Auto-Gait：基于步态任务视频的计算机视觉自动共济失调风险评估

许多神经系统疾病患者（如共济失调患者）不易获得神经科医生的诊治，尤其是在偏远地区和发展中/不发达国家。共济失调是一种神经系统退行性疾病，表现为运动控制困难，如行走不平衡。之前的研究尝试使用可穿戴生物标志物、Kinect 和其他传感器自动诊断共济失调。这些传感器虽然准确，但在自然部署环境中无法有效扩展。在这项研究中，我们提出了一种通过分析参与者走下走廊的视频来识别共济失调症状的方法，视频由标准单目相机拍摄。我们与位于美国 8 个不同州的 11 个医学站点合作，收集了 155 个视频数据集，包含来自 89 名参与者的严重程度评分（24 名对照和 65 名被诊断为或处于前驱期脊髓小脑性共济失调）。参与者执行了共济失调评估和评级量表（SARA）的步态任务。我们开发了计算机视觉管道来检测、跟踪并将参与者与其周围环境分离，并从他们的身体姿态坐标构建多个特征，以捕捉步态特征，如步宽、步长、摆动、稳定性、速度等。我们的系统能够在复杂场景中识别和跟踪患者，例如视频中有多个人或有人干扰。我们的共济失调风险预测模型达到 83.06% 准确率和 80.23% 的 F1 分数。同样，我们的共济失调严重程度评估模型达到 0.6225 的平均绝对误差（MAE）和 0.7268 的皮尔逊相关系数。我们的模型在来自训练中未使用的医学站点的数据进行评估时表现良好。通过特征重要性分析，我们发现我们的模型将更宽的步幅、降低的行走速度和增加的稳定性与更严重的共济失调相关联，这与先前确立的临床知识一致。此外，我们还向研究社区发布模型和身体姿态坐标数据集——据我们所知，这是最大的共济失调步态数据集。我们的模型可以通过在非临床环境中实现远程共济失调评估来帮助改善健康获取，无需任何传感器或特殊相机。我们的数据集将帮助计算机科学社区分析共济失调的不同特征，并开发更好的诊断其他运动障碍的算法。