《Neurocomputing》：CausalPose: Causal attribution of kinematic chain deviations for intelligent sports technique correction
编辑推荐：
摘要准确识别导致所观察到的动作错误的根本技术偏差对于表现提升和损伤预防具有重要意义。现有的动作评估方法主要从统计关联层面学习关节轨迹与质量标签之间的关系，因此并未显式地区分上游偏差与其下游的运动学表现。我们提出CausalPose，一个面向运动技术纠正的基于模型的根因归因框架
摘要
准确识别导致所观察到的动作错误的根本技术偏差对于表现提升和损伤预防具有重要意义。现有的动作评估方法主要从统计关联层面学习关节轨迹与质量标签之间的关系，因此并未显式地区分上游偏差与其下游的运动学表现。我们提出CausalPose，一个面向运动技术纠正的基于模型的根因归因框架。CausalPose利用有向无环图（DAG）来表示受生物力学动机驱动的人体关节间的依赖关系，从特定运动项目数据中精炼允许边的强度，并使用结构因果模型（SCM）来估计在候选矫正干预下下游轨迹将发生何种变化。一个层次化反事实归因模块通过分段级和关节级干预对候选根源关节进行排序。随后，归因不确定性被传播到一个检索增强生成（RAG）流水线中，该流水线基于运动科学文献生成矫正反馈。我们在一个新收集的基于IMU的数据集上评估了CausalPose，该数据集包含杠铃深蹲、羽毛球杀球和自由泳序列。所提出的方法在Top-1根因标签与专家标注的一致性上，相比所评估的最强基线提升了高达10.1个百分点；与参考运动学模拟器的一致性在相对意义上提升了高达47.8%。由认证教练进行的初步盲评进一步表明，所生成的反馈比所评估的替代方案更为具体和具有可操作性。我们强调，专家标签衡量的是与教练判断的一致性，而基于模拟器的指标衡量的是在采用的运动学假设下的一致性；两者均不被解释为对人体运动中真实因果机制的直接实验验证。
引言
竞技运动表现可能受到身体动作中细微偏差的影响。例如，在深蹲过程中，髋关节外旋受限可能与可见的膝内扣同时发生。一个仅识别偏差最大的关节的系统，即使教练认为髋关节或踝关节才是主要的技术故障，也可能将注意力引向膝关节。这种区别激发了本研究的核心问题：计算模型能否不仅识别偏差在哪里被观察到，还能在显式运动学模型下识别哪个关节是最可能的上游来源？
这个问题具有实际意义，因为可观察的偏差与其主要技术来源并不一定需要相同的矫正提示。例如，深蹲中的膝内扣可能与髋关节旋转受限、踝关节背屈受限、躯干控制不足或这些因素的组合有关。仅针对可见的膝部偏差提出建议，可能无法解决教练所认为的主要动作模式。支持教练的自动化系统理想上应区分候选上游偏差与下游表现，并在多种解释同样合理时传达不确定性。
人体姿态估计的近期进展大幅提升了从图像和视频中提取关节轨迹的能力[1], [2], [3], [4]。基于Transformer的架构将这些能力扩展到时空关节建模[14], [15], [16], [17]。ST-GCN [9]及其后续的图卷积网络显式编码了关节间的解剖学关系[10], [12], [13]。动作质量评估方法进一步利用学习表示、回归目标、对比学习或不确定性建模来评估动作执行的好坏程度[18], [19], [27], [28]。
这些方法为动作评估提供了强大的表示，但大多数方法并未显式建模一个关节的矫正如何影响其他关节的方向。从观察性数据中学习的注意力权重或图权重可能捕获预测依赖关系，但不一定能识别一个关节是否在另一个关节的上游。因此，一个高度预测性的关节不应自动被解释为所观察到的动作错误的原因。如果目标是估计矫正一个候选关节可能如何改变下游偏差，则需要一个显式的方向和干预模型。
考虑一个在深蹲过程中检测到异常膝关节轨迹的系统。基于相关性的模型可能正确地将膝关节识别为与低质量表现高度相关的关节，但仅凭这一观察并不能确定膝部偏差是主要的，还是与上游的髋关节、踝关节或躯干偏差相关联。这些替代方案可能导致不同的矫正建议。因此，即使目标被更谨慎地表述为对可能的上游来源进行排序而非确立确定的生物原因，这一区别对于反馈生成也至关重要。
结构因果模型（SCM）为表示有向依赖关系和评估干预提供了形式化语言[23]。它们区分观察性查询与干预性和反事实查询，例如询问如果候选关节遵循参考轨迹，预测的下游轨迹将如何变化。在许多运动动作中，生物力学知识提供了关节和身体段的偏序关系，这可以用有向无环图（DAG）来表示。给定该图和学习的结构方程，基于模型的干预可以通过后代关节进行传播，以估计偏差的相应变化。
然而，有两点限定条件非常重要。首先，在SCM中替换一个关节轨迹是一种基于模型的反事实干预，而非在运动员身上实施的实际矫正干预。其有效性取决于假设的图、结构方程和生物力学约束。其次，与教练标注的根因标签的一致性衡量的是与专家判断的一致性，而非对真实因果机制的直接恢复。因此，我们使用因果术语来描述所提出模型的结构和操作，同时在整个论文中始终区分基于模型的归因与经实验验证的因果关系。
一个互补的挑战在于以教练可用的形式传达归因结果。即使已识别出一个合理的上游关节，将该结果转化为具体且可操作的反馈仍需要超越运动模型本身的领域知识。检索增强生成（RAG）可以使语言生成以检索到的领域文献为条件[24]。在所提出的框架中，检索查询包含预测的根源关节、其归因分数、动作上下文及相应的不确定性。这种设计使得当多个根因候选获得类似支持时，生成的反馈能够更加谨慎。
在这一背景下，我们提出CausalPose，一个结合生物力学引导的图建模、结构方程、层次化反事实归因、不确定性估计和检索 grounding 反馈生成的框架。本研究聚焦于三种运动的基于IMU的关节轨迹：杠铃深蹲、羽毛球杀球和自由泳。我们并不假定所报告的结果能自动推广到无标记视频、其他传感系统或未观察到的运动项目。
主要贡献如下：
- •
我们将运动技术纠正表述为基于生物力学引导的运动学图上的基于模型的根因归因问题。该表述显式地区分了所观察到的关节偏差与在所采用的SCM下的预测上游影响，而非将单纯的预测关联解释为因果。
- •
我们引入了一种层次化反事实归因模块，首先评估身体段，然后在矫正干预下根据预测的下游偏差降低量对单个关节进行排序。这些干预在所学到的SCM内执行，因此被解释为基于模型的估计而非实际人体干预结果。
- •
我们将蒙特卡洛归因不确定性传播到RAG流水线中，使检索和语言生成能够考虑多个合理的根因候选，并在归因置信度较低时进行适当的推荐保留。
- •
我们在一个覆盖三种运动的基于IMU的数据集上评估该方法。评估分别报告了与专家标注根因标签的一致性和与参考运动学模拟器的一致性。这些指标评估了互补的模型有效性形式，但不被呈现为对真实因果机制的直接实验证明。
章节摘要
人体姿态估计与基于骨骼的动作分析
人体姿态估计提供可作为下游动作分析输入的关节表示。卷积姿态机[1]引入了顺序关键点精化，而堆叠沙漏网络[2]使用了重复的多尺度编码器-解码器处理。简单基线[3]展示了反卷积预测头部的有效性，HRNet [4]通过平行的多分辨率子网络保持高分辨率表示。结构感知和对抗性的
概述
图1展示了CausalPose的整体架构。给定一个观察到的动作序列和一个时间对齐的专家参考，该框架首先使用具有干预敏感图注意力的时空编码器来编码关节轨迹。一个生物力学定义的有向无环图（DAG）指定了运动学影响的允许方向。该模型学习先前允许边上的特定运动项目权重，而非执行无约束的图发现。一个
数据集
我们在CausalMotion上评估CausalPose，这是一个为运动技术纠正中的基于模型的根因归因而收集的基于IMU的数据集。CausalMotion共招募了155名唯一参与者。三个运动子集各包含60名参与者；由于部分参与者贡献了不止一个运动项目，各运动项目的参与者数量不可累加。CausalMotion包含4 817个动作序列，涵盖三种运动：杠铃深蹲（1 923个序列）、羽毛球杀球
结论
我们提出了CausalPose，一个面向运动分析的基于模型的根因归因框架。该框架结合干预敏感图注意力、先验约束的DAG重加权、层次化反事实归因、不确定性估计和检索增强的反馈生成。在CausalMotion上，这是一个覆盖杠铃深蹲、羽毛球杀球和自由泳划臂的基于IMU的数据集，CausalPose在根因关节与专家标注的一致性上优于
利益冲突声明
作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
陈奎霖|黄卓然|刘鹏|葛双|罗伟
