基于AI的无标记步态事件检测在扰动行走中的验证：使用两个相机视角的智能手机视频

　　背景：扰动性平衡训练（Perturbation-Based Balance Training, PBT）需要客观量化反应性踏步反应，但扰动行走中的步态事件检测在方法学上仍具有挑战性。基于智能手机的无标记步态分析（Markerless Smartphone-ba

　　背景：扰动性平衡训练（Perturbation-Based Balance Training, PBT）需要客观量化反应性踏步反应，但扰动行走中的步态事件检测在方法学上仍具有挑战性。基于智能手机的无标记步态分析（Markerless Smartphone-based Gait Analysis）为实验室运动捕捉系统提供了一种可扩展的替代方案，但其在扰动引起的步态不规则性下的鲁棒性尚未得到充分验证。这项包含五名参与者的初步研究（pilot study）探讨了SMARTGAIT无标记运动分析系统在老年人正常和扰动跑步机行走中的有效性，并研究了扰动特异性模型重训练（perturbation-specific model retraining）是否能改善步态事件检测。方法：五名老年参与者（平均年龄83?±?4.47岁；40%女性）在扰动跑步机上行走，同时施加八次意外扰动，包括内侧-外侧（mediolateral）和前后（anteroposterior）位移。研究人员从正面和对角线视角录制智能手机视频，并手动标注步态事件（初始接触（Initial Contact, IC）和最终接触（Final Contact, FC））作为金标准（ground truth）。模型性能通过F1分数（F1 score）、精确率（precision）和召回率（recall）进行评估，容忍窗口为±33?ms。研究人员在扰动片段上使用五折交叉验证（five-fold cross-validation）进行重训练。结果：在2,477个标注步态事件（2,106个正常；371个扰动）中，初始检测性能在扰动行走期间（中位数F1分数：正面0.49；对角线）低于正常行走（中位数F1分数：正面0.68；对角线），尽管p值不显著（正面：p?=?0.10；对角线），但效应量较大。这种下降主要由召回率驱动，而精确率保持较高。对角线相机视角与正面相机视角之间未发现统计学显著差异；然而，较大的效应量（正常行走：r?=?0.87；扰动行走：r?=?1.00）表明相机视角可能影响检测准确性。重训练与正面视角下扰动步态事件检测性能的提高相关（F1分数：0.49 → 0.76，p?=?0.06），主要伴随召回率升高（0.34 → 0.64，p?=?0.06），但在对角线）。结论：这项初步研究为基于智能手机的无标记步态事件检测在扰动诱导行走中的应用提供了概念验证。研究结果进一步支持扰动特异性模型重训练作为将基于AI的步态分析适应于挑战性运动条件的一种可行策略。在临床实施前，需要更大规模的验证研究来确认这些初步发现。

　　**论文解读：基于AI的无标记步态事件检测在扰动行走中的验证——基于智能手机双视角视频的初步研究**

　　老年人跌倒是重大公共卫生问题，约30%的65岁以上老年人每年至少经历一次跌倒，常导致骨折、创伤性脑损伤及功能衰退。行走中遭受意外机械扰动时的反应性平衡控制受损是跌倒风险的核心因素。反应性踏步反应（reactive stepping responses）对于扰动后恢复稳定至关重要，因此扰动性平衡训练（Perturbation-Based Balance Training, PBT）作为针对性干预手段应运而生，旨在改善老年人及神经系统疾病患者的代偿性踏步能力。随机对照试验和系统综述已证实PBT能降低跌倒风险。然而，尽管PBT临床实施日益增多，反应性踏步的客观量化仍存在方法学局限。临床观察缺乏时间精度和评估者间信度；基于实验室的标记点运动捕捉系统虽提供高时间精度，但需专门基础设施、资源密集，不适用于常规临床。这一实验室级测量与临床可行性之间的差距，限制了基于证据的PBT评估的可扩展实施。

　　基于RGB相机和深度学习姿态估计的无标记运动分析（markerless motion analysis）成为有前景的替代方案。近期系统综述表明，在正常行走中，无标记系统在时空步态参数上可达到与标记点系统相当的精度。基于卷积神经网络（CNN）的姿态估计框架在稳态条件下的临床步态分析中已显示出有效性。基于智能手机的方法成本低、可移动、设置要求低，尤其适合临床转化。然而，大多数验证研究聚焦于对称、周期性的未扰动行走。扰动引起的步态反应与稳态行走存在本质差异：代偿性反应常涉及不对称性、足着地模式改变、缩短或中止的步幅以及夸张的上肢运动。这些不规则、非周期性的运动模式对许多步态事件检测模型的算法假设构成挑战，可能损害泛化性能，尤其是当模型主要基于稳态步态数据训练时。因此，稳态行走获得的证据不能直接迁移至扰动性平衡训练场景。目前尚不清楚无标记步态分析系统在此类高度可变且反应性步态条件下是否仍保持有效。

　　因此，在临床整合前，验证基于AI的无标记步态事件检测在扰动跑步机条件下的有效性至关重要。此外，实际因素如相机视角可能因遮挡效应和足-地可见性差异而影响检测鲁棒性。此外，针对性的重训练策略可能改善模型面对扰动引起的分布偏移时的鲁棒性。

　　SMARTGAIT系统结合了三维姿态估计模型（3D Pose Estimation Model, 3D-PEM）和步态周期估计模型（Gait Cycle Estimation Model, GCEM），可从单目智能手机视频中推导出时间步态事件。先前验证已证明其在神经系统疾病患者非扰动行走中的可行性和有效性，但其在扰动性平衡训练中的性能尚未系统评估。

　　本研究旨在验证SMARTGAIT运动分析方法在老年人扰动跑步机行走中的有效性，以帧精确的手动标注为参考标准，并检验相机视角的影响以及扰动特异性模型重训练的潜在益处。具体测试三个预设假设：（1）与正常行走相比，扰动行走期间的检测性能（以F1分数量化）较低；（2）相机视角（正面 vs. 对角线）显著影响分类性能；（3）在扰动片段上的针对性重训练能改善扰动行走期间的F1分数。

　　本研究为横断面初步研究，从AGAPLESION BETHESDA KLINIK ULM跌倒诊所的40名老年患者中随机选取5名参与者（平均年龄83±4.47岁；40%女性），均具有临床记录的平衡障碍，多数在过往12个月内至少跌倒一次。参与者需年龄≥65岁、Charité移动指数（CHARMI?）≥6、能无辅助设备独立行走。实验使用扰动跑步机（BalanceTutor?, MediTouch Ltd., Israel）施加8次意外扰动（前后和侧向位移）。采用两部智能手机（Apple iPhone SE, 3代, 2022年）以33 fps从正面和对角线视角同时录制视频。手动标注步态事件（初始接触IC和最终接触FC）作为金标准。SMARTGAIT系统包含3D-PEM（基于CNN的3D骨骼关键点重建）和GCEM（基于双向长短期记忆网络BiLSTM的帧级IC/FC概率估计）。模型性能通过F1分数、精确率和召回率评估，容忍窗口±33 ms。重训练采用五折留一受试者交叉验证（LOSOCV），仅重训练GCEM最终分类层，冻结前置层，训练20个epoch，使用数据增强。

　　5名参与者完成实验，平均年龄83岁（SD=4.47），Charité移动指数平均9.8，临床衰弱量表（CFS）平均3.0，计时起走测试（TUG）平均15.69 s，表明移动能力下降且跌倒风险增加。共手动标注2,477个步态事件，其中2,106个正常事件，371个扰动事件。

　　与假设一致，两相机视角下扰动行走的检测性能均低于正常行走。正面视角中位数F1分数从正常行走的0.68降至扰动行走的0.49；对角线。该下降主要由VSport体育召回率驱动（正面：0.53→0.34；对角线），而精确率保持高水平（正面0.94；对角线）。所有比较均未达统计显著性（p值0.06-0.10），但效应量较大（秩-双列相关系数r=1.0），表明扰动行走中检测性能一致下降。

　　重训练前，正面与对角线视角在正常行走（中位数F1: 0.68 vs. 0.96, p=0.13）和扰动行走（0.49 vs. 0.88, p=0.06）中均无统计学显著差异。但效应量较大（正常行走r=0.87，扰动行走r=1.00），提示相机视角间存在一致的方向性差异。精确率在两视角下均保持高值，正面视角的较低性能主要由召回率降低导致。

　　重训练后，正面视角的扰动行走F1分数从0.49提升至0.76（中位数差异0.30，p=0.06，r=1.00），召回率从0.34升至0.64，精确率略有下降（0.94→0.89）。对角线），精确率略降（0.98→0.92）。可视化显示重训练后正面视角的预测与标注事件时间对齐改善，尤其在扰动阶段。

　　**讨论部分**：本研究验证了SMARTGAIT无标记运动分析系统在老年PBT患者正常和扰动跑步机行走中检测步态事件的初步有效性。三个预设假设得到部分支持：扰动行走中检测性能下降，主要由召回率驱动；相机视角无显著影响但效应量大，提示对角线视角可能更优；重训练在正面视角显示改善趋势，但在对角线视角变化不大。这些发现为基于智能手机的无标记步态事件检测在扰动行走中的应用提供了概念验证，同时指出当前方法学局限和进一步验证的必要性。讨论指出，检测性能下降在生物力学和方法学上合理，因为扰动诱导的步态反应具有非周期性、不规则特征，挑战了基于稳态步态训练的模型。重训练改善正面视角性能，表明模型适应能力，但需更大样本确认。临床意义在于PBT需要可靠的反应性踏步量化，而无标记系统可能提供可扩展方案，但需优化。研究局限性包括样本量小、单观察者手动标注、无标记点系统对比、帧率较低（33 fps）等。

　　通过将方法学验证与临床相关的扰动场景相结合，本研究为基于无标记的步态事件检测在扰动性平衡训练中的应用提供了概念验证。这项初步研究表明，使用SMARTGAIT的基于智能手机的无标记步态事件检测在老年人扰动跑步机行走中是可行的。检测性能在扰动引起的步态变异性下下降，突显了非稳态条件下步态事件检测的挑战。扰动特异性重训练在性能较低的正面视角中显示出改善趋势，表明针对性模型适应可能增强在挑战性行走条件下的检测性能。虽然在常规临床实施前需要更大规模的验证研究，但当前发现为开发可扩展的基于AI的方法用于评估扰动性平衡训练中的反应性踏步提供了初步证据支持其进一步发展和验证。