基于视频的姿态估计算法在单腿站立平衡错误评分系统评估中的验证

推荐 为解决传统主观评估单腿站立测试（SLST）耗时且主观性强的问题，研究人员利用视频基于姿态估计（Mediapipe）对平衡错误评分系统（BESS）进行验证。结果显示，该方法与人类观察及标记运动捕捉系统的BESS总分无显著差异，但足部动作检测存在不足。该研究为快速、客观的平衡功能评估提供了新工具，具有重要的临床应用价值。

　　

论文解读
平衡能力是人体维持姿势稳定的重要指标，与跌倒风险密切相关。传统评估方法如职业平衡问卷和活动平衡信心量表虽常用，但缺乏量化标准。单腿站立测试（SLST）因其可靠性和有效性被广泛采用，但其评分依赖主观判断，耗时且易受评估者经验影响。为解决这一问题，研究人员开发了平衡错误评分系统（BESS），通过量化六类错误事件提高评估客观性，但仍需专业培训且效率较低。近年来，基于视频的姿态估计技术因成本低、易获取成为研究热点，但其准确性仍存争议。

为此，来自运动与运动科学研究所的研究团队开展了一项研究，旨在验证视频基于姿态估计算法在SLST性能评估中的有效性，并将其与人类观察及标记运动捕捉系统的BESS评分进行对比。研究对象为23名健康及踝关节不稳定的参与者，通过iPad摄像头和标记运动捕捉系统记录60秒闭眼SLST试验，并利用Mediapipe算法提取全身运动学数据。结果显示，视频基于姿态估计的BESS总分与人类观察及标记系统无显著差异，相关系数（CC）达0.69至0.77，但足部抬起子评分存在显著差异，Mediapipe未能准确捕捉足部细微动作。

研究背景中提到，平衡能力下降是跌倒的主要风险因素，尤其影响老年人群。传统评估方法如Berg平衡量表和计时起立行走测试虽被广泛应用，但缺乏对SLST的针对性量化工具。BESS通过六类错误事件（如髋关节角度超过30度、足部抬起等）实现定量评估，但其主观性和耗时性限制了临床应用。近年来，基于深度学习的姿态估计技术（如Mediapipe）因能自动提取骨骼关键点成为研究热点，但其准确性在复杂动作捕捉中仍存挑战。

研究方法上，团队采用60秒闭眼SLST试验，通过iPad摄像头和Qualisys标记运动捕捉系统同步记录数据。Mediapipe算法被用于从视频中提取全身运动学数据，并基于阈值法开发错误检测算法计算BESS总分及子评分。为验证结果，研究招募23名参与者（含踝关节不稳定者），进行重复测量方差分析（ANOVA）和相关性分析。结果显示，视频基于姿态估计的总分与人类观察及标记系统高度相关（CC=0.72至0.77），但足部抬起子评分因视频分辨率限制导致检测失败。

研究结果表明，视频基于姿态估计系统可作为快速评估SLST性能的工具，尤其适用于大规模筛查。然而，其在捕捉足部细微动作方面存在局限性，需进一步优化算法或增加专用摄像头以提高准确性。研究还指出，人类观察者在足部抬起评分中存在较大主观差异（CC=0.41至0.7），提示需建立统一的评分标准。

该研究的意义在于为平衡功能评估提供了高效、低成本的替代方案，尤其适用于资源有限的临床场景。未来研究可聚焦于改进姿态估计算法或结合多视角视频以提高足部动作检测精度。此外，建立标准化的BESS子评分指南将有助于提升评估的可靠性和可重复性。总体而言，该研究推动了平衡评估技术的数字化进程，为个性化康复干预提供了科学依据。