物理治疗师利用计算机视觉技术对30秒坐立测试进行定量评估

《Journal of NeuroEngineering and Rehabilitation》：Quantitative assessment of the 30-second sit-to-stand test using computer vision technology for physical therapists

　　

摘要

背景

跌倒是老年人致残和死亡的主要原因之一。传统的30秒坐起站立测试依赖于重复次数，这限制了其检测细微姿势控制缺陷的能力。我们运用计算机视觉和机器学习技术，将这一测试发展为可用于评估功能状态的多元评估体系。

方法

32名居住在社区中的老年人（18名正常者，14名能力较弱者）在基线期（2022年6月至7月）和随访期（2023年1月至2月）各进行了两次30STS测试。通过Keypoint R-CNN技术处理智能手机拍摄的视频，提取17个关节坐标，进而计算出重心、运动学参数以及多尺度样本熵。采用配对t检验分析组内变化，而逻辑回归、随机森林和支持向量机则通过多次分层五折交叉验证来评估分类效果。

结果

与平均值相比，重心的极值及形状指标（最大值、最小值、偏度、峰度）更具敏感性，能够反映出能力较弱者的短暂不稳定状态及相应的补偿策略（p?＜?0.05）。运动学分析显示，正常者具有稳定的控制能力，而能力较弱者则采取保守的降低动作幅度的策略（如acc-y CV，p?=?0.022）。MSE数值表明正常组的水平方向时间复杂性更高，而能力较弱组则复杂性较低，这可能反映出其运动协调模式的差异。在该群体中，随机森林的交叉验证性能最佳（AUC?=?0.993）；逻辑回归的表现也相当出色（AUC?≈?0.93，CA?≈?0.90）；支持向量机的准确率也有显著提升（AUC?=?0.961，CA?=?0.886）。

结论

基于智能手机的姿态估计算法将30STS测试从单纯依赖重复次数转变为多元评估方式，提供了超出重复次数的更多定量信息。这种方法在长期监测、社区筛查以及远程护理方面具有应用潜力，而机器学习模型在该群体中也展现了初步的可行性。