基于深度学习的步态分类与异常检测框架，用于医疗监控领域

《Scientific Reports》：A deep-learning based gait classification and anomaly detection framework for healthcare surveillance

　　

摘要

步态分类与异常检测是一种非侵入式方法，可通过识别异常的行走模式来支持医疗监控和临床步态分析。尽管近期已有诸多进展，但现有方法仍存在模型复杂度高、计算资源需求大以及隐私问题等限制。本研究提出了一种统一框架，该框架整合了三个互补组件：（i）基于Transformer的时间建模技术，用于捕捉步态的短期与长期动态特征；（ii）轻量级架构，便于在边缘设备上高效运行；（iii）联邦学习技术，可在无需共享原始数据的情况下实现保护隐私的分布式训练。实验在“步态检测处理数据集”中选取的60,000张图像子集上进行，所用的联邦学习环境仅为概念验证用途，并非大规模应用场景。该数据集包含三类样本：背景/非步态、正常步态和异常步态。研究在联邦学习环境下，对视觉Transformer（ViT）、ConvLSTM和MobileViT这三种架构进行了三类步态的分类及异常检测测试。在所有测试模型中，MobileViT-Large的表现最佳，准确率为97.2%，精确率为96.8%，召回率为97.5%，F1分数为97.1%，但其需要更高的计算资源，且过拟合现象较为严重。MobileViT-Small则在效率与性能之间取得了最佳平衡，准确率为94.0%，更适于在边缘设备上部署。基于SHAP值的分析进一步表明，这些模型会关注步态中的关键区域，如躯干和四肢的动作。这一提出的框架为医疗监测应用提供了在保护隐私的前提下，对比循环神经网络架构与Transformer架构的参考依据。