Deep-Learning-Based Markerless Pose Estimation Systems in Gait Analysis: DeepLabCut Custom Training and the Refinement Function

目前研究人类运动的黄金标准是基于标记的运动捕捉系统，具有高精度但受成本和受控环境的限制。无标记姿势估计系统作为生态替代方案出现，允许在自然环境中进行不显眼的数据采集。本研究比较了两种流行的无标记系统OpenPose（OP）和DeepLabCut（DLC）在评估运动时的性能。四十名健康受试者沿着配备有四个力平台和一个摄像机的5米走道行走。使用OP BODY 25预训练模型（OPPT）、DLC Model Zoo全人预训练模型（DLCPT）和DLC自定义训练模型（DLCCT）获取步态参数，然后与参考系统中获取的参数进行比较。我们的结果表明，DLCCT的性能优于DLCPT和OPPT，强调利用DeepLabCut转移学习来增强姿势估计性能的重要性。此外，DLCCT通过实现DLC细化功能，为评估运动提供了最有前途的无标记姿势估计解决方案。因此，我们的数据提供了有关DLC训练和细化过程所需的最佳性能的见解。本研究为临床医生和从业者提供了在实验室环境之外寻求准确低成本运动评估方法的视角。

本论文旨在比较两种流行的无标记姿态估计系统（OpenPose和DeepLabCut）在评估人类运动方面的性能，以寻找一种低成本、高精度的运动评估方法。

本论文通过使用DeepLabCut的迁移学习和自定义训练神经网络来提高姿态估计性能，并发现DLCCT相对于DLCPT和OPPT具有更好的性能。此外，使用DLC的细化功能，DLCCT是最有前途的无标记姿态估计解决方案。

实验使用40名健康受试者在配备有四个力平台和相机的5米走道上行走，比较了三种姿态估计方法（OPPT、DLCPT和DLCCT）和力平台测量得到的步态参数。实验结果表明，使用DLCCT相对于其他两种方法具有更好的性能。本论文提供了DLC训练和细化过程的见解，并为寻找低成本、高精度的运动评估方法的临床医生和从业者提供了参考。

最近的相关研究包括使用其他无标记姿态估计系统的运动评估方法，如OpenPose和其他基于深度学习的方法。