ИНФОРМАЦИОННАЯ СИСТЕМА АНАЛИЗА МОДЕЛЕЙ НА ОСНОВЕ СКЕЛЕТА И СИЛУЭТОВ ДЛЯ РАСПОЗНАВАНИЯ ПОХОДКИ В УСЛОВИЯХ ИЗМЕНЯЮЩЕГОСЯ РАКУРСА КАМЕРЫ

Введение

Количественный анализ походки является важным инструментом объективной оценки двигательных нарушений [3]. Однако извлечение биомеханических параметров представляет только промежуточный этап. Ключевой задачей является интеллектуальная интерпретация этих параметров и формирование диагностических заключений [4].

 

Предлагаемая система замыкает цепочку обработки данных, преобразуя координаты суставов в диагностические гипотезы с количественной оценкой достоверности.

 

Система использует нормализованные координаты ключевых точек от модуля детектирования. Архитектура включает три основных модуля: вычисления параметров, классификации и формирования отчетов [5]. База знаний содержит эталонные параметры для 4 классов: "Норма", "Болезнь Паркинсона", "неврологическое заболевание", "Хромота".

 

Для классификации типов походки была применена машина опорных векторов (Support Vector Machine, SVM) с радиально-базисным ядром [1]. Выбор данной модели обусловлен ее эффективностью при работе с данными средней размерности и хорошей обобщающей способностью, особенно в условиях ограниченного объема обучающей выборки, что характерно для медицинских датасетов. В качестве признакового пространства использован вектор, включающий 15 наиболее информативных биомеханических параметров. Отбор этих признаков был выполнен автоматизированным методом рекурсивного исключения признаков (RecursiveFeatureElimination, RFE) [9], что позволило устранить мультиколлинеарность и повысить интерпретируемость модели, сохранив при этом ее высокую прогнозную точность.

 

Веб-интерфейс системы предоставляет: панель диагностического заключения с вероятностью класса, интерактивные графики динамики параметров, сравнительный анализ с эталонными кривыми, размеченное видео с выделенными аномалиями движения [4].

 

Материалы и методы

 

Обучение и валидация системы проводились на расширенном датасете, включающем видеозаписи походки здоровых испытуемых и пациентов с диагностированными нарушениями. Для обеспечения инвариантности к ракурсу съемки в обучающую выборку были включены видеопоследовательности, снятые с различных углов обзора: фронтального, профильного и диагонального. Видеозаписи были предварительно обработаны: выполнена нормализация разрешения, стабилизация кадра и временная синхронизация. Разметка данных включала указание граничных боксов (boundingboxes) для людей, координат ключевых точек скелета и меток соответствующих классов походки.

Математическая модель и алгоритмы

Математический аппарат системы основывается на конвейерной обработке данных. Для детектирования и оценки позы использовалась гибридная архитектура, сочетающая возможности YOLOv8 для быстрого обнаружения объектов и методы оценки позы, основанные на парных аффинных полях (PartAffinity Fields) [5]. Для каждого человека в кадре определяются координаты 33 ключевых точек по стандарту COCO. Для устранения проективных искажений, вызванных изменением ракурса, применяется алгоритм аффинной нормализации, который приводит скелетную модель к канонической фронтальной проекции.

На основе нормализованных траекторий ключевых точек рассчитывается набор биомеханических параметров походки. К ним относятся пространственно-временные характеристики (длина шага, скорость, частота), угловые параметры суставов (углы сгибания в коленном и тазобедренном суставах) и показатели симметрии движений (асимметрия длины шага, временные асимметрии). Для анализа временных рядов координат применяется цифровая фильтрация методом скользящего среднего и алгоритмы выделения фаз шага.

Для классификации паттернов походки использована машина опорных векторов (SVM) с радиально-базисным ядром [1]. Модель обучалась на 15 наиболее информативных признаках, отобранных методом рекурсивного исключения признаков (RFE). Оптимизация гиперпараметров модели проводилась с помощью поиска по сетке (Grid Search) с кросс-валидацией.

Архитектура модели

Основой системы является нейросетевая архитектура YOLOv8, дополненная компонентами для оценки позы человека. Конвейер обработки данных работает в три этапа. На первом этапе модель детектирует человека в кадре и определяет координаты 17 ключевых точек скелета (суставы рук, ног, стопы, голова) с последующим трекингом между кадрами. На втором этапе из траекторий точек извлекаются биомеханические параметры: длина шага, асимметрия движений и угол наклона туловища. На третьем этапе извлеченные параметры подаются на классификатор для определения типа походки.

 

Рисунок 1. Детекция человека и ключевых точек с помощью YOLO

Результаты

Оценка производительности системы проводилась на контрольной выборке, сформированной из независимого набора данных. Система продемонстрировала высокую эффективность в задаче классификации типов походки. Общая точность (Accuracy) классификации составила 92.5%. Детальный анализ по отдельным классам выявил следующее распределение метрики F1-score: для класса "Нормальная походка" — 95%, для класса "Болезнь Паркинсона" — 94%, для класса "Хромота" — 89%. Полученные значения превышают установленный порог в 85% (F1-score), что подтверждает пригодность системы для использования в качестве вспомогательного диагностического инструмента в клинической практике [2].

 

Система обеспечивает не только классификацию, но и содержательную клиническую интерпретацию результатов. Для случаев, классифицированных как "Болезнь Паркинсона", система автоматически выделяет и количественно оценивает ключевые двигательные нарушения, описанные в современных клинических руководствах [2, 3]. К ним относятся брадикинезия, проявляющаяся в снижении средней скорости ходьбы на 15-40% относительно нормативных значений, уменьшение размаха рук со снижением амплитуды движений в плечевых суставах в среднем на 60%, а также постуральная неустойчивость, характеризующаяся увеличением латеральных колебаний центра масс на 50-70%.

 

Для класса "Хромота" система достоверно фиксирует функциональную асимметрию. Анализ выявляет значительную разницу в длине шага в среднем на 18%, времени опорной фазы на 22% и максимальном угле сгибания колена на 15% между пораженной и здоровой конечностями [1].

 

В рамках валидационного исследования с участием пациентов, проходящих реабилитацию, система была применена для объективного мониторинга динамики состояния. В течение 8-недельного курса терапии система зафиксировала статистически значимые положительные изменения у большинства испытуемых: средняя длина шага увеличилась на 12±4%, а индекс пространственной асимметрии снизился на 30±8%. При этом система продемонстрировала высокую корреляцию (r=0.87) между изменениями объективных биомеханических параметров и субъективными оценками улучшения состояния по стандартным клиническим шкалам, что дополнительно подтверждает валидность используемых метрик и практическую значимость разработанного инструмента для клинического применения [1, 2].

 

Рисунок 2. График реабилитации пациента

 

Выводы

В результате работы была разработана и протестирована информационная система для автоматизированного анализа походки человека, демонстрирующая высокую точность классификации паттернов движения. Система успешно интегрирует современные методы компьютерного зрения и машинного обучения, обеспечивая инвариантность к ракурсу съемки за счет геометрической нормализации данных. Ключевыми результатами являются: создание рабочего программного комплекса, обеспечивающего точность классификации на уровне 94% для болезни Паркинсона, 91% для неврологических нарушений и 89% для хромоты; разработка удобного веб-интерфейса для клинического использования. Полученные результаты подтверждают пригодность системы для применения в медицинской диагностике, реабилитации и биометрической идентификации.

 

Отдельным перспективным направлением развития является адаптация разработанных алгоритмов для систем обеспечения общественной безопасности. Архитектура, способная надежно детектировать и анализировать позу человека с произвольных ракурсов, может быть использована для выявления потенциально опасного поведения (агрессивных жестов, нехарактерной двигательной активности) в системах видеонаблюдения. Таким образом, технологический задел, полученный в ходе проекта, обладает значительным междисциплинарным потенциалом.