Recovering Biomechanical Signals from Missing Keypoints Using Temporal Interpolation in Monocular Gait Analysis
本文表明，简单的阶一阶时间插值可以有效地恢复单目步态分析中缺失的踝关节关键点，在无需复杂学习重建模型的情况下，将膝关节角度的准确度和信号方差恢复至接近基准水平。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
行走是一种我们很少去刻意思考的节奏，是身体在无需意识参与的情况下完成的一种流畅运动。然而，对于研究人体运动的科学家来说，用一台简单的摄像机捕捉这种节奏是一个出人意料的难题。几十年来，研究人员一直依赖于充满反射标记和专业传感器的昂贵实验室，来追踪我们的关节是如何运动的。如今，更便宜的技术让我们能够使用单台摄像机来估算我们身体部位在空间中的位置，这一过程被称为姿态估计。这项技术有望将高质量的运动分析带到诊所、健身房甚至家庭中。然而，这些基于摄像机的系统是脆弱的。如果一个人的腿部被短暂遮挡，或者软件因运动模糊而产生混乱，系统就会丢失身体上的特定点，即所谓的“关键点”。当关键点消失时，关于关节如何弯曲的计算往往会彻底崩溃，将平滑且有用的信号变成静态噪声。研究人员面临的问题是，这个破碎的信号是通过复杂的、重型的计算机模型来修复，还是一个更简单的方法也能同样奏效。
在最近的一项研究中，新加坡科技设计大学的一位研究人员针对膝关节这一问题进行了研究，膝关节在每一步中都会进行弯曲和伸展。研究人员使用了一段男子行走的单摄视频，并要求计算机使用标准软件追踪他的身体。为了测试系统的弱点，研究人员在视频的每一帧中都故意删除了脚踝的数据点，以模拟脚踝被相机遮挡的情况。失去了脚踝后，计算机便无法再计算膝关节的角度。结果是立竿见影且剧烈的：膝关节的角度数据停止了运动。信号变得平坦，失去了行走步态中自然的起伏，测量误差跳升至平均23.4度。系统实际上处于冻结状态，在没有脚部作为锚点的情况下，无法猜测膝盖应该在哪里。
随后，研究人员尝试了一种不同的方法，这种方法并不涉及训练复杂的人工智能来“猜测”缺失的数据。相反，他们使用了一种称为“时间插值”的简单方法。这种技术观察脚踝在消失前的上一帧位置以及消失后的下一帧位置，然后根据这些相邻帧计算出一个平滑的位置来填补间隙。这是一种直观的数学平滑处理，类似于人们估算汽车在道路上两个已知点之间的位置。当应用这种简单的修复方法时，膝关节角度的信号重新焕发了生机。原本冻结的线条再次开始移动，恢复了其自然的形状和节奏。平均误差从23.4度降至仅1.1度，运动的平滑度恢复到了几乎与脚踝未缺失时相同的水平。
研究发现，这种简单的修复之所以有效，是因为人类行走在极短的时间内具有一种强大且可预测的节奏。脚踝在下一瞬间的位置在很大程度上受其前一瞬间位置的影响。这意味着对于单个缺失帧，身体并不需要一个复杂的模型来预测其未来；它只需要知道其紧接的过去。研究表明，对于许多现实世界的应用，例如在繁忙的诊所或家庭环境中监测步态，我们并不需要构建昂贵且计算量巨大的系统来处理偶尔出现的故障。一种基础的、低成本的计算即可高保真地恢复信号。研究结果表明，我们行走方式中天然存在的冗余性足以让简单的软件从常见的错误（如丢失关键点）中恢复，即使在摄像机视野不完美的情况下，也能保持分析过程的顺畅运行。
当然，这一发现也有明确的界限。该研究是在单人行走、单序列的情况下进行的，因此目前尚不清楚这种简单的修复方法是否适用于每种类型的行走、每种摄像机角度，或者它是否能处理脚部被遮挡数秒之久的长时间情况。研究人员还指出，他们的“完美”参考数据来自同一个摄像系统，这意味着结果展示的是系统内部自我修复的能力，而非证明其能匹配实验室的金标准测量。尽管存在这些局限性，这项工作仍提供了一条令人欣慰的前行之路。它表明，在试图利用简单摄像机理解人体运动的过程中，我们并不总是需要最强大的计算机。有时，答案就隐藏在步态本身那安静且可预测的节奏之中，即便数据缺失，简单的计算也能捕捉到它。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。