基于YOLOv8和HRNet的人体下肢关键点检测与功能评估

《Scientific Reports》：Keypoint detection and functional evaluation of human lower limbs based on YOLOv8 and HRNet

　　

摘要

随着人工智能和深度学习技术的发展，人体姿态估计已广泛应用于医疗康复和动作分析等领域。为满足膝关节疾病患者下肢功能客观评估的需求，我们提出了一种方法，通过将YOLOv8与改进后的HRNet相结合来检测和评估人体下肢的关键点功能。首先，使用YOLOv8s模型定位图像中的人体区域，然后利用加入了门控单元和关键点注意力单元的HRNet-W32模型来检测六个下肢关键点：左右髋部、左右膝盖以及左右脚踝。最后，根据髋部、膝盖和脚踝的几何关系计算膝关节的屈伸角度，并通过阈值状态机识别坐起-站立动作。实验结果表明，与原始的HRNet-W32相比，改进后的HRNet在mAP@0.5和PCK@0.3指标上分别提升了3.9%和1.3%。在200组30秒坐起-站立测试视频中，该系统的平均计数准确率为97.84%，平均绝对误差为0.18倍。此外，还通过诸如膝关节损伤与骨关节炎结局评分（KOOS）、西安大略大学和麦克马斯特大学骨关节炎指数（WOMAC）、快速起身测试（TUG）以及30秒坐起-站立测试等既定的临床指标，进一步评估了视觉算法输出与临床功能状态之间的相关性。