在野外条件下，一种无标记计算机视觉算法用于马匹步态分析的可靠性、一致性及变异性

《Equine Veterinary Journal》：Reliability, agreement and variability of a markerless computer vision algorithm for equine gait analysis under field conditions

计算机视觉算法在无标记马匹步态分析中的应用研究。通过67段iPhone拍摄的直线和圆形运动视频，对比算法检测与人工标注的眼、肩峰、尾部垂直位移信号（VDS）的准确性。结果显示算法检测的眼、尾部MAE分别为4.5mm和5.5mm，肩峰11.8mm，人工标注误差2.7mm。 stride-level分析表明眼、尾部MAE低于3mm，算法在减少随机误差方面表现优异。讨论了地面线估计的可靠性及临床应用潜力。

　　本研究探讨了基于计算机视觉的算法在马匹步态分析中的可靠性，特别是在不同环境条件下对垂直位移信号（VDS）和地面线估计的测量效果。传统上，马匹步态评估主要依赖于兽医的专业观察，这种方法虽然有价值，但容易受到主观偏差和观察者间差异的影响。近年来，随着计算机视觉和深度学习技术的发展，出现了无标记的2D运动捕捉系统，为马匹步态分析提供了一种更加便捷、经济的替代方案。这些系统通过分析视频数据，识别关键的解剖学特征，如头部、背部和臀部，并将其转换为像素坐标，从而提取出重要的运动参数，包括二维周期性垂直位移信号（VDS）。尽管这些技术在实验室环境下已显示出良好的性能，但它们在实际场域中的可靠性和准确性仍需进一步验证。

研究使用了67段由iPhone拍摄的视频数据，涵盖37匹不同品种、毛色和体高的马匹。视频记录是在室内和室外环境下进行的，且使用了不同的iPhone型号，如iPhone 13 Pro和iPhone 15 Pro。这些视频数据被用于训练一个深度神经网络，该网络能够识别马匹的解剖学关键点，如眼睛、背部和臀部，以及腿部的关键点。研究中，算法和手动标注方法分别生成了2D关键点，这些关键点用于计算地面线和VDS，并进一步分析步态对称性。研究还评估了不同条件下的测量误差，包括直线行走和圆形轨迹，以及是否有明显移动的鬃毛影响。

在帧级分析中，算法检测的关键点精度分别为：眼睛为4.5毫米，臀部为5.5毫米，背部为11.8毫米，而手动标注的平均误差为2.7毫米。结果显示，算法在识别眼睛和臀部关键点时表现较好，但背部关键点的误差相对较高，特别是在有明显移动鬃毛的情况下，误差进一步增加。这可能是因为背部区域的视觉特征较为复杂，导致算法在识别时出现偏差。此外，直线行走的误差普遍高于圆形轨迹，这可能与拍摄角度和马匹运动状态有关。尽管如此，整体误差仍处于可接受的临床范围内。

在步级分析中，算法与手动标注的误差进一步减少。对于所有关键点，总体的平均绝对误差（MAE）为4.3毫米。眼睛关键点的误差最低，分别为2.9毫米（Maxdiff）和3.0毫米（Mindiff），而臀部的误差为5.5毫米，背部为4.3毫米。在试次级分析中，整体的平均绝对误差进一步降低，表明随着步数的增加，随机误差被平均抵消，从而提高了整体的测量一致性。此外，Bland–Altman图和散点图显示了算法与手动标注数据之间的高度一致性，表明算法在提取VDS和步态对称性指标方面具有良好的可靠性。

研究还探讨了算法与手动标注之间误差的理论关系。当每个试次中的步数增加时，试次级的平均绝对误差会相应减少。这是由于随机误差在多次测量中相互抵消，而系统误差则保持不变。然而，本研究中的平均步数略低于理想值，因此试次级的误差仍然存在一定的偏差。这表明在实际应用中，需要确保足够的步数以提高测量的准确性。

在讨论部分，研究强调了算法在实际应用中的优势。它能够在没有专业设备的情况下，通过手持设备完成高精度的步态分析，这为临床应用提供了便利。算法在地面线估计方面的表现也得到了验证，其误差范围较小，表明其在实际环境中具有良好的稳定性。尽管如此，仍需进一步测试以确保其在不同条件下的可靠性。此外，研究指出，手动标注虽然耗时，但在评估计算机视觉算法时仍然是重要的参考标准。

研究还对比了其他已发表的马匹步态分析系统。其中一项研究使用iPhone进行前视和后视拍摄，并通过计算垂直位移信号（VDS）的第一和第二谐波来估计步态对称性，但未包括背部关键点。该研究中，平均步数为29，且排除了步数不足的试次，因此其试次级误差较低。相比之下，本研究的平均步数较低，且未进行步数排除，因此试次级误差略高。然而，这并不影响其整体的可靠性，反而表明算法在实际条件下的稳健性。

研究的局限性在于，地面线估计的准确性尚未在实际条件下进行全面测试。虽然本研究中算法表现良好，但仍需与3D运动捕捉或惯性测量单元（IMU）等传统方法进行比较，以验证其在临床应用中的有效性。此外，未来的研究应考虑更多变量，如马匹运动速度、拍摄距离和环境因素，以进一步提高算法的准确性。

总的来说，这项研究为基于计算机视觉的马匹步态分析提供了一个重要的参考。算法能够在实际环境中提供可靠的测量结果，这为兽医和马匹主人提供了新的工具，用于日常步态评估和健康管理。未来，随着技术的进一步发展和验证，这种无标记的视觉系统有望在临床实践中得到更广泛的应用，为马匹的健康监测和治疗提供更加便捷和高效的方法。