基于深度相机的功能性足部运动分析网络应用开发与可用性测试

本文介绍了KineFeet这一基于深度相机（Azure Kinect DK）的创新型网络应用，用于功能性足部运动学分析。该系统通过迭代开发与可用性测试，实现了实时足部矢状面和冠状面运动捕捉，并自动识别步态支撑相子阶段。研究显示其任务完成率达96.29%，系统可用性量表（SUS）评分66.5（良好水平），为临床提供了一种低成本、易操作且具临床相关性的足部生物力学分析工具，有望推动个性化康复治疗的发展。

　　

1 引言

足部运动学分析对诊断和管理下肢肌肉骨骼问题至关重要。尽管静态足姿测量与动态运动关联有限，但光学运动捕捉系统作为步态分析的金标准，因成本高、设置复杂和可用性低而难以普及。因此，开发经济实惠且易于访问的步态分析工具成为迫切需求，有望通过基于网络的软件实现运动分析民主化和个性化治疗计划制定。

深度相机技术最初为游戏和消费电子开发，现已展示出运动跟踪应用潜力。Azure Kinect DK等设备以显著降低的价格提供深度感知和骨骼跟踪能力，优于Kinect v2和Orbbec Astra Pro v2传感器，尤其在非正面视角的跑步机行走 kinematic gait patterns 跟踪中表现更佳。将此类技术集成到网络平台可消除软件安装需求并增强便携性。

KineFeet系统应运而生，它是一个原型网络应用，利用深度相机技术进行临床足部运动学分析，主要功能包括分析步态中足的矢状面和冠状面，自动检测步态周期支撑相子阶段、实时测量和浏览器环境中的数据导出选项。本文描述了KineFeet的设计与开发，并呈现了由经验丰富临床医生进行的可用性评估结果。

2 材料与方法

本研究采用软件开发和观察性分析研究设计来评估可用性。数据收集于印度尼西亚雅加达的Cipto Mangunkusumo博士总医院物理医学与康复科，研究协议获印度尼西亚大学医学院研究伦理委员会批准（KET-1586/UN2.F1/ETIK/PPM.00.02/2023）。研究方法分为几个连续阶段：KineFeet系统的迭代开发、技术验证和基于用户的可用性测试。

2.1 步骤1：迭代系统开发

KineFeet采用以用户为中心的设计方法，在整个开发过程中纳入临床用户反馈。系统构建目标包括：确保临床医生在最小技术培训下易用；提供准确矢状面角度测量；实现实时可视化和数据存储；通过基于网络的部署最大化可访问性。

2.1.1 硬件组件

系统需要配备至少八核中央处理单元（CPU）、相当于或强于Nvidia GTX 1050的图形处理单元（GPU）以及至少8 GB随机存取内存（RAM）的计算机。

相机放置涉及两台Microsoft Azure Kinect相机（Microsoft, Redmond, WA, USA）同时记录，置于跑步机后部和侧面，显示足内侧。相机位置允许整个跑步机皮带可见，同时保持标记检测。后部相机放在跑步机后40 cm，侧部相机距跑步机侧52 cm，两者安装于三脚架上，相机基部距地40 cm高。

标记使用直径1 cm的白色圆形按钮，确保良好检测。较小尺寸困难，较大尺寸因关节间近距离而不实用。按钮作为标记理想适用于Kinect Azure的深度传感器机制，能够区分物体与背景。2 mm或更大标记易识别。用双面胶带将标记固定于袜子上。高对比度袜子（如红色）提供均匀背景，确保标记作为角度端点的持续检测。

为进一步提高标记检测可靠性，KineFeet配置通过测试和调整的迭代过程 refined。优先考虑标记与背景的高对比度可见性；因此，白色标记始终与红袜配对以增强区分。为减少视觉不一致，所有参与者穿相同材料和颜色的袜子和标记。此外，为防止袜子移位或皱褶 during walking，使用合身袜子并仔细定位以确保标记在整个试验中保持安全。

工作空间需要充足照明以获得最佳标记识别质量。最佳质量通过将光源（3800 Lm灯）置于每个相机后并使用柔光箱扩散光线、最小化背景屏上的阴影来实现。放置白色背景屏以减少干扰并改善照明。

跑步机使用非倾斜或步行垫，表面足够宽以允许自然步幅而无下肢交叉。足够宽度已显示提高患者信心和辅助平衡。

记录时，跑步机行走模式可能与地面行走不同。步长变短，保持平衡的尝试可能导致 altered lower limb kinematics。为减少这些变异，重要的是在记录前让患者熟悉跑步机行走机制。对于平衡问题患者，推荐使用身体 harness 以增加信心和降低跌倒风险。逐渐增加速度直至患者舒适，旨在达到其 usual walking speed 的步调，同时避免握住把手。

视频记录持续5 s，使用两台Azure Kinect相机侧和后位放置。这5 s窗口战略选择捕获步态周期短暂而稳定的片段， typically when the participant's walking pattern had stabilized and appeared most natural。较短持续时间也便于通过KineFeet网络应用更快数据上传和处理。记录在参与者步态显得稳定时开始。

2.1.2 系统架构与数据处理

KineFeet系统使用云平台进行自动化步态分析。视频用Azure Kinect相机捕获并上传到服务器处理。利用深度学习模型（卷积神经网络），基于大量标注解剖图像数据集训练，以识别身体关键解剖点。这些关键点连接形成向量，用于计算关节角度。此外，系统 incorporate 深度学习模型分析时间上的运动序列，通过逐帧跟踪脚跟和脚趾位置变化，实现精确识别步态阶段如初始接触、中期支撑和脚尖离地。KineFeet在三维（3D）坐标系（X, Y, Z）中操作，提高关节定位准确性，允许更详细的下肢运动学分析 compared to traditional two-dimensional approaches。

为增强角度测量准确性，物理参考标记（如小按钮或反光标签）可能与基于AI的关键点检测结合使用。例如，内侧纵弓（MLA）角度基于三个解剖标志计算：内踝（MM）、舟骨（NV）和第一跖骨头（HM），舟骨处的角度使用向量几何确定。

向量v₁→ = M→ ? NV

向量v₂→ = HM→ ? NV

cosθ = (v₁→ ? v₂→) / (‖v₁→‖ ‖v₂→‖)

θ = cos^?1[(v₁→ ? v₂→) / (‖v₁→‖ ‖v₂→‖)]

为确保步态事件检测和关节角度计算在整个步态周期中的一致 timing，所有视频记录以30帧每秒（fps）速率进行。

2.1.3 足功能考虑与系统开发基础

足运动和肌肉参与与步态期间三个顺序功能紧密相关：吸收冲击、维持负重期间稳定性和 facilitating forward progression。这些生物力学作用从初始接触开始，当脚跟首次触地，并持续通过加载响应，当体重转移到前足。在此期间早期支撑阶段，地面反作用力诱导距下关节外翻，导致足旋前。此运动解锁中跗关节，增加跗骨区灵活性。生物力学上，这导致内侧纵弓扁平化，允许更均匀的压力分布跨足。

随着步态周期从中期支撑到终期支撑进展，距下关节逐渐移入内翻，促进旋后，一种跖屈、内翻和内收组合。旋后导致中跗关节锁定， stiffening 跗骨结构和重新抬高内侧纵弓，这对推进期间有效力传递 essential。这些关节运动限制可能损害此自然机制， potentially contributing to arch instability and gait abnormalities over time。

为评估 facilitate shock absorption and weightbearing stability 的足运动学，Kinefeet测量距下角度和内侧纵弓角度。

距下角度由跟骨后部和踝关节后线之间的线，以及肌腱肌肉 junction 中点和踝关节后线之间的线形成。测量从初始接触点直到预摆动，除了终期支撑阶段， due to the difficulty in accurately identifying the terminal stance position from a posterior viewpoint of the ankle。

内侧纵弓角度由第一跖骨头和舟骨结节之间的线，以及舟骨结节和跟骨后内侧之间的线形成。测量以捕获支撑阶段内侧纵弓高度变化。

步态周期中的进展指的是足在有效推进身体向前中的作用。这是通过三种协调机制实现的，称为足 rockers。首先，脚跟 rocker 在初始支撑阶段激活，当脚跟触地， facilitating forward rotation of the tibia while absorbing impact。接下来， during mid-stance, the ankle rocker enables the tibia to progress over the planted foot through movement at the ankle joint。最后，在终期支撑阶段，前足 rocker 支持推进当脚跟抬起和体重转移到脚趾。这三种 rockers 协同工作确保行走期间平滑、稳定和能量高效的体重转移， aiding in shock absorption and minimizing energy loss。

KineFeet测量踝角度（Ank）以评估第一 rocker，其中足运动发生在相对于小腿的距小腿关节，以脚跟作为支点。踝角度由第一跖骨头和跟骨后内侧之间的线，以及膝内侧关节线和内踝之间的线形成。测量在两个 distinct points：初始接触和中期加载响应（标记为Ank_LR角度）。Ank_LR角度在足底接触表面并完全支撑（foot flat）时确定。

踝倾斜（AI）角度测量以评估第二 rocker，指的是胫骨运动 with the talocrural joint acting as the fulcrum。此运动涉及从加载响应中期的后倾 tilting 到中期支撑结束的前倾 tilting。胫骨倾斜角度由通过内踝的垂直线和膝内侧关节线与内踝之间的线形成。测量 during the mid-loading response, when the tibia is in a posterior inclination position, until the beginning of terminal stance, when it reaches maximum anterior inclination, just before the heel off。

第一跖趾（MTP）角度测量以评估第三 rocker，这是MTP 1关节的拇趾伸展运动。第一跖趾角度由第一跖骨中点和第一跖骨头之间的线，以及第一跖骨头和近节趾骨内侧头之间的线形成。测量从终期支撑开始，直到达到拇趾伸展最大值， just before toe-off。

2.2 步骤2：软件测试

评估机器学习模型性能是开发过程的重要步骤。本研究使用分类模型对数据进行分类。性能使用两个主要指标评估：混淆矩阵和F₁分数。混淆矩阵显示真阳性、真阴性、假阳性和假阴性，提供预测结果 details。F₁分数是精确率和召回率的调和平均， balancing false positives and false negatives into a single metric。

2.2.1 支撑子阶段检测准确性

Kinefeet在识别步态子阶段方面的效能使用将数据组织到预定义类别的分类模型评估。混淆矩阵提供详细评估验证数据集中14个离散子阶段的多类分类性能。总体准确性为73.6%，宏平均F₁-score为0.730，表明模型跨类别 moderate generalizability。然而，类 wise 分析显示几个关键误分类模式需要关注。

为便于解释混淆矩阵，14个子阶段缩写如下：IC（初始接触）—足首次触地时刻， typically with the heel；IC_to_LR（初始接触到加载响应）—从脚跟 strike 到全 plantar contact（跖骨头触地）的过渡阶段；LR（加载响应）—当全足平放地板上， just before the tibia begins to incline anteriorly；LR_to_MSt（加载响应到中期支撑）—从全足接触到对侧脚尖离地的过渡；MSt（中期支撑）—当对侧足抬起地面时，标记单肢支撑开始；MSt_to_TSt（中期支撑到终期支撑）—从中期支撑到胫骨达到垂直位置的过渡；TSt（终期支撑）—当对侧肢通过支撑肢和支撑肢胫骨直立时；TSt_to_PSw（终期支撑到预摆动）—从胫骨垂直对齐到对侧足初始触地的阶段；PSw（预摆动）—开始于对侧接触并指示负载转移离支撑肢的启动；PSw_to_HE（预摆动到拇趾伸展）—从对侧接触到拇趾最大背屈的过渡；HE（拇趾伸展）—峰值拇趾伸展时刻 just before the metatarsal heads lift off；HE_to_ISw（拇趾伸展到初始摆动）—从最大拇趾伸展到拇趾首次离地的间隔；ISw（初始摆动）—当拇趾离开地面时，启动摆动阶段；和ISw_to_IC（初始摆动到初始接触）—从脚尖离地到后续脚跟 strike 的过渡。

正确分类方面，模型在识别终端状态PSw（n=345）、HE（n=198）和ISw_to_IC（n=372）表现出强性能，所有这些显示高对角线主导。这表明这些状态拥有 distinctive features that the model successfully learned to differentiate。例如，ISw_to_IC与相邻过渡有最小混淆， underscoring the separability of this class in the feature space。

误分类模式方面，显著类混淆观察 across gait subphases， particularly between LR, LR_to_MSt, and MSt, as well as between TSt, TSt_to_PSw, and PSw_to_HE。例如，LR经常被误分类为LR_to_MSt（n=48）和MSt（n=55），反之亦然， indicating a lack of discriminability in these temporally adjacent subphases。类似地，TSt_to_PSw经常与TSt（n=48）和PSw（n=40）混淆， suggesting that the model struggles to capture the nuances in state transitions, potentially due to feature overlap or temporal ambiguity。

notably，IC被误分类为ISw_to_IC在73个实例中，矩阵中最大 off-diagonal 错误。此误分类可能反映基线和过渡到基线状态之间的高度特征相似性， indicating the need for improving feature engineering or temporal modeling refinements (e.g., incorporating sequential data via LSTMs or temporal attention mechanisms)。

2.2.2 角度形成准确性

另一个重要因素是由两个相交线以标记作为端点形成的角度。此任务 challenging， as the swinging contralateral limb often obscures the markers。有时，应用未能识别标记作为端点，导致不正确角度。此外，在计算距下角度时观察到一致错误。虽然通过选择标记创建的角度正确，但预测角度大小与实际值显著不同。

2.3 步骤3：可用性测试

可用性测试是评估应用或系统功能的方法论方法。它涉及结构化用户场景以评估用户导航和与系统交互的容易度和效率。测试者将观察用户 while they utilize the application to complete the scenario task that has been assigned to the user。

2.3.1 方法

KineFeet原型的可用性测试使用基于用户的测试系统进行，以测量有效性、效率和用户满意度。受访者被给予30项任务，范围从工具准备和患者准备到记录和下载结果。应用的有效性通常通过用户实现目标的成功程度评估。这可以通过完成的任务数量测量，无论是完全还是部分， along with the frequency of errors encountered during task performance and the average time taken to complete these tasks。时间基础效率（TBE）指的是用户与应用交互的速度 while completing tasks。参与者还被要求完成系统可用性量表（SUS），一个提供感知可用性定量测量的十项问卷。试验完成后，参与者被要求参与开放式反馈访谈。

2.3.2 参与者

五名具有经验和对观察性步态分析深入知识的物理医生被招募进行可用性评估。

2.3.3 数据分析

定量数据使用描述性统计分析，SUS分数为每个参与者计算。满意度方面使用系统可用性量表评估。每个参与者将根据已创建的任务场景被给予任务。完成给定任务后，参与者应填写SUS问卷作为最后步骤。

成功率被认为是可接受的，如果平均值达到78%。由成功率计算的组件是用户正确完成的任务百分比。方程1是计算成功率的方程，其中S是完全完成的任务数量（完全成功），PS是部分完成的任务数量（部分成功），总任务是分配的总任务数。

成功率 = [S + (PS × 0.5)] / 总任务 × 100% (1)

时间基础效率（TBE）被认为是正常的，当用户的TBE除以专家的接近值1。在此上下文中，专家定义为更熟悉KineFeet并广泛使用它（超过100次）的人， specifically the research team。

时间基础效率（TBE）是用户使用应用完成任务的速度。由时间基础效率计算的组件是用户正确完成的任务百分比。方程2是用于计算TBE的方程。n_ij是用户j完成任务i的结果，其中n_ij=1如果任务成功完成，n_ij=0否则；t_ij是用户j完成任务i所花费的时间；N是总任务数；R是受访者数量。

时间基础效率 = [∑_j=1^R ∑_i=1^N (n_ij/t_ij)] / (N R) (2)

错误率被认为是合理的，如果平均错误率值为0.02。错误率是用户 during testing 所犯错误的速率。由错误率计算的组件解释为用户完成任务时的不适当行动或错误。方程3用于计算错误率。其中总缺陷指的是可用性测试期间记录的错误或不正确行动数量，总机会是用户交互或步骤中可能发生错误的总数。

错误率 = 总缺陷 / 总机会 (3)

系统可用性量表（SUS）分数使用Jeff Sauro提出的形容词评分量表解释。84.1到100之间的分数表示“最佳可想象”可用性。72.6到84.0之间的分数被认为是“优秀”，而62.7到72.5之间的分数反映“良好”可用性。SUS分数在51.7到62.6之间对应“OK”评级。25.1到51.6之间的分数被解释为“差”，0到25之间的分数代表“最差可想象”可用性。

3 结果

参与者展示了强 knowledge of gait cycle phases and kinematics，使他们能够有效评估KineFeet在测量足部运动学方面的性能。

3.1 有效性

受访者使用KineFeet评估足部运动学的平均成功率为96.29%，错误率仅为0.074%。完成所有分配任务的平均时间为10分钟11秒。

3.2 时间基础效率（TBE）

用户使用KineFeet评估非神经病变糖尿病患者的TBE为0.0442任务每秒，而专家的TBE为0.05348任务每秒。这些指标说明用户完成任务所需时间比专家长多少。平均而言，用户需要1.209倍于专家的时间完成任务。

3.3 系统可用性量表（SUS）

问卷由10个问题组成，每个问题使用5点李克特量表回答（从强烈不同意到强烈同意）。问卷旨在提供用户如何跨应用感知可用性的全面视图。在评估上下文中，满意度已被确定为主要指标，平均满意度调查（SUS）值为66.5点。这表明用户满意度和应用接受度水平被认为是形容词良好（在62.7–72.5范围内）。此结果建议KineFeet使用是实用的。

3.4 用户反馈

用户反馈提供了关于KineFeet可用性的宝贵见解，特别是在可学习性、有效性、效率和满意度方面。用户发现语言和术语清晰，尽管一些人对结果图像序列和未解释的脚跟离地（HE）阶段表示困惑。他们建议重新排序图像以遵循正确步态阶段序列（IC–LR–MSt–TSt–PSw–HE–ISw）并包括视觉辅助以更好步态阶段识别。导航通常直观，但报告了记录过程中的挑战，特别是在提示跑步机上的患者、维护袜上标记和设置技术组件如相机和电缆时。用户建议改进如更好标记设计和固定相机支架用于双侧记录。尽管有这些问题，他们报告高信心（80%–100%）以最小中断完成任务。

KineFeet也被认为是高效和响应迅速的，用户重视自动步态角度计算和清洁界面等特性。然而，需要运行外部应用（如Azure Kinect Viewer, Kinect Manager） before launching KineFeet 被视为不便。简化此步骤并允许直接视频帧选择被推荐。总体满意度高，用户赞扬系统清晰度、易用性和有帮助的注释。虽然大多数期望被满足，一些建议在未来版本中纳入距下角度分析。这些发现表明强临床潜力， targeted refinements 可能增强可用性和用户接受度。

4 讨论

准确子阶段开始/结束检测对于数据正确解释至关重要。总体准确性为73.6%，宏平均F₁-score为0.730，表明 moderate generalizability。用户应验证Kinefeet呈现的几个预测选项以确保子阶段检测和角度形成的准确性。

距下角度预测显著不准确有几个原因。首先，距下运动 minimal and difficult to detect using the Kinefeet camera。其次，踝和距下关节的轴是斜的，导致当距下因中足运动而有外翻或内翻运动时轻微旋转。第三，视觉计算数据不足。为增强距下角度测量精度，KineFeet的未来发展应涉及纳入后部相机以增强其视觉计算能力。因此，距下角度测量将从KineFeet性能和临床应用的未来评估中排除，直到必要增强已实施并经受进一步评估。

Kinefeet使用“机器学习模型”开发，这指的是通过应用监督机器学习算法到标注数据集创建的模型。机器学习模型在特定数据集上训练，称为其训练分布。此模型的潜在问题包括分布外泛化和不正确特征归因。为防止与这些问题相关的错误，仔细评估机器学习模型是必要的，使用来自性能分布的新数据，包括可能揭示模型失败的样本，如那些具有不同人口统计学、挑战条件、 poor quality images, or errors。

子阶段和标记检测的准确性可以通过改变用于自动化机器学习（AutoML）或持续机器学习（CML）的模型训练方法在下一个开发项目中提高。AutoML是一个自动化创建机器学习模型所涉及的重复和耗时步骤的过程。此框架帮助数据科学家、分析师和开发者构建具有高可扩展性、效率和生产力的机器学习（ML）模型，同时保持模型质量。CML，也称为持续学习或连续学习，是一种机器学习模型逐渐从新数据流中获取知识 over time 的方法。此过程发生而无需在固定数据集上显式重新训练。不同于传统机器学习模型， which are trained once on a static dataset and then retrained periodically，持续学习模型经历更新其参数的迭代过程。这允许模型实时适应新数据模式和变化条件。

可用性测试支持KineFeet作为临床足部运动学分析的可行工具，特别是在高端运动捕捉系统不可用的设置中。高成功率和低错误率表明KineFeet是一个易于使用的应用。接近1的TBE分数也表明KineFeet易于学习，因此完成检查协议所需时间在新用户和专家之间无显著差异。此外，SUS分数66.5表明临床医生发现系统直观且功能性强 for its intended use。从访谈中发现，参与者认为KineFeet具有非常 promising potential。参与者反馈突出了进一步改进的领域，特别是简化设置过程和减少对外部应用如Azure Kinect Viewer的依赖，这可能使系统更实用 for routine clinical use。

研究限制包括小样本大小和专注于定性评估和可用性 rather than accuracy or validity。先前研究显示，少量参与者—大约四到五名用户—可以揭示显著部分的可用性问题。例如，Nielsen和Molich报告五名评估者使用启发式评估识别了 about two-thirds of usability problems，而Virzi证明四或五名用户通常足以检测 around 80% of usability issues using think-aloud protocols。因此，未来工作将专注于针对金标准系统的测量准确性临床验证、测试-重测可靠性测试，并扩展可用性评估到更大和更多样化的用户群体—包括临床医生、技术人员和患者—以增强 both generalizability and clinical relevance。

5 结论

KineFeet代表临床足部运动学评估中的一个有前途的创新。其基于网络的架构和深度相机技术使用使其成为传统步态实验室的实用替代方案。系统在初步测试中展示了强可用性，并在进一步发展后具有更广泛临床采用的潜力。