使用姿态估计运动学和描述性信息预测跌倒冲击力的混合框架

《Journal of Biomechanics》：A hybrid framework for predicting fall impact forces using pose-estimated kinematics and descriptive information

　　

跌倒是老年人髋部骨折的主要原因；然而，由于安全限制，在实验室跌倒期间直接测量髋部冲击力具有挑战性。基于人工智能（AI）的姿态估计（例如，OpenPose、WHAM）可以从视频中提取运动学，这些运动学可用于估计地面反作用力。本研究评估了从视频捕捉的跌倒中提取的姿态衍生运动学特征（单独使用或结合人口统计学和观察性数据（例如，初始接触区域））是否能准确预测髋部冲击力。研究人员分析了来自11名老年人（9名男性；62.6±3.8岁）的69次侧向跌倒试验，使用了跌倒的视频记录，以及髋部佩戴的惯性测量单元（IMU）和力板来测量髋部冲击力。姿态衍生运动学特征（姿态数据）包括使用OpenPose提取的髋部冲击速度和加速度，以及使用WHAM获得的膝关节屈曲角度。评估了四个特征集用于预测髋部冲击力：人口统计学+观察性、仅姿态、人口统计学+观察性+姿态，以及仅IMU。模型使用留一参与者交叉验证进行训练，并采用R²和平均绝对误差（MAE）进行评估。使用线性混合效应模型和Bonferroni校正的事后比较评估了不同特征集之间的MAE差异。组合模型（人口统计学+观察性+姿态）显示出比人口统计学+观察性模型（R²=0.47；MAE=0.48 BW）更高的预测准确性（R²=0.70；MAE=0.35 BW），但未达到基于IMU的模型的性能（R²=0.89；MAE=0.21 BW）。姿态衍生运动学为从视频捕捉的跌倒中预测髋部冲击力提供了有意义的、基于物理信息的特征。将这些特征与人口统计学和观察性数据整合可提高预测准确性，支持其在研究跌倒损伤机制中的应用。

**论文解读：基于姿态估计运动学与描述性信息预测跌倒冲击力的混合框架**

**研究背景与问题**
跌倒是老年人髋部骨折的主要原因，且随着年龄增长，骨折风险显著增加。髋部骨折常导致严重残疾、生活质量下降及高死亡率（术后死亡率接近30%）。髋部骨折发生的关键力学条件是施加于股骨颈的负荷（即髋部冲击力）超过骨损伤阈值，尤其在站立高度侧向跌倒时最为常见。髋部冲击力受跌倒速度和身体构型影响，保护性策略（如屈膝、旋转）可降低冲击力。然而，准确量化髋部冲击力面临挑战：实验室跌倒模拟通常使用软垫，这会低估真实世界的冲击力；而基于真实跌倒视频的观察性研究虽能提供跌倒背景，却缺乏定量生物力学分析。现有研究仅手动提取髋部冲击速度，耗时且难以推广。近年来，基于人工智能的姿态估计算法（如OpenPose、WHAM）可自动从视频中提取运动学参数，并在步行等任务中成功预测地面反作用力，但尚未应用于跌倒视频中的髋部冲击力预测。因此，研究人员开展本研究，旨在评估基于姿态估计的运动学特征（单独或结合人口统计学与观察性数据）能否准确预测跌倒中的髋部冲击力，为从视频中定量分析跌倒损伤机制提供新方法。

**研究内容与结论**
研究人员分析了来自11名健康老年人（9男，平均年龄62.6岁）的69次侧向跌倒视频，同时使用髋部佩戴的惯性测量单元（IMU）和力板测量实际髋部冲击力。通过OpenPose提取髋部冲击速度和加速度，通过WHAM提取膝关节屈曲角度，形成姿态运动学特征。比较了四个特征集（人口统计学+观察性、仅姿态、组合、仅IMU）的预测性能，使用留一参与者交叉验证和线性混合效应模型评估。结果表明，组合模型（R²=0.70，MAE=0.35 BW）显著优于仅人口统计学+观察性模型（R²=0.47，MAE=0.48 BW），但未达到IMU模型（R²=0.89，MAE=0.21 BW）的精度。姿态运动学特征中，髋部冲击速度解释方差最大（R²=0.52），其次为膝关节角度（R²=0.46），加速度最差（R²=0.35）。该研究首次证明，结合姿态估计运动学与人群描述性数据可显著提升从视频预测髋部冲击力的能力，为真实场景（如监控视频、运动录像）中分析跌倒损伤机制奠定了基础。论文发表在《Journal of Biomechanics》。

**主要关键技术方法**
本研究为一项随机对照试验的二次分析，样本来自此前安全着陆训练研究（Moon et al., 2019），纳入11名健康老年人（伊利诺伊大学香槟分校机构审查委员会批准，所有参与者签署知情同意书）。关键技术包括：1）基于OpenPose的2D姿态估计，用于从视频中提取髋部冲击速度，并通过二次微分计算加速度；2）基于WHAM的3D姿态估计，用于提取着地时刻的膝关节屈曲角度；3）使用力板（S-Mill，500 Hz）测量髋部冲击力作为金标准，并使用髋部佩戴的IMU（BioStamp MC10，125 Hz）获取加速度作为参考指标；4）采用机器学习回归模型（普通最小二乘法、岭回归、LASSO、随机森林、梯度提升），通过留一参与者交叉验证进行训练和评估，使用R²和平均绝对误差（MAE）衡量预测性能。

**研究结果**
**3.1 数据集描述**：共分析11名参与者（55-70岁，均值62.6±3.9岁），9名男性（81%），所有参与者身体健康。69次侧向跌倒视频中，平均体重归一化髋部冲击力为2.48±0.82 BW，范围1.08-4.65 BW。
**3.2 姿态估计运动学特征的数据质量**：髋部冲击速度准确率最高（94%视频MAPE<15%，均值6.45%），膝关节屈曲角度中等（对侧63%可接受，同侧56%），髋部冲击加速度最差（仅29%视频MAPE<15%，均值29.65%）。尽管加速度精度差，但因其与冲击力的力学关系仍保留。
**3.3 特征集对髋部冲击力预测的影响**：IMU模型表现最佳（R²=0.89，MAE=0.21 BW）。组合模型（姿态+人口统计学+观察性）的R²=0.70，MAE=0.35 BW，显著优于仅人口统计学+观察性模型（R²=0.47，MAE=0.48 BW，p=0.02），而仅姿态模型（R²=0.68，MAE=0.37 BW）与人口统计学+观察性模型无显著差异（p=0.11）。
**3.4 姿态估计运动学特征的贡献**：在仅姿态模型中，单变量分析显示髋部速度解释方差最大（R²=0.52），膝关节角度次之（R²=0.46），加速度最小（R²=0.35）。组合所有特征后R²提升至0.68。偏相关分析表明，髋部速度（pr=0.37）、加速度（pr=0.37）与冲击力显著正相关，冲击侧膝关节角度（pr=-0.32）显著负相关，而对侧膝关节角度无显著关联。

**讨论与结论**
讨论部分指出，本研究首次证明姿态估计运动学可提供有意义的物理信息特征，用于从视频预测髋部冲击力。组合模型误差（0.35 BW）对应约270 N（按平均体重79.1 kg），约为骨折阈值（2771-4020 N）的6-10%，尚不足以可靠区分个体是否发生骨折，但展示了视频预测的潜力。IMU模型误差更低（0.21 BW），且姿态估计加速度精度差是主要限制。未来改进姿态估计算法和视频质量可提升预测准确性。此外，观察性描述符（如跌倒策略、初始接触区域）目前需专家目视分类，限制了自动化。仅姿态模型表现相当，更易于规模化部署。研究局限性包括样本量小、仅使用简单回归模型、缺乏同步信号、仅侧向跌倒等。结论部分翻译如下：
**结论**：据研究人员所知，这是首次利用姿态估计运动学从视频捕捉的跌倒中预测髋部冲击力。姿态估计特征与人口统计学和观察性描述符结合时，显著优于仅依赖描述性信息的传统视频模型，凸显了姿态估计在量化视频跌倒冲击严重程度方面的力学价值。集成模型在自动化流程中的效用受限于观察性描述符需专家目视分类，这强调了未来工作中扩展姿态特征集和提升姿态估计准确性的重要性。最终，这项工作将为应用姿态估计算法研究真实场景（如监控摄像头捕捉的跌倒和记录损伤事件的运动录像）中的损伤机制奠定基础。