基于康复训练过程的人体步态分析

随着我国逐步迈入老龄化社会，脑卒中、脑外伤、脊椎损伤等疾病在人群中的发病率逐渐升高，未来社会对于康复医疗的需求将十分迫切，而康复机器人的出现将在很大程度上缓解这一状况。为了在康复过程中对患者的运动步态进行分析，本文首先利用微软开发的Kinect二代体感传感器跟踪和采集患者在康复运动过程中的姿态信息，然后采用经过优化的基于Slope Constraints的坡度加权多维微分动态时间规整算法来实现步态的全局分类。同时为了实现步态的局部分析，本文提出一种基于特征语义信息分割的步态分析方法，以有效得到局部的信息。

传统的物理康复训练高度依赖于理疗师，理疗师必须手把手、面对面地指导患者进行康复训练，训练的效果直接取决于理疗师的技能水平和经验，而患者所需要付出的相应费用也非常高昂。同时，随着我国逐步迈入老龄化社会，脑卒中、脑外伤、脊椎损伤等疾病在人群中的发病率也会逐渐升高，未来传统康复训练对于理疗师的需求将更加迫切。由于传统康复方法存在诸多弊端，越来越多的研究机构开始研发康复机器人来辅助患者进行康复运动，并且已经取得了长足的进展。康复机器人的出现彻底释放了患者的就医压力，它的出现对于康复医学来说重大意义，其发展前景也十分可观。

康复过程实际上是一个动态的、不断变化的过程，康复训练的目的是使神经损伤的患者最大程度重获独立行走的能力，康复机器人通过提供助力并不断的纠正患者在运动过程中的异常行为姿态以达到预期的效果。因此，在康复过程中对患者运动姿态的跟踪就显得尤为重要。实时地、持续地对患者的运动姿态进行跟踪和记录，并对其科学地分析和评估，不但可以良好反馈患者当前的身体状况，实现康复效果的自动化诊断，还可以为患者康复计划的指定提供有效参考，同时也能为康复机器人的改进提供指导性意见。本文正是在此背景下，研究面向康复系统的人体步态检测与分析技术。

人体步态检测技术可以归类为三维运动捕捉技术，从捕获方式上讲可以分为非视觉和基于视觉的两类。与非视觉式的动作捕捉系统不同，基于视觉的动作捕捉系统采用光学元件来感知人体的动作，通常有带标记点式和无标记点式两种方式。VICON 就是一套已被广泛应用的标记点式的动作捕捉系统，文献[1] [2]中分别使用它进行了人体步态识别与分析相关方面的研究工作。

这种系统具有较高的精度， 但它往往只能在专门的环境中使用，人体需要穿戴特设的装备，过程繁琐，费用高昂。而无标记点式系统则无需额外的标记点辅助即可实现人体动作跟踪，它成功地克服了标记点式系统所带来的一些问题。传统的无标记点式系统采用多台同步摄像机利用多目视觉技术进行动作跟踪与捕捉，如文献[3]中利用多视角录像机解决了两个彼此交互重叠的人体对象的骨骼跟踪重建问题，文献[4]中分别在虚拟环境和实验室环境下采用16/8 台摄像机来跟踪人体的运动信息。可想而知，同时采用多台摄像机的动作捕捉系统的成本仍然很高，其对特殊环境的依赖性依然很强。在这种情况下，成本更低的基于深度摄像头的动作跟踪技术提供了一个新发展的方向。文献[5]中通过使用一个TOF(Time-of-Filght)摄像机便实现了实时人体姿态跟踪， 它能在较高的帧率下提供场景中每个点的深度测量信息。

Microsoft Kinect 是微软于2009 年发布的一款具有里程碑意义的体感传感器， 它不仅能够提供RGB 彩色图像数据和深度数据， 同时还能实现人体骨骼追踪功能，使得人体运动跟踪变得更加容易和便捷。2014 年微软发布了Kinect 第二代产品，其在功能