基于计算机视觉的手动轮椅推进模式分类

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Computer Vision-Based Classification of Manual Wheelchair Propulsion Patterns

　　

手动轮椅使用者（MWC）由于推进技术效率低下，面临上肢过度使用损伤的高风险。虽然临床指南建议采用半圆形（SC）推进模式以减少关节压力，但在临床和远程康复环境中仍缺乏可用的自动化反馈分类工具。本研究有两个目标：（1）利用二维手腕轨迹图像和卷积神经网络（CNN）开发一种基于视觉的分类器，以在骑行层面区分半圆形和非半圆形推进模式；（2）通过模拟器应用数据验证其性能，并与专家共识进行对比。十名参与者（包括轮椅使用者和健康个体）在轮椅模拟器上以三种速度执行了四种推进模式。手腕轨迹通过RGB视频记录，并使用MediaPipe无标记跟踪技术进行处理，生成150×150像素的图像用于训练CNN。为了验证，收集了一组基于模拟器的推进周期数据，三位专家对180张图像（每种模式预测127张半圆形、53张非半圆形图像）进行了标注，最终通过多数投票达成共识。在受控条件下，CNN的准确率为94%；在基于模拟器的应用数据上，准确率为93.3%，精确度、召回率和F1分数均为95.3%。这种低成本、基于视频的系统证明了自动化推进模式分类的可行性，并显示出未来集成到逐周期、近乎实时的反馈工具（如基于VR的轮椅模拟器）中的潜力，以支持技能学习并预防损伤。