera[J]."Frontiers"in"Physiology，2022，12：784-865.

［8］"TAFAZZOLI"F，SAFABAKHSH"R."Modelbased"human"gait"recognition"using"leg"and"arm"movements[J]."Engineering"Applications"of"Artificial"Intelligence，2010，23（8）：1237-1246.

［9］"曹曉瑜，夏端峰.基于深度學(xué)習(xí)的人體姿態(tài)估計(jì)方法綜述[J].現(xiàn)代信息科技，2022，6（23）：1-6.

［10］BAZAREVSKY"V，GRISHCHENKO"I，RAVEENDRAN"K，et"al."BlazePose：ondevice"realtime"body"pose"tracking[J].2020.DOI：10.48550/arXiv.2006.10204.

［11］LIU"Wei，LIU"Xu，HU"Yuan，et"al."Fall"detection"for"shipboard"seafarers"based"on"optimized"BlazePose"and"LSTM[J]."Sensors，2022，22（14）：5449-5467.

［12］STEBBIN"J，PITT"T，THEOLOGIS"T."Objective"identification"of"gait"abnormalities[J]."Gait"amp;"Posture，2006，24：47-49.

［13］田皓宇，馬昕，李貽斌.基于骨架信息的異常步態(tài)識(shí)別方法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2022，52（4）：725-737.

［14］NGUYEN"T"N，HUYNH"H"H，MEUNIER"J，et"al."Skeletonbased"abnormal"gait"detection[J]."Sensors，2016.16（11）：1792-1805.

［15］YE"Minxiang，YANG"Cheng，VLADIMIR"S，et"al."Distinct"feature"extraction"for"videobased"gait"phase"classification[J]."IEEE"Transactions"on"Multimedia，2019.22（5）：1113-1125.

［16］WANG"Yanhong，ZOU"Qiaosha，TANG"Yanmin，et"al."Sail：a"deeplearningbased"system"for"automatic"gait""assessment"from"TUG"videos[J]."IEEE"Transactions"on"HumanMachine"Systems，2022，52（1）：110-122.

［17］KHOKHLOVA"M，MIGNIOT"C，MOROZOV"A，et"al."Normal"and"pathological"gait"classification"LSTM"model[J]."Artif"IntellMed，2019，94：54-66.

［18］CHEN"Fang，CUI"Xiwen，ZHAO"Zhe，et"al."Gait"Acquisition"and"analysis"system"for"osteoarthritis"based"on"hybrid"Prediction"Model[J]."Computerized"Medical"Imaging"and"Graphics，2020，85：1-11.

［19］LUO"Guoliang，ZHU"Yean，WANG"Rui，et"al."Random"forest"based"classification"and"analysis"of"hemiplegiagait"using"lowcost"depth"cameras[J].Medical"amp;"Biological"Engineering"amp;"Computing，2020，58（2）：373-382.

［20］呂紅燕，馮倩.隨機(jī)森林算法研究綜述[J].河北省科學(xué)院學(xué)報(bào)，2019，36（3）：37-41.

［21］HO"T"K."Random"decision"forests[J]."IEEE"Computer"Society，1995（1）：278-282.

［22］QUINLAN"J"R."Induction"of"decision"trees[J]."Machine"Learning，1986，1（1）：81-106.

［23］ALTMAN"N"S."An"introduction"to"kernel"and"nearest"neighbor"nonparametric"regression[J].The"American"Statistician，1992，46（3）：175-185.

［24］WALKER"S"H，DUNCAN"D"B."Estimation"of"the"probability"of"an"event"as"a"function"of"several"independent"variables[J]."Biometrika，1967，54（1-2）：167-179.

［25］MARON"M"E."Automatic"indexing："an"experimental"inquiry[J]."Journal"of"the"Acm，1961，8（3）：404-417.

［26］MONRO"R"S."A"stochastic"approximation"method[J]."Annals"of"Mathematical"Statistics，1951，22（3）：400-407.

［27］CORTES"C，VAPNIK"V."Supportvector"networks[J]."Machine"Learning，1995，20（3）：273-297.