基于贝叶斯液态神经网络（LNNBI）的不确定性感知姿势质量评估与拒识框架

《Frontiers in Neurorobotics》：Uncertainty-aware posture quality assessment with Bayesian liquid neural networks

　　

自动化姿势质量评估（automated posture quality assessment）在健康与保健技术（health and wellness technology）中日益重要。然而，现有方法主要提供点估计（point estimates）而未量化预测置信度（prediction confidence），这在安全敏感应用（safety-sensitive applications）中构成关键限制，因为错误评估可能导致不当指导。该研究通过引入基于贝叶斯液态神经网络（Bayesian Liquid Neural Networks, LNN_BI）的可靠性导向评估框架（reliability-oriented evaluation framework）来弥补这一空白。与传统方法不同，研究人员的方法同时给出质量分数和由贝叶斯变分推断（Bayesian variational inference）导出的原则性不确定性度量（uncertainty measure）。更重要的是，研究人员纳入拒识机制（rejection mechanism），使模型在不确定性超过预设阈值（predefined threshold）时放弃预测，从而为实际部署建立内置保障。为支持该框架，研究人员构建了包含50名参与者、200次会话的纵向数据集（longitudinal dataset），将四种基本人体姿势分解为七个生物力学指标（biomechanical indicators）。实验结果表明，LNN_BI达到0.8715准确率和0.9105精确率，优于LSTM、MC-GRU、TSGCN和YoNet基线。不确定性分析揭示预测误差与不确定性之间强相关（Pearson’s r = 0.73），证实模型能可靠识别自身低置信度预测。在15%拒识率下，有效准确率达到0.923。相关分析进一步识别骨盆位置与中立性（Pelvic Position and Neutrality；r = 0.682）和脊柱对齐（Spinal Alignment；r = 0.595）为最有影响的生物力学指标。该工作为自动化姿势评估提供了可靠性优先（reliability-first）视角，在个性化健康指导（personalized health coaching）和远程指导（remote guidance）中具有部署潜力，尤其是在GPU加速系统（GPU-accelerated systems）上。

论文围绕自动化姿势质量评估（posture quality assessment）中缺乏预测置信度的问题展开。健康与保健技术中，姿势练习的治疗有效性与安全性依赖生物力学执行精度，错误对齐可能抵消益处并导致肌肉骨骼劳损和损伤。现有深度学习姿势评估方法多提供点估计，不量化预测置信度；在物理训练和康复等安全敏感场景中，高置信错误评估可能带来不当纠正、损伤风险与信任损害，尤其在无监督练习中更为严重。研究人员因此提出可靠性优先、不确定性感知的评估框架。

研究人员构建了50名参与者、200天纵向数据集，将四种基本姿势分解为七个生物力学指标，并提出贝叶斯液态神经网络（Bayesian Liquid Neural Networks, LNN_BI），将液态神经网络（Liquid Neural Networks, LNNs）的连续时间动态与贝叶斯变分推断（Bayesian variational inference）结合，同时输出质量分数和不确定性，并引入拒识机制（rejection mechanism）。该研究结论显示，LNN_BI在准确率、精确率和F1-score上优于LSTM、MC-GRU、TSGCN和YoNet，且不确定性可识别低置信预测，拒识后有效准确率提高。其意义在于为个性化健康指导、远程指导和GPU加速系统提供可靠性优先的部署路径。

关键技术方法概括：研究人员采用大学体育课程招募的50名大学生，32名女性、18名男性，年龄18–26岁，开展200天纵向队列；评估脊柱伸展、脊柱屈曲伴伸长、单侧负荷和单肢平衡四类姿势；使用三机位视频，由三名认证教练评分，组内相关系数ICC(2,1)为0.82–0.91；通过MediaPipe或OpenPose提取33个骨骼关键点，计算七个生物力学指标；构建LNN_BI，采用贝叶斯变分推断、证据下界ELBO、重参数化和蒙特卡洛后验预测；设置不确定性阈值拒识；与LSTM、MC-GRU、TSGCN、YoNet比较；开展Δt消融和跨被试/时间泛化评估。

研究结果如下。4.1 实验设置：模型在NVIDIA GeForce RTX 3090 GPU、64GB RAM、Python 3.8和TensorFlow 2.9上实现，学习率0.001、批大小32、训练1480轮；任务为从七个生物力学指标回归预测0–100连续分数，并离散为“Needs Improvement”“Satisfactory”“Excellent”三类；数据按80%–20%划分，测试集包含未见参与者和未来时间段，评估准确率、精确率、F1-score、RMSE、MAE、R²及不确定性校准。4.2 模型性能比较：LNN_BI取得0.8715准确率、0.9105精确率和0.8768 F1-score，优于LSTM、MC-GRU、TSGCN和YoNet。4.3 指标相关分析：通过Pearson相关分析发现，骨盆位置与中立性（Pelvic Position and Neutrality, PPN）与预测准确率相关性最强（r = 0.6815，p < 0.001），脊柱对齐与伸长（Spinal Alignment and Elongation, SAE）为r = 0.5953，核心肌群参与（Core Muscle Engagement, CME）为r = 0.5847，呼吸节律与协调（Breathing Rhythm and Coordination, BRC）为r = 0.5078，下肢关节对齐与稳定性（Lower-Body Joint Alignment and Stability, LBJAS）为r = 0.4829，肩胛带稳定性与定位（Shoulder Girdle Stability and Positioning, SGSP）为r = 0.4527，足部基础与重量分布（Foot Foundation and Weight Distribution, FFWD）为r = 0.3952，七个指标均显著。4.4 不确定性阈值分析：阈值从0.05至0.30变化时，LNN_BI在τ = 0.15时拒识约15%样本，有效准确率达到0.923，并优于MC-GRU；预测误差与不确定性呈强正相关（Pearson’s r = 0.73），说明不确定性估计校准良好。4.5 训练效率分析：LNN_BI训练时间121.83 s，处于中等水平，比YoNet快约14%；参数量47,892，单次前向FLOPs为2.34×10⁶，RTX 3090上单样本推理延迟4.2 ms，仅CPU时Intel i7-12700K为28.7 ms。4.6 时间步长Δt消融研究：Δt = 0.1 s对应30 fps下三帧间隔，取得最高准确率0.8715并保持稳定；较小步长增加计算成本但无精度提升，较大步长导致离散化误差和振荡。4.7 解耦评估：跨被试设置准确率0.8536、精确率0.8924、F1-score 0.8591、RMSE 6.41、MAE 5.28；时间预测设置准确率0.8902、精确率0.9227、F1-score 0.8948、RMSE 4.97、MAE 4.02，表明模型兼具跨个体泛化与未来时间预测能力。

讨论部分总结：不确定性感知预测使模型在低置信时弃权，比始终给出答案更可信，并将系统从自动“裁判”转为增强人类专家的人机协同助手；阈值可按风险容忍度调整。指标影响分析显示PPN最关键，符合骨盆作为身体基础并影响脊柱与下肢对齐的生物力学原理，SAE和CME也重要，BRC相关性较低可能因视觉数据难以直接获取呼吸模式。与现有方法相比，该框架同时输出分数与置信度，引入安全拒识层，并利用纵向数据捕捉时间动态。局限包括样本仅50名18–26岁大学生，CME与BRC为视频间接估计，计算复杂度对资源受限设备部署有挑战，且当前主要针对静态姿势而非姿势转换；未来可整合多模态数据、轻量化模型、知识蒸馏、硬件加速、动态动作序列和更大更多样人群验证。

研究结论翻译：该研究提出了一种可靠性导向的姿势质量评估框架，将液态神经网络（Liquid Neural Networks, LNNs）与贝叶斯变分推断（Bayesian variational inference）相结合。与传统仅产生点估计而无置信度度量的方法不同，研究人员的方法同时提供质量分数和原则性不确定性量化。关键的是，研究人员引入了拒识机制，使模型能够对低置信度预测弃权，为实际部署建立内置保障。通过对50名参与者在200天内的分析，研究人员证明LNN_BI在准确率（0.8715）、精确率（0.9105）和F1-score（0.8768）上优于LSTM、MC-GRU、TSGCN和YoNet基线。不确定性分析确认预测误差与不确定性之间强相关（Pearson’s r = 0.73），验证模型能可靠识别自身低置信度预测。在15%拒识率下，有效准确率达到0.923。相关分析识别骨盆位置与中立性（Pelvic Position and Neutrality）和脊柱对齐与伸长（Spinal Alignment and Elongation）为最有影响的生物力学指标。该工作为自动化姿势评估提供了可靠性优先视角。拒识机制不仅增强安全性，还支持人机协同工作流，使教练注意力指向最不确定案例。关于部署可行性，当前实现在NVIDIA RTX 3090 GPU上每样本4.2 ms，支持单用户场景实时处理；然而，在仅CPU硬件上（Intel i7-12700K每样本28.7 ms），并发多用户部署需要进一步优化。未来工作将聚焦模型轻量化（如剪枝和量化）、知识蒸馏和专用硬件加速，以在资源受限设备上更广泛部署，并将框架扩展到动态动作序列，以及用更大和更多样人群验证该方法。