利用MediaPipe、惯性传感器和机器学习模型对髋关节活动范围进行精确估计

《BMC Musculoskeletal Disorders》：Accurate estimation of hip range of motion using MediaPipe and inertial sensors with machine learning models

　　

摘要

准确、客观地评估髋关节的活动范围（ROM）对于骨科诊断和康复至关重要。传统的工具，如量角器，存在主观性、观察者间差异以及与远程医疗应用兼容性差的局限性。本研究旨在开发并验证一种无需标记、基于视频的系统，通过整合人体姿态估计技术（MediaPipe）和机器学习模型，并使用惯性传感器数据作为参考标准来估算髋关节的ROM。20名健康的成年男性进行了髋关节屈曲/伸展、外展/内收以及内旋/外旋运动。从视频中提取的骨骼坐标被转换为几何特征，用于训练五种回归模型（线性回归、ElasticNet、支持向量回归、随机森林和LightGBM）。模型性能通过决定系数（R2）和平均绝对误差（MAE）进行评估，同时使用Shapley加性解释（SHAP）来解释各特征对结果的贡献。在所评估的模型中，基于树的方法表现出较高的预测准确性，LightGBM被用于后续对所有方向髋关节ROM的可解释性分析（R2最高达0.94；MAE为4–6°），而惯性传感器的验证也证实了参考数据的高测量精度。ShAP分析显示，在屈曲/伸展、外展/内收以及内旋/外旋过程中，不同的几何描述符起主导作用，这表明髋关节运动具有方向特异性的生物力学决定因素。这些发现表明，基于视频的无标记髋关节ROM估计算法是可行的，并且具有较高的准确性，同时凸显了该方法在远程医疗、远程康复监测以及未来融入步态和肌肉骨骼建模工作流程中的潜力。