深度学习步态评估模型

无接触高精度评估

使用Bi-LSTM模型，无需穿戴设备即可精准评估步态参数，降低传统评估的不便与主观性。

于金刚 · Peinuan, Qin · 范向民 · 孙伟 · 田丰 · Wang, Dakuo

JMIR Public Health and Surveillance 2023

参数信息

步态分割准确率

93.2 %

步态参数平均误差率

3.17 %

平均精确率

90.54 %

平均召回率

90.41 %

平均F1分数

90.38 %

SVM平均误差率

5.85 %

技术优势

无需穿戴设备

使用普通深度相机采集步态，患者无需佩戴任何额外设备，减少不适和心理负担。

误差率低

Bi-LSTM 模型把步态参数平均误差率降到 3.17%，远低于传统启发式方法的 20.91%。

覆盖全参数

算法能从分割后的步态序列计算所有常见步态参数，为诊断和康复提供全面信息。

客观一致

机器学习自动分析，避免人工量表的主观性和不一致性，结果可重复。

应用场景

• 步态分析：无接触自动计算全部步态参数，替代人工量表。
• 医疗诊断辅助：提供高精度步态报告，辅助医生早期诊断神经退行性疾病。
• 健康监测：利用普通相机即可长期追踪步态变化，监测病情进展。