Fall Risk and Gait Analysis using World-Spaced 3D Human Mesh Recovery¶

会议: CVPR 2026
arXiv: 2604.11961
代码: 无
领域: 人体理解 / 医疗应用
关键词: 步态分析, 跌倒风险, 人体网格恢复, 老年人, 单目视频

一句话总结¶

提出基于 GVHMR（世界坐标系 3D 人体网格恢复）的步态分析管线，从单目视频中提取老年人定时起立行走测试的时空步态参数，验证了视频衍生指标与可穿戴传感器的相关性及与跌倒风险的关联。

领域现状：步态评估是老年人跌倒风险和整体健康的关键临床指标，但标准临床实践主要局限于秒表测量的步态速度。

现有痛点：全面的步态评估受限于技术和专业培训的有限获取。惯性传感器、光学标记系统和多相机无标记运动捕捉需要专用基础设施，限制了其在受控临床/研究环境之外的部署。

核心矛盾：跌倒风险的生物力学相关因素已明确，但现有测量方法无法在非控制的社区环境中规模化部署。已有的 2D 关键点方法无法恢复深度信息或分离相机视角与人体姿态。

本文目标：利用世界坐标系 HMR 从单目相机视频中提取绝对度量单位的时空步态参数，在社区环境中进行可及的步态分析。

切入角度：GVHMR 能在重力感知的世界坐标系中重建参与者的真实轨迹，提取绝对度量单位的步态参数。

核心 idea：用 GVHMR 替代 2D 骨架方法，实现从单目视频到世界空间步态参数的端到端提取。

管线包含：(1) GoPro 录制定时起立行走测试（TUG）；(2) GVHMR 从视频恢复世界坐标系的 3D 人体轨迹和 SMPL-X 参数；(3) 信号处理和峰值检测自动分割 TUG 子任务；(4) 提取时空步态参数；(5) 统计分析（相关性分析 + 线性混合效应模型）。

GVHMR 世界坐标系轨迹提取:
- 功能：从单目视频恢复绝对度量单位的 3D 人体运动轨迹
- 核心思路：GVHMR 预测局部身体姿态、体型参数、以及重力对齐世界坐标系中的朝向和平移。从 SMPL-X 运动学模型回归世界空间的 3D 关节位置 \(\{J^t \in \mathbb{R}^{24 \times 3}\}_{t=0}^{T}\)
- 设计动机：相机相对方法会混淆人体和相机运动，无法提取步长等空间参数
TUG 子任务自动分割:
- 功能：自动识别坐-站转换、行走、转弯等 TUG 子任务
- 核心思路：设计复合信号 \(\text{STS} = 1.0 \cdot \dot{y}_{hip} + 0.7 \cdot \dot{z}_{shoulder} + 0.5 \cdot \dot{\theta}_{trunk}\) 检测坐-站转换，利用髋线信号 \(x_{R,hip} - x_{L,hip}\) 的速度极值检测转弯
- 设计动机：TUG 各子任务的时间与跌倒风险有不同的临床关联
统计验证框架:
- 功能：验证视频衍生指标的有效性和临床相关性
- 核心思路：Spearman 相关分析比较视频与鞋垫传感器的步时；线性混合效应模型（LME）评估跌倒风险因子（STEADI 分数、跌倒恐惧）对步态参数的预测能力，随机效应控制参与者内变异
- 设计动机：每个参与者完成三次 TUG，观察不独立，需要 LME 建模

本文是应用论文，使用预训练的 GVHMR，不涉及模型训练。高斯平滑（\(\sigma=3\)，19 点对称滤波器）用于降噪。

指标	固定效应	估计值 (95%CI)	p值
STS 时长	STEADI 分数	1.23 (0.45, 2.01)	0.002
步长	STEADI 分数	-1.36 (-2.03, -0.68)	<0.001
步长变异性	STEADI 分数	-19.62 (-30.44, -8.80)	<0.001
步长	FES-I 分数	-1.04 (-1.65, -0.43)	0.001