《Diagnostics》：Dual-Model Artificial Intelligence Framework Integrating AI-Based Markerless Motion Capture for Dynamic Gait Prediction and Health-Status Classification
编辑推荐：
背景/目的: 人类步态分析对于识别与病理状况相关的生物力学改变至关重要。然而，结合光学运动捕捉和测力板的传统实验室系统仍然昂贵、占用空间，并且难以在常规或可及环境中实施。本研究提出一种双模型人工智能框架，旨在桥接运动学和动力学，并随后从运动数据中支持步态健康状
背景/目的: 人类步态分析对于识别与病理状况相关的生物力学改变至关重要。然而，结合光学运动捕捉和测力板的传统实验室系统仍然昂贵、占用空间，并且难以在常规或可及环境中实施。本研究提出一种双模型人工智能框架，旨在桥接运动学和动力学，并随后从运动数据中支持步态健康状态分类。方法: 第一个模型旨在从运动学输入估计地面反作用力（GRF）和压力中心（CoP）信号。使用包含同步运动学和动力学的公共数据集来训练和评估长短期记忆网络（LSTM）和一维卷积神经网络（CNN1D）架构。一个鲁棒性阶段通过域适应训练进一步将动态预测模型适应于类似无标记的运动学输入。第二个模型被实现为一个多通道卷积分类器，使用归一化的GRF/CoP信号和元数据。比较了三种变体：仅信号、信号加最小元数据、信号加丰富元数据。最后，一个桥接块连接了两个模型，并使用通过Move AI和Blender获得的无标记运动学进行了概念验证部署。结果: 最终的动态预测模型实现了总体均方根误差（RMSE）为0.0676，重建信号RMSE为0.0500，重建接触准确率为0.9736。最佳分类变体达到了平衡准确率0.9608，而最小元数据变体因其与可及数据采集的兼容性被选用于流水线集成。在完整流水线评估中，预测的动力学正确分类了健康对照样本。在Move AI/Blender概念验证中，所有五名健康参与者均被分类为健康对照，其平均非病理分类概率与该结果一致。结论: 所提出的双模型框架展示了将运动学采集、动态预测和步态分类连接在单个人工智能流水线中的操作可行性。Move AI/Blender阶段代表初步的概念验证而非临床验证，需要进一步评估病理参与者和同步测力板测量。
步态分析是临床评估和生物力学研究的重要工具，但传统实验室系统依赖于标记式光学运动捕捉和测力板，成本高、空间需求大、操作复杂，难以在常规临床或资源有限环境中推广。近年来，无标记运动捕捉和人工智能（AI）技术为更可及的步态评估提供了新途径，但现有研究大多聚焦于单一环节——要么从运动数据估计动力学变量，要么基于已测量的动力学信号进行分类，缺乏将运动学采集、动力学预测和步态分类整合至统一工作流的框架。为此，研究人员提出了一种双模型AI框架，旨在实现从运动学输入到动态步态预测再到健康状态分类的端到端流程。该研究利用公共数据集（GroundLink、Camargo/AddBiomechanics、GaitRec）以及自采集的Move AI/Blender无标记运动捕捉数据，验证了系统的可行性。论文发表在《Diagnostics》，其核心贡献在于通过桥接块连接两个模型，并展示了在无标记运动捕捉条件下的操作可行性，为未来更便捷的步态分析奠定了基础。
研究人员为开展研究主要采用了以下关键技术方法：使用长短期记忆网络（LSTM）和一维卷积神经网络（CNN1D）构建运动学-动力学预测模型（Model 1），利用GroundLink（6名参与者）和Camargo/AddBiomechanics（8名参与者）的同步运动学与动力学数据进行训练和评估；采用多通道卷积神经网络构建动力学-分类模型（Model 2），使用GaitRec数据集（2295名参与者，包含211名健康对照和2084名步态障碍患者）训练三种输入变体；通过域适应训练和F3G表示（等效关节角度、局部等效点、全局骨盆位置和速度）将Model 1适应于无标记样运动学输入；设计桥接块将连续动态预测转换为101×10的归一化支撑相样本，连接两个模型；最后，使用Move AI和Blender从5名健康男性参与者采集无标记运动学数据，进行概念验证部署。
**3.1 Model 1 验证**：通过对比LSTM和CNN1D在直接预测窗口和重建信号上的性能，发现LSTM的总体均方根误差（RMSE）（0.0676）低于CNN1D（0.2191），重建信号RMSE（0.0500）和接触准确率（0.9736）也优于CNN1D，表明循环时间建模更适合运动学-动力学映射。
**3.2 Model 2 变体比较**：比较三种分类变体——仅动态信号（Variant A）、信号加最小元数据（Variant B：性别、身高、体重）、信号加丰富元数据（Variant C）。Variant C达到最高平衡准确率（0.9608），但后验置换重要性分析显示其主要依赖采集年月和患侧等上下文变量；Variant B平衡准确率为0.7548，因仅需可获取的元数据，被选为流水线集成版本。
**3.3 完整流水线评估**：通过桥接块连接Model 1和Model 2，比较基于实测动力学和预测动力学对17个健康对照样本的分类结果。两分支均正确分类所有样本（准确率1.0000），预测非健康对照概率均低于0.5阈值，证明预测动力学在分类中与实测动力学表现一致。
**3.4 鲁棒性分析（类Move AI条件）**：将F3G表示（等效关节角度、局部等效点、全局骨盆位置和速度）与适配器模块结合，对Model 1进行鲁棒性适应。直接预测窗口RMSE（0.0652）接近基线（0.0676），重建信号RMSE（0.0582）略有增加，接触准确率保持稳定（0.9681 vs 0.9736），表明F3G适应基本保留了时间接触信息和整体预测行为，但重建GRF信号是主要性能退化来源。
**3.5 Move AI/Blender 概念验证**：使用Move AI和Blender获取的5名健康男性参与者的无标记运动学数据，通过鲁棒Model 1预测动力学，再经手动桥接块和Model 2分类。所有样本均被正确分类为健康对照，平均非健康对照概率为3.26×10
-6，验证了完整工作流在真实无标记运动捕捉数据上的操作可行性。
讨论部分总结了五个主要发现：LSTM在动力学预测中的优势；元数据对分类性能的提升作用；桥接块实现模型耦合的关键性；F3G表示在鲁棒性分析中的有效性；以及概念验证的正确分类结果。研究指出，分类变体Variant C的高性能主要来源于采集年月和患侧等上下文变量，而非动态信号本身，因此选择最小元数据变体更现实。桥接块中对压力中心（CoP）的处理（双阈值定义有效支撑区域、插值填充、符号调整和缩放）减少了人工伪影，使预测动力学与分类器输入分布对齐。鲁棒性分析中的配对分析未显示统计显著的性能损失，但置信区间较宽，受限于六名受试者的样本量。概念验证阶段缺乏同步测力板数据，无法定量验证GRF和CoP的准确性，且仅包含健康参与者，未评估病理条件下的判别能力。局限性包括：GroundLink受试者数量少、Camargo数据未作为独立外部测试集、端到端评估仅限健康样本、Move AI/Blender数据缺乏动力学参考、支持相分割依赖人工标注等。
结论：本研究提出了一种双模型人工智能框架，将运动学采集、动态预测和步态健康状态分类整合至单一工作流。结果表明，模型1（基于长短期记忆网络）可从运动学输入估计双侧地面反作用力（GRF）和压力中心（CoP），总体RMSE为0.0676。分类阶段证实动态信号包含区分健康与非健康步态模式的信息，但丰富元数据变体的高性能主要来自采集年月和患侧等上下文变量，因此选择基于最小元数据（性别、身高、体重）的变体用于流水线。桥接块实现了两个模型的操作连接，将连续动态预测转换为标准化的101×10输入。完整流水线评估显示，对于可用的健康对照样本，用预测动力学替代实测动力学后分类结果保持不变。鲁棒性分析表明，F3G表示适应基本保留了预测行为和接触准确率，但重建GRF是主要性能退化来源。使用Move AI/Blender数据的五名健康参与者概念验证正确分类为健康对照，该部署应视为操作可行性证明，而非临床验证。未来需在病理参与者、同步测力板采集条件下进一步验证。
