無(wú)形之手：追蹤人體動(dòng)作的智能技術(shù)與醫(yī)療前沿的革命性結(jié)合

在醫(yī)療技術(shù)的浩瀚海洋中，一種不需貼片標(biāo)記就能捕捉人體動(dòng)作的新興技術(shù)正悄然改變著傳統(tǒng)醫(yī)療模式。它如同＂無(wú)形之手＂，通過(guò)智能算法追蹤人體關(guān)節(jié)，為醫(yī)生提供精準(zhǔn)的動(dòng)作分析數(shù)據(jù)。這項(xiàng)名為＂無(wú)標(biāo)記人體姿態(tài)估計(jì)＂的技術(shù)，正以其便捷性、低成本和廣泛適用性，逐步推動(dòng)醫(yī)療診斷從醫(yī)院走向家庭。它能幫助評(píng)估嬰兒運(yùn)動(dòng)發(fā)育，輔助神經(jīng)肌肉康復(fù)，分析步態(tài)和姿勢(shì)異常。當(dāng)傳統(tǒng)的標(biāo)記式動(dòng)作捕捉系統(tǒng)因復(fù)雜設(shè)備和專(zhuān)業(yè)人員需求而受限時(shí)，這一技術(shù)為遠(yuǎn)程醫(yī)療打開(kāi)了新的可能性窗口。

動(dòng)作捕捉新紀(jì)元

人體動(dòng)作包含著海量的身體和大腦狀態(tài)信息，這也是為何運(yùn)動(dòng)科學(xué)成為一門(mén)專(zhuān)門(mén)的研究領(lǐng)域。從日常生活到醫(yī)療應(yīng)用，人們出于各種目的分析自己或他人的動(dòng)作：鄰居間的非言語(yǔ)交流，運(yùn)動(dòng)教練優(yōu)化運(yùn)動(dòng)員表現(xiàn)，物理治療師評(píng)估患者康復(fù)進(jìn)展。

傳統(tǒng)的動(dòng)作捕捉系統(tǒng)，被稱(chēng)為＂標(biāo)記式動(dòng)作捕捉＂，需要在人體關(guān)節(jié)處放置反光標(biāo)記物，用特殊光源照射，通過(guò)多臺(tái)紅外攝像機(jī)捕捉這些標(biāo)記點(diǎn)的位置。這種系統(tǒng)精度極高，誤差可低至毫米級(jí)，但設(shè)備昂貴復(fù)雜。以Vicon和Optitrack為代表的商業(yè)系統(tǒng)價(jià)格高昂，動(dòng)輒幾十萬(wàn)甚至上百萬(wàn)元，讓許多醫(yī)療機(jī)構(gòu)望而卻步。

與此相對(duì)，無(wú)標(biāo)記人體姿態(tài)估計(jì)技術(shù)不需要在人體上放置任何標(biāo)記物，僅通過(guò)普通攝像頭拍攝的視頻就能識(shí)別人體關(guān)節(jié)位置。這種技術(shù)利用計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)算法，從圖像中提取關(guān)鍵點(diǎn)，重建人體骨骼模型。

人體姿態(tài)估計(jì)有兩種主要變體：2D估計(jì)和3D估計(jì)。2D估計(jì)關(guān)注在圖像平面上定位身體關(guān)節(jié)，而3D估計(jì)則在三維空間中重建人體姿勢(shì)。近年來(lái)，基于深度學(xué)習(xí)的2D估計(jì)模型取得了長(zhǎng)足進(jìn)步。以O(shè)penPose為例，這個(gè)由卡內(nèi)基梅隆大學(xué)研究團(tuán)隊(duì)開(kāi)發(fā)的系統(tǒng)，能夠?qū)崟r(shí)識(shí)別多人的身體關(guān)節(jié)，成為醫(yī)療應(yīng)用中最受歡迎的工具之一。其他如HRNet、EfficientPose等模型各有特色，適用于不同應(yīng)用場(chǎng)景。

從技術(shù)路線(xiàn)看，人體姿態(tài)估計(jì)又分為自上而下和自下而上兩種方法。自上而下的方法先在圖像中定位人體，再估計(jì)每個(gè)人的關(guān)節(jié)位置；自下而上的方法則先識(shí)別所有關(guān)節(jié)點(diǎn)，再確定哪些關(guān)節(jié)屬于同一個(gè)人。前者對(duì)遮擋情況處理較差但誤報(bào)少，后者則在人體部分遮擋時(shí)表現(xiàn)更佳。

3D人體姿態(tài)估計(jì)則更為復(fù)雜。在多攝像頭系統(tǒng)中，可以通過(guò)三角測(cè)量原理重建3D位置，但這需要精確的攝像頭校準(zhǔn)和點(diǎn)位匹配。VoxelPose、PlanSweepPose等近期模型通過(guò)深度學(xué)習(xí)方法改進(jìn)了傳統(tǒng)三角測(cè)量，提高了重建精度和魯棒性。

無(wú)標(biāo)記姿態(tài)估計(jì)技術(shù)相比傳統(tǒng)標(biāo)記式系統(tǒng)有幾個(gè)顯著優(yōu)勢(shì)：不需要在人體上放置標(biāo)記物，減少了患者不適感和醫(yī)生準(zhǔn)備時(shí)間；硬件成本低廉，普通攝像頭甚至智能手機(jī)就能采集數(shù)據(jù)；適用于非合作用戶(hù)，如嬰兒或行動(dòng)不便的患者。其主要限制在于精度相對(duì)較低，但對(duì)于許多臨床應(yīng)用來(lái)說(shuō)已經(jīng)足夠。

從單視角和多視角看，單視角系統(tǒng)更簡(jiǎn)單易用，但存在遮擋問(wèn)題和3D重建困難；多視角系統(tǒng)則能提供更全面的信息，但需要多臺(tái)攝像頭和同步系統(tǒng)。隨著技術(shù)發(fā)展，單視角系統(tǒng)正在通過(guò)先驗(yàn)知識(shí)和深度學(xué)習(xí)技術(shù)提高3D重建能力。

從輸入數(shù)據(jù)類(lèi)型看，系統(tǒng)又分為僅使用RGB圖像的和使用RGB-D（深度）數(shù)據(jù)的。RGB系統(tǒng)適應(yīng)性更強(qiáng)，但深度推斷難度大；RGB-D系統(tǒng)則能直接獲取深度信息，簡(jiǎn)化了3D重建過(guò)程。微軟Kinect、Intel RealSense等深度相機(jī)為醫(yī)療應(yīng)用提供了便捷的數(shù)據(jù)采集方案。

嬰幼兒發(fā)展守護(hù)者

嬰幼兒運(yùn)動(dòng)發(fā)育是一個(gè)獲得完整活動(dòng)能力和獨(dú)立性的過(guò)程。健康嬰兒的動(dòng)作序列通常是有規(guī)律且可預(yù)測(cè)的。早期發(fā)現(xiàn)嬰兒運(yùn)動(dòng)發(fā)育異常對(duì)于神經(jīng)系統(tǒng)疾病的診斷至關(guān)重要，能夠及早開(kāi)始治療，降低感覺(jué)障礙、協(xié)調(diào)問(wèn)題和姿勢(shì)問(wèn)題的可能性。

傳統(tǒng)的嬰兒運(yùn)動(dòng)評(píng)估方法主要依賴(lài)臨床醫(yī)生的主觀判斷，費(fèi)時(shí)且依賴(lài)專(zhuān)業(yè)經(jīng)驗(yàn)。而無(wú)標(biāo)記人體姿態(tài)估計(jì)技術(shù)為這一領(lǐng)域帶來(lái)了革命性變化，它能夠自動(dòng)化、客觀化地記錄和分析嬰兒動(dòng)作，提供定量指標(biāo)輔助診斷。

在應(yīng)用這項(xiàng)技術(shù)面臨的主要挑戰(zhàn)是嬰幼兒的解剖比例與成人顯著不同。由于大多數(shù)姿態(tài)估計(jì)模型是在成人數(shù)據(jù)集上訓(xùn)練的，直接應(yīng)用于嬰兒往往表現(xiàn)不佳。因此，研究人員需要開(kāi)發(fā)專(zhuān)門(mén)針對(duì)嬰幼兒的模型或適應(yīng)技術(shù)。

2017年，Hesse等人首次嘗試將深度圖像和隨機(jī)樹(shù)特征結(jié)合，用于新生兒姿態(tài)估計(jì)。他們采用了一個(gè)簡(jiǎn)化的實(shí)驗(yàn)設(shè)置：將Kinect相機(jī)放置在嬰兒床上方，垂直向下拍攝。2018年，Khan等人則使用可變形部件模型（DPM）從RGB圖像中分割嬰兒身體部位，并用結(jié)構(gòu)化SVM分類(lèi)器為每個(gè)部分分配標(biāo)簽。

隨著深度學(xué)習(xí)技術(shù)的進(jìn)步，更先進(jìn)的方法被引入這一領(lǐng)域。2020年，McCay等人使用OpenPose構(gòu)建嬰兒骨骼模型，提取姿態(tài)特征，然后訓(xùn)練深度學(xué)習(xí)模型預(yù)測(cè)嬰兒是否存在發(fā)育異常。這種方法達(dá)到了與經(jīng)驗(yàn)豐富的臨床醫(yī)生相當(dāng)?shù)谋憩F(xiàn)水平。同年，Chambers等人提出使用樸素高斯貝葉斯驚奇度（NGBS）計(jì)算嬰兒動(dòng)作與正常發(fā)育嬰兒群體的偏差，輸出異常風(fēng)險(xiǎn)指標(biāo)。

針對(duì)嬰幼兒的專(zhuān)用深度學(xué)習(xí)姿態(tài)估計(jì)模型也在不斷發(fā)展。2019年，Moccia等人設(shè)計(jì)了一個(gè)由檢測(cè)和回歸卷積神經(jīng)網(wǎng)絡(luò)組成的深度學(xué)習(xí)框架，用于粗略和精確的關(guān)節(jié)定位。2021年，Carbonari等人基于Mask R-CNN開(kāi)發(fā)了端到端可學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，專(zhuān)門(mén)用于新生兒重癥監(jiān)護(hù)室（NICUs）的肢體姿態(tài)估計(jì)。

低延遲視頻通信和智能手機(jī)的普及也推動(dòng)了遠(yuǎn)程嬰兒動(dòng)作評(píng)估的發(fā)展。2021年，Adde等人進(jìn)行了一項(xiàng)突破性研究，讓家長(zhǎng)使用智能手機(jī)和專(zhuān)用應(yīng)用程序在家中拍攝嬰兒視頻。系統(tǒng)使用僅7個(gè)關(guān)節(jié)點(diǎn)（頭部、胸部、骨盆、手腕和腳踝）的簡(jiǎn)化骨骼模型，由卷積神經(jīng)網(wǎng)絡(luò)追蹤。這是首個(gè)在家用智能手機(jī)錄制視頻上測(cè)試的自動(dòng)系統(tǒng)，大大擴(kuò)展了技術(shù)的覆蓋范圍。

盡管技術(shù)進(jìn)步顯著，但臨床應(yīng)用仍面臨挑戰(zhàn)，主要是結(jié)果可解釋性不足。當(dāng)機(jī)器預(yù)測(cè)與醫(yī)生判斷不一致時(shí)，醫(yī)生很難理解機(jī)器決策的依據(jù)。Sakkos等人在2021年提出了一個(gè)框架，不僅預(yù)測(cè)風(fēng)險(xiǎn)評(píng)分，還可視化與高風(fēng)險(xiǎn)相關(guān)的關(guān)鍵動(dòng)作，提高了系統(tǒng)的透明度和可接受度。

隨著技術(shù)不斷成熟，無(wú)標(biāo)記人體姿態(tài)估計(jì)有望成為嬰幼兒神經(jīng)發(fā)育評(píng)估的常規(guī)工具，幫助更多嬰兒及早發(fā)現(xiàn)發(fā)育異常并獲得適當(dāng)干預(yù)。通過(guò)在普通家庭環(huán)境中收集和分析動(dòng)作數(shù)據(jù)，該技術(shù)將使高質(zhì)量的醫(yī)療評(píng)估不再局限于醫(yī)院和專(zhuān)業(yè)診所，實(shí)現(xiàn)真正的醫(yī)療普惠化。

康復(fù)之路新助手

人們?cè)谠庥瞿X卒中、脊髓損傷或其他神經(jīng)肌肉疾病后，往往需要長(zhǎng)期康復(fù)治療來(lái)恢復(fù)運(yùn)動(dòng)功能。傳統(tǒng)康復(fù)過(guò)程中，醫(yī)生通常憑借經(jīng)驗(yàn)和主觀判斷來(lái)評(píng)估患者進(jìn)展，缺乏精確的定量分析工具。而無(wú)標(biāo)記人體姿態(tài)估計(jì)技術(shù)正為這一領(lǐng)域帶來(lái)革命性變化。

早在2019年，研究者Sarsfield就對(duì)當(dāng)時(shí)的無(wú)標(biāo)記人體姿態(tài)估計(jì)系統(tǒng)進(jìn)行了評(píng)估，結(jié)果并不樂(lè)觀。他發(fā)現(xiàn)當(dāng)時(shí)的系統(tǒng)在準(zhǔn)確評(píng)估康復(fù)運(yùn)動(dòng)方面存在明顯不足，特別是在處理自遮擋問(wèn)題時(shí)表現(xiàn)欠佳。不過(guò)，近年來(lái)這一技術(shù)領(lǐng)域進(jìn)步迅速，新一代模型已經(jīng)能夠應(yīng)對(duì)這些挑戰(zhàn)。

在臨床康復(fù)環(huán)境中，無(wú)標(biāo)記姿態(tài)估計(jì)系統(tǒng)需要具備兩個(gè)核心功能：實(shí)時(shí)捕捉人體動(dòng)作和定量評(píng)估運(yùn)動(dòng)表現(xiàn)。2020年，Tao團(tuán)隊(duì)開(kāi)發(fā)了一種基于OpenPose的系統(tǒng)，用于跟蹤患者在專(zhuān)家指導(dǎo)下執(zhí)行的康復(fù)動(dòng)作。這套系統(tǒng)不僅能監(jiān)測(cè)患者動(dòng)作，還能為機(jī)器人輔助康復(fù)設(shè)備提供軌跡規(guī)劃參考，幫助機(jī)器人模擬專(zhuān)業(yè)理療師的動(dòng)作來(lái)輔助患者。

同年，Wu研究小組利用Microsoft Kinect設(shè)備的RGB和深度通道，創(chuàng)建了一個(gè)更全面的康復(fù)監(jiān)測(cè)系統(tǒng)。他們使用名為＂部位親和場(chǎng)＂（Part Affinity Fields）的技術(shù)從RGB圖像中提取2D姿態(tài)，再利用RGB與深度通道的映射關(guān)系估計(jì)3D關(guān)節(jié)位置。這種組合方法能夠提供更準(zhǔn)確的空間信息，特別適合評(píng)估復(fù)雜的三維康復(fù)動(dòng)作。

2022年，Xu團(tuán)隊(duì)推出了一個(gè)基于多視角視頻的3D姿態(tài)估計(jì)框架，分為兩個(gè)關(guān)鍵步驟：先使用堆疊沙漏網(wǎng)絡(luò)（Stacked Hourglass Network）配合粗到細(xì)熱圖收縮策略在每個(gè)圖像上定位關(guān)節(jié)，然后通過(guò)時(shí)空感知網(wǎng)絡(luò)融合多視角和多時(shí)刻的2D結(jié)果生成3D姿態(tài)估計(jì)。這種方法雖然計(jì)算復(fù)雜度高，但準(zhǔn)確性顯著提升，適合在專(zhuān)業(yè)康復(fù)機(jī)構(gòu)使用。

隨著遠(yuǎn)程醫(yī)療需求增長(zhǎng)，輕量級(jí)姿態(tài)估計(jì)模型也得到快速發(fā)展。2020年，Li研究小組以HRNet為基礎(chǔ)，借鑒MobileNetv1的模塊設(shè)計(jì)和空洞卷積技術(shù)，開(kāi)發(fā)了名為＂極其高效空間金字塔＂（EESD）的網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)進(jìn)一步融合了注意力機(jī)制，能夠在中端智能手機(jī)上流暢運(yùn)行，為居家康復(fù)提供了可能。

同樣面向遠(yuǎn)程康復(fù)的還有Rick團(tuán)隊(duì)在2019年推出的NeuroPose網(wǎng)絡(luò)應(yīng)用。該應(yīng)用以PoseNet模型為核心，通過(guò)tensorflow.js框架部署，能夠使用WebGL等通用庫(kù)訪問(wèn)本地GPU資源，在不同硬件條件下自動(dòng)調(diào)整參數(shù)以確保可用性。這種基于瀏覽器的實(shí)現(xiàn)方式避免了安裝專(zhuān)用軟件的麻煩，提高了用戶(hù)接受度。

云計(jì)算和邊緣計(jì)算也為康復(fù)姿態(tài)估計(jì)提供了兩種不同的技術(shù)路線(xiàn)。Prima團(tuán)隊(duì)在2019年的作品中，將OpenPose提供的2D姿態(tài)通過(guò)啟發(fā)式方法和先驗(yàn)信息進(jìn)行3D提升，并計(jì)算骨架模型的關(guān)節(jié)角度。他們采用物聯(lián)網(wǎng)范式，讓?xiě)?yīng)用在智能手機(jī)上運(yùn)行簡(jiǎn)單交互，而將計(jì)算密集型任務(wù)交給云服務(wù)處理。與此相反，2021年的DeepRehab系統(tǒng)則采用邊緣計(jì)算方案，使用具有ResNet101特征提取骨干的全卷積架構(gòu)，在專(zhuān)用Edge TPU設(shè)備上運(yùn)行，患者只需通過(guò)智能手機(jī)應(yīng)用與系統(tǒng)交互。

這些技術(shù)進(jìn)步正在改變康復(fù)治療的面貌。患者不必總是前往專(zhuān)業(yè)康復(fù)中心，而可以在家中接受遠(yuǎn)程監(jiān)督和指導(dǎo)。系統(tǒng)能夠自動(dòng)記錄患者康復(fù)進(jìn)展，提供客觀數(shù)據(jù)支持治療調(diào)整。在機(jī)器人輔助康復(fù)領(lǐng)域，無(wú)標(biāo)記姿態(tài)估計(jì)技術(shù)為確保安全和有效性提供了基礎(chǔ)，使機(jī)器人能夠根據(jù)患者實(shí)時(shí)姿態(tài)調(diào)整輔助力度和方向。

步態(tài)分析新視角

人類(lèi)步行方式包含著豐富的健康信息。專(zhuān)業(yè)的步態(tài)分析可以發(fā)現(xiàn)多種疾病的早期征兆，評(píng)估康復(fù)進(jìn)展，甚至協(xié)助醫(yī)生判斷治療效果。傳統(tǒng)步態(tài)分析需要在專(zhuān)業(yè)實(shí)驗(yàn)室進(jìn)行，使用復(fù)雜的標(biāo)記式動(dòng)作捕捉系統(tǒng)和力平臺(tái)，費(fèi)時(shí)費(fèi)力且成本高昂。無(wú)標(biāo)記人體姿態(tài)估計(jì)技術(shù)正在改變這一局面，讓步態(tài)分析變得更加簡(jiǎn)單易行。

步態(tài)分析通常關(guān)注人體在矢狀面和冠狀面的運(yùn)動(dòng)，即從側(cè)面和正面觀察的運(yùn)動(dòng)特征。這要求至少使用兩臺(tái)攝像機(jī)才能獲得完整的3D信息：一臺(tái)放在受試者前方，一臺(tái)放在側(cè)面。不過(guò)，許多研究表明，在特定應(yīng)用場(chǎng)景中，單攝像機(jī)設(shè)置也能提供足夠有用的信息。

在單視角應(yīng)用方面，DeepLabCut工具表現(xiàn)突出。2019年，Cronin等人將其應(yīng)用于水下跑步分析；2020年，Moro等人用它評(píng)估腦卒中患者的步行狀態(tài)；2021年，Drazan等人則研究了反向跳躍動(dòng)作。這些研究一致表明，盡管與標(biāo)記式系統(tǒng)相比誤差略大，但無(wú)標(biāo)記技術(shù)已足以用于步態(tài)分析的多種場(chǎng)景。2022年，Viswakumar團(tuán)隊(duì)使用OpenPose成功估計(jì)膝關(guān)節(jié)角度，進(jìn)一步證實(shí)了這一結(jié)論。

單攝像頭設(shè)置的主要問(wèn)題是自遮擋：走路時(shí)一只腿可能遮擋另一只腿。為解決這個(gè)問(wèn)題，2020年，Serrancol?團(tuán)隊(duì)和2021年的Stenum團(tuán)隊(duì)嘗試使用兩臺(tái)攝像機(jī)分別放在矢狀面兩側(cè)，每臺(tái)只監(jiān)測(cè)最近的肢體而忽略其他部分。不過(guò)，這種方法在準(zhǔn)確性和穩(wěn)定性方面表現(xiàn)不佳，經(jīng)常需要用戶(hù)干預(yù)糾正錯(cuò)誤。

時(shí)間信息也是步態(tài)分析的重要維度。2021年，Shin團(tuán)隊(duì)將2D單視角姿態(tài)估計(jì)與投影映射結(jié)合，Azhand團(tuán)隊(duì)則將其與3D肌肉骨骼模型結(jié)合，以提取步態(tài)參數(shù)測(cè)量值。兩項(xiàng)研究都發(fā)現(xiàn)，與GAITRite壓力步道系統(tǒng)相比，這些方法顯示出很強(qiáng)的相關(guān)性。這表明即使是簡(jiǎn)單的2D姿態(tài)估計(jì)，配合適當(dāng)?shù)暮筇幚恚材芴峁┯袃r(jià)值的臨床指標(biāo)。

2019年，Sokolova和Konushin提出了一個(gè)端到端模型，從OpenPose提供的2D姿態(tài)出發(fā)，在關(guān)節(jié)周?chē)眉魠^(qū)域并計(jì)算光流，然后訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)直接輸出步態(tài)描述符。這種方法跳過(guò)了傳統(tǒng)的3D重建步驟，直接從2D信息中提取臨床相關(guān)特征，大大簡(jiǎn)化了分析流程。

帕金森病是步態(tài)分析的重要應(yīng)用領(lǐng)域之一。2018年，Martinez團(tuán)隊(duì)使用OpenPose檢查步行節(jié)奏并自動(dòng)計(jì)算異常評(píng)分，用于監(jiān)測(cè)疾病進(jìn)展。2021年，Shin等人處理正面單視角視頻，提供時(shí)空結(jié)果指標(biāo)（步長(zhǎng)、步行速度和轉(zhuǎn)彎時(shí)間）。2022年，Connie團(tuán)隊(duì)使用雙攝像頭設(shè)置（正面和側(cè)面）和AlphaPose模型，從2D軌跡中提取八個(gè)時(shí)空特征，然后用隨機(jī)森林分類(lèi)器區(qū)分疾病嚴(yán)重程度。相似地，Sato等人在2019年提出了一種無(wú)監(jiān)督方法，通過(guò)應(yīng)用OpenPose量化步態(tài)特征并從步態(tài)視頻中提取節(jié)奏。

除了臨床應(yīng)用，步態(tài)分析還需要解決逆動(dòng)力學(xué)問(wèn)題，即根據(jù)身體3D運(yùn)動(dòng)和慣性特性（如各肢體質(zhì)量）計(jì)算力和力矩。這通常需要額外信息，如來(lái)自力板的地面反作用力。Brubaker團(tuán)隊(duì)在2007年和2009年使用關(guān)節(jié)體模型從運(yùn)動(dòng)數(shù)據(jù)中推斷關(guān)節(jié)力矩和接觸動(dòng)力學(xué)，通過(guò)引入額外的根力加速優(yōu)化過(guò)程。Johnson和Ballard于2014年研究了逆動(dòng)力學(xué)回歸的稀疏編碼，而Zell等人則在2015年介紹了人類(lèi)步態(tài)分析的二維統(tǒng)計(jì)模型，并在2020年將其擴(kuò)展為3D模型和基于神經(jīng)網(wǎng)絡(luò)的推理。

盡管多數(shù)方法僅關(guān)注步行動(dòng)作，一些工作如Vondrak等人（2008）和Duff等人（2011）考慮了更廣泛的動(dòng)作類(lèi)型。物理驅(qū)動(dòng)先驗(yàn)也適合支持統(tǒng)計(jì)方法，Wei等人（2011）使用最大后驗(yàn)概率方法合成各種物理上現(xiàn)實(shí)的動(dòng)作和動(dòng)作交互。許多人體姿態(tài)估計(jì)方法還依賴(lài)人體測(cè)量學(xué)約束（Akhter和Black，2015；Wang等人，2014）來(lái)穩(wěn)定計(jì)算。

隨著技術(shù)不斷成熟和硬件成本持續(xù)下降，無(wú)標(biāo)記步態(tài)分析有望從專(zhuān)業(yè)實(shí)驗(yàn)室走向普通家庭和社區(qū)醫(yī)療中心，使更多人受益于這一診斷工具。特別是對(duì)于需要長(zhǎng)期監(jiān)測(cè)的慢性疾病患者，家庭步態(tài)分析系統(tǒng)可以提供連續(xù)的數(shù)據(jù)流，幫助醫(yī)生及時(shí)發(fā)現(xiàn)病情變化并調(diào)整治療方案。

參考資料

1. Avogaro， A.， Cunico， F.， Rosenhahn， B.， &； Setti， F. （2023）. Markerless Human Pose Estimation for Biomedical Applications: A Survey. arXiv:2308.00519v1.

2. Cao， Z.， Simon， T.， Wei， S.E.， &； Sheikh， Y. （2017）. Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields. CVPR.

3. Cherry-Allen， K.， Gwin， J.， Kautz， S.， &； Arac， A. （2023）. Markerless motion capture for rehabilitation: A review. Journal of NeuroEngineering and Rehabilitation.

4. Groos， D.， Adde， L.， Ihlen， E.A.F.， &； Sten， R. （2022）. Automated Prediction of Cerebral Palsy Using Deep Learning. Scientific Reports.

5. Tu， H.， Wang， C.， &； Zeng， W. （2020）. VoxelPose: Towards Multi-Person 3D Pose Estimation in Wild Videos. ECCV.