利用深度相机并考虑测量误差的人体步态变化探索性研究

本研究旨在通过深度相机量化人类行走模式，以（1）检测佩戴运动限制装置或助行器与否时同一人的行走模式变化，并（2）从具有相似身体特征的不同个体中识别各异的行走模式。常用于电子游戏的微软 Kinect 设备被用以提供并跟踪人随时间变化的 25 个不同关节坐标，从而形成人体骨架。随后将多种机器学习（ML）模型应用于来自十名大学年龄受试者的 SE 数据集——五名男性与五名女性。具体而言，ML 模型被用于将受试者分类为两类：正常行走与异常行走（即佩戴运动限制装置）。最佳的 ML 模型（K 近邻）利用 10 折交叉验证达到了 97.3% 的预测准确率。最后，ML 模型被用于分类五种步态条件：正常行走、佩戴踝部支具行走、佩戴前交叉韧带（ACL）支具行走、使用手杖行走以及使用助行器行走。最佳 ML 模型再次为 K 近邻，准确率达 98.7%。