《Journal of Biomechanics》：Are we ready to translate markerless motion capture in clinical gait analysis? A reliability assessment of different AI-driven approaches in healthy and Parkinson’s disease subjects
编辑推荐：
神经退行性疾病是全球物理治疗需求的主要诱因，其发病率预计将持续上升。帕金森病是一种进行性神经退行性疾病，影响神经系统，导致步态和平衡障碍，需要定期监测。临床量表评估可能受操作者主观性影响，而仪器化步态分析则耗时且繁琐。近年来，无标记运动捕捉技术作为一种替代方案
神经退行性疾病是全球物理治疗需求的主要诱因，其发病率预计将持续上升。帕金森病是一种进行性神经退行性疾病，影响神经系统，导致步态和平衡障碍，需要定期监测。临床量表评估可能受操作者主观性影响，而仪器化步态分析则耗时且繁琐。近年来，无标记运动捕捉技术作为一种替代方案应运而生，能够在低资源生态化环境中实现定量步态和姿势评估，并有助于更频繁地筛查疾病进展。然而，其临床有效性仍是一个待解决的挑战。
本研究旨在评估应用于帕金森病个体的不同无标记方法在不同商用相机配置下的可靠性。研究人员同步采集了十名帕金森病患者和十名健康受试者的数据，使用了光电系统和两台商用相机。通过基于标记和无标记方法计算了关节运动学和时空参数。此外，还考察了所选生物力学模型和相机配置的影响。
在效度评估方面，结果显示关节旋转和步速的比较呈现良好至极好的相关性（>0.7）。健康组髋关节内收-外展的均方根误差最低（5.10°），而同一组的髋关节屈伸均方根误差最高（19.20°）。在临床适用性方面，与立体摄影测量参考相比，所有测试的无标记解决方案的最小可检测变化值较高（最大28.57°，最小4.87°）。误差随自由度减少、相机数量减少以及在病理受试者中增加。
一、研究背景与问题
神经退行性疾病已成为全球物理治疗需求的主要原因，其发病率预计将持续攀升。帕金森病作为一种进行性神经退行性疾病，严重影响患者的步态和平衡功能，因此需要定期监测病情进展。传统的临床步态分析方法面临两大困境：一方面，临床量表评估容易受到操作者主观性的干扰；另一方面，基于实验室的仪器化步态分析虽然精确，但耗时费力，设备昂贵，难以在常规临床随访中普及。近年来，随着人工智能技术的发展，无标记运动捕捉技术作为一种极具潜力的替代方案应运而生。它利用普通摄像头和深度学习算法即可提取人体姿态，无需穿戴传感器或粘贴标记点，有望在低资源、生态化的环境中实现定量的步态和姿势评估，从而促进对帕金森病等神经退行性疾病进展的更频繁筛查。然而，尽管无标记技术在健康人群中的验证取得了一定进展，但其在临床环境中的有效性和可靠性，尤其是在病理人群中的应用，仍然是一个尚未完全解决的开放性挑战。现有的大多数验证研究集中在健康人群，针对帕金森病等病理群体的可靠性数据严重不足。因此，迫切需要系统地评估不同人工智能驱动的无标记方法在帕金森病患者中的可靠性，以推动其向临床应用转化。
二、研究目的与意义
本研究旨在评估不同人工智能驱动的无标记运动捕捉解决方案相对于传统基于标记系统的可靠性，探讨其在临床步态分析中的潜在应用价值。研究的核心意义在于：首先，这是少数专门针对帕金森病人群进行无标记步态分析可靠性评估的研究之一，填补了病理群体数据的关键空白；其次，研究系统地分析了多种误差来源，包括相机设置、二维/三维身体姿态估计配置、生物力学模型复杂度以及病理状态本身对可靠性的影响，为未来无标记技术的优化提供了明确方向；最后，鉴于目前缺乏无标记步态分析的临床指南，本研究试图为无标记技术在门诊环境中的实施提供实用建议，具有重要的临床指导意义。
三、关键技术方法概述
研究人员从意大利维琴察的Fresco帕金森基金会中心招募了10名帕金森病患者（年龄73.50±6.64岁，BMI 25.39±1.73 kg/m2，5男5女），并从帕多瓦大学BiomovLab数据库中选取了10名健康受试者作为对照（年龄22.70±2.60岁，BMI 21.16±2.59 kg/m2，5男5女）。所有参与者同步使用8摄像头的Vicon光电系统（120 Hz）和两台GoPro Hero v7摄像机（60 Hz，1080p）进行数据采集，摄像机分别放置在矢状面和额状面，距步行道2米。研究采用了两种主流的人工智能身体姿态估计框架：MediaPipe和AlphaPose，并通过多种配置计算关节运动学，包括：二维矢状面身体姿态估计、各自三角测量算法的三维身体姿态估计、MediaPipe深度估计的三维身体姿态估计，以及结合标记增强和OpenSim逆运动学的Pose2Sim流程。为了与无标记方法公平比较，研究人员将标准的基于标记的IORgait协议简化为IOR_Reduced模型，并同样通过OpenSim逆运动学处理标记轨迹以获得参考数据。统计分析采用配对统计参数映射用于连续轨迹比较，Wilcoxon符号秩检验用于离散变量比较，并使用Benjamini-Yekutieli方法控制错误发现率。
四、研究结果
4.1 时空参数：技术效度
在步态事件检测方面，只有视觉检查方法与基于标记的足部标记物轨迹相比在支撑相和摆动相百分比上没有显著差异。在自动事件检测方案中，MediaPipe三角测量解决方案在两组人群中均显示出与基于标记自动检测的一致性。对于完整的时空参数，大多数变量存在统计学显著差异。在帕金森病群体中，使用MediaPipe从正面视角或通过三角测量估计的步速，以及AlphaPose二维身体姿态估计的步速，与基于标记方法表现出良好一致性。在健康组中，只有MediaPipe三角测量的步速和步宽与基于标记方法一致。
4.2 时空参数：临床效度
基于标记的参考在所有变量中显示出最高的组内相关系数和最低的最小可检测变化值。在健康组中，两种三角测量解决方案在步长上的组内相关系数最低（<0.24），同时最小可检测变化值最高。在所有无标记方法中，步宽的组内相关系数普遍最低，但AlphaPose矢状面视角在健康组中表现较好（组内相关系数=0.87）。
4.3 关节运动学：技术效度
在基于标记模型内部比较中，IOR_Reduced与标准IORgait模型在健康组中表现出极好的一致性（复相关系数>0.88），但与OpenSim逆运动学相比，尤其在踝关节层面一致性较低（复相关系数=0.53，均方根误差=11.13°）。IOR_Reduced在帕金森病群体中带来更大差异（髋关节均方根误差=12.21°）。
对于MediaPipe单目解决方案，二维或三维矢状面身体姿态估计在两组人群的髋关节和膝关节层面结果相当，但在帕金森病群体中踝关节复相关系数较低（>0.48）。通过深度估计引入第三维度导致了最大误差，正面视角分析显示更高的均方根误差（健康组髋关节最大19.20°）和更低的复相关系数（<0.77）。
在二维矢状面身体姿态估计比较中，MediaPipe和AlphaPose均在膝关节层面表现最佳（复相关系数>0.87，均方根误差<8.71°），帕金森病组与参考的一致性低于健康组。
三维三角测量方法改善了两种方法的运动学估计，但MediaPipe在髋关节层面的均方根误差更高（健康组7.35°，帕金森病组9.49°）。
关于可见腿与遮挡腿的分析，AlphaPose受遮挡影响更显著，性能明显下降，而MediaPipe表现出更强的鲁棒性，但整体精度较低。
数据增强方法（Pose2Sim）允许对关节运动学进行增强分析，但检测到统计学显著差异。髋关节和膝关节矢状面运动显示出良好的复相关系数（>0.74），但其他自由度存在较大差异。
4.4 关节运动学：临床效度
各方法间观察到高度一致性，组内相关系数普遍高于0.80。基于标记方法始终显示出高组内相关系数和较低的标准化测量误差及最小可检测变化值。在无标记方法中，矢状面或三角测量解决方案表现更好，但仍无法与基于标记方法媲美。MediaPipe三维身体姿态估计的组内相关系数较低，标准化测量误差和最小可检测变化值较高。在帕金森病群体中，单目三维身体姿态估计的影响有所减弱。
五、讨论与结论总结
讨论部分总结：
本研究表明，时空参数的估计可以达到可接受的准确性，但关节运动学的可靠性仍需进一步改进才能满足临床使用要求。无标记方法在组内相关系数和最小可检测变化值方面表现良好，与已发表文献一致，但尚未达到基于标记方法的水平。误差的来源是多方面的：首先，身体姿态估计模型的局限性是主要驱动因素，尤其是无标记方法缺乏骨盆特异性解剖标志点，导致髋关节运动学估计偏差最大；其次，生物力学模型的差异也影响了结果的对比性；再者，相机设置和视角选择至关重要，同侧腿的估计一致性优于对侧腿，三角测量方法总体上改善了运动学估计。值得注意的是，在帕金森病群体中，误差普遍增大，这强调了在病理人群中进行专门验证的必要性。研究也存在若干局限，包括缺乏双平面荧光透视作为金标准、GoPro相机帧率较低、样本量较小、未探索45度相机放置角度、以及缺乏硬件同步等。尽管如此，现代无标记方法相比传统基于标记框架显著缩短了处理时间，这有力地支持了其临床采纳前景。
研究结论翻译：
基于无标记的帕金森病步态分析可能在解决传统步态实验室评估的局限性方面代表一项重大进步，特别是在可及性方面。然而，病理状况对这些技术可靠性的影响对于确定其临床适用性至关重要。本研究调查了可能影响这些技术可靠性的不同因素（即相机位置、帧率、生物力学模型、是否存在神经系统疾病），以及这些因素如何不同程度地影响时空参数和关节运动学的估计。研究人员对帕金森病个体的结果表明，尽管在时空参数估计中可以达成可靠性，并且无标记方法报告了良好的组内相关系数值，但对于关节运动学估计则需要更加谨慎，特别是当采用没有三角测量辅助的二维解决方案时，因为此时相关性较低且最小可检测变化值较高。此外，在存在病理受试者的情况下，仍然检测到了较大的均方根误差值，尽管整合了数据增强技术和逆运动学方法的解决方案展现了相对更好的性能。
