AI驱动的步态分析连接医疗和安全领域

个人的行走模式（或称为步态）可以揭示其身份的细节，并反映个体、群体甚至人群之间的差异。由阿德莱德大学的Kayne Duncanson、副教授Dominic Thewlis、Will Robertson博士和Ehsan Abbasnejad博士领导的国际研究团队，从超过700人中收集了多样化的步态数据，并训练了人工智能模型以寻找相似之处。该研究发表在《皇家学会界面杂志》上。

目前已经在研究如何利用步态与生物状态之间的关系在医疗和安全领域应用，但这两个领域使用的方法不同。

“在医疗领域，目标是将步态用作个人功能性标志，以帮助管理神经和肌肉骨骼疾病，通常使用多种专业仪器和小样本量进行测量，”主要研究员、阿德莱德医学院的Kayne Duncanson说。“在安全领域，目标是将其用作生物特征，以协助在动态环境中（如机场监控或智能家居认证）的人脸识别。”

步态识别需要个体级别的建模，以检测随时间变化而保持一致的个体特征。“因此，大多数研究集中在开发复杂的多变量模型，如深度神经网络，以分离步态的识别特征和与身体外观相关的特征。”Duncanson补充道。

鉴于医疗和安全领域的步态分析方法似乎具有互补性，结合它们的优点可能会带来益处。一些研究数据是从参与者走过地面的一个平台（称为力平台）时收集的。力平台测量地面对脚部施加力的大小和位置，然后使用一种称为遮挡敏感性分析（occlusion sensitivity analysis）和均匀流形近似和投影（Uniform Manifold Approximation and Projection，UMAP）的可解释AI（XAI）方法进行分析。

“本研究的第一个目标是确定在使用不同配置的四个大型力平台步态数据集进行模型开发和评估时，步态识别性能是否因使用的数据集而异，”副教授Thewlis说，他是骨科和创伤研究中心的负责人。“第二个目标是检查人口统计属性和实验条件是否有助于定义步态变异。”

为了实现这些目标，提出了一种新的步态分析方法，能够同时描述个体、群体和数据集级别的步态模式变异。

研究发现，接触多样性的模型在各种条件下都能高度准确地识别个人。“我们发现，力平台可以作为独立的仪器部署，对样本选择和行走条件的限制相对较少，从而能够在实验室、诊所甚至可能更多样化的环境中获取大型数据集，这反过来又可以促进更先进的数据驱动决策，”副教授Thewlis说。

“性能趋势和XAI的见解表明，鞋类、行走速度、体重、性别、身高以及其他可能的时间依赖因素相互作用，影响多个层面的步态变异，依赖于力平台数据的AI步态识别系统在个性化分析方面显示出巨大的潜力。”

更多信息：Kayne A. Duncanson等，《通过步态识别建模不同人群和行走条件下的个体步态变异》，《皇家学会界面杂志》（2024）。DOI: 10.1098/rsif.2024.0565

(全文结束)