一种运动能力评估方法及装置与流程

本发明涉及数据处理，尤其涉及一种运动能力评估方法及装置。

背景技术：

1、随着世界人口老龄化的加剧，老年人的日常护理称为一个重大的社会需求。衰老和疾病给老年人的运动机能带来了衰退，老年人的跌倒风险在增加，跌倒风险威胁着老年人，由跌倒导致的社会成本和疾病负担越来越重。及时地预测老年人的运动能力对有效护理十分关键，可以使护理人员尽早干预，保障被护理者的安全，从而提高老年人的生活质量。

2、运动能力评估是应对运动能力障碍的有效手段之一。目前临床使用的运动能力方法有很多种，包括tug(timed up and go test，起立行走测试)、poma(performance-oriented mobility assessment，流动性评估试验)、bbt(berg balance test，伯格氏平衡量表)、efst(elderly fall screening test，老年人跌倒筛查试验)、dgi(dynamic gaitindex，动态歩态指标)等。尽管运动能力评估方法得到了广泛采用，但其仍显得过于复杂，在很多情况下使用不便。因此，现有技术已有利用可穿戴设备或视频的自动运动能力评估方法。但这些自动化的评估方法都要求被评估者做出指定运动能力评估的测试动作，对其日常生活造成了影响。因此，迫切需要一种能够在日常生活场景下的运动能力评估方法，以能够不干扰其日常生活的前提下完成评估。

技术实现思路

1、本发明实施例提供一种运动能力评估方法及装置，以解决日常生活场景下的运动能力评估方法问题，提升运动能力评估的可用性。

2、第一方面，本发明实施例提供了一种运动能力评估方法，包括：

3、训练机器学习预测模型；

4、采集被评估者的待评估视频数据，所述待评估视频数据为日常生活活动的第一模式视频数据或运动能力评估的第二模式视频数据；

5、根据所述待评估视频数据生成所述被评估者的运动相关属性数据，并为所述运动相关属性数据添加运动模式标注，得到待预测数据，所述运动模式包括日常生活活动对应的第一模式和运动能力评估对应的第二模式；

6、将所述待预测数据作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述机器学习预测模型输出的被评估者的运动能力评估分数值。

7、可选的，所述训练机器学习预测模型，包括：

8、采集预定用户的第一模式视频数据，以及，采集所述预定用户的第二模式视频数据，获得所述预定用户的运动能力评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有运动能力障碍的用户；

9、根据所述预定用户的第一模式视频数据和第二模式视频数据，分别生成所述预定用户的运动相关属性数据并添加对应的运动模式标注，并分别与所述预定用户的运动能力评估分数值相联合，得到训练数据集；

10、利用所述训练数据集训练所述机器学习预测模型，其中，所述机器学习预测模型的输入数据为添加了运动模式标注的运动相关属性数据，输出为运动能力评估分数值。

11、可选的，采集被评估者的待评估视频数据，包括：

12、同步采集所述被评估者的二维运动视频数据和三维运动视频数据。

13、可选的，根据所述待评估视频数据生成所述被评估者的运动相关属性数据，包括：

14、利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；

15、利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；

16、利用所述人体主要关节的姿态信息和所对应的深度信息，获得每一帧图像的三维姿态信息；

17、利用所述三维姿态信息计算所述每个视频片段的运动相关属性参数；

18、计算所述运动视频数据中所有视频片段的运动相关属性参数的平均值和方差，得到所述被评估者的运动相关属性数据。

19、可选的，所述运动相关属性参数包括以下参数中的所有项：步态速度、步长、步态速度的方差。

20、可选的，所述运动能力评估分数值包括以下任意一种：起立行走测试tug，流动性评估试验poma，伯格氏平衡量表bbt，老年人跌倒筛查试验efst，动态歩态指标dgi。

21、第二方面，本发明实施例提供了一种运动能力评估装置，包括：

22、训练模块，用于训练机器学习预测模型；

23、采集模块，用于采集被评估者的待评估视频数据，所述待评估视频数据为日常生活活动的第一模式视频数据或运动能力评估的第二模式视频数据；

24、生成模块，用于根据所述待评估视频数据生成所述被评估者的运动相关属性数据，并为所述运动相关属性数据添加运动模式标注，得到待预测数据，所述运动模式包括日常生活活动对应的第一模式和运动能力评估对应的第二模式；

25、处理模块，用于将所述待预测数据作为所述机器学习预测模型的输入，运行所述机器学习预测模型，获得所述机器学习预测模型输出的被评估者的运动能力评估分数值。

26、可选的，所述训练模块包括：

27、采集子模块，用于采集预定用户的第一模式视频数据，以及，采集所述预定用户的第二模式视频数据，获得所述预定用户的运动能力评估分数值；其中，所述预定用户包括第一数量的健康用户和第二数量的具有运动能力障碍的用户；

28、生成子模块，用于根据所述预定用户的第一模式视频数据和第二模式视频数据，分别生成所述预定用户的运动相关属性数据并添加对应的运动模式标注，并分别与所述预定用户的运动能力评估分数值相联合，得到训练数据集；

29、训练子模块，用于利用所述训练数据集训练所述机器学习预测模型，其中，所述机器学习预测模型的输入数据为添加了运动模式标注的运动相关属性数据，输出为运动能力评估分数值。

30、可选的，所述采集模块具体用于同步采集所述被评估者的二维运动视频数据和三维运动视频数据。

31、可选的，所述生成模块包括：

32、第一估计子模块，用于利用姿态估计技术，估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息；

33、第二估计子模块，用于利用立体视觉技术，估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息；

34、获取子模块，用于利用所述人体主要关节的姿态信息和所对应的深度信息，获得每一帧图像的三维姿态信息；

35、第一计算子模块，用于利用所述三维姿态信息计算所述每个视频片段的运动相关属性参数；

36、第二计算子模块，用于计算所述运动视频数据中所有视频片段的运动相关属性参数的平均值和方差，得到所述被评估者的运动相关属性数据。

37、可选的，所述运动相关属性参数包括以下参数中的所有项：步态速度、步长、步态时间的方差等。

38、可选的，所述运动能力评估分数值包括以下任意一种：起立行走测试tug，流动性评估试验poma，伯格氏平衡量表bbt，老年人跌倒筛查试验efst，动态歩态指标dgi。

39、在本发明实施例中，采集被评估者日常生活活动的运动视频数据，并生成运动相关属性数据并标注为第一模式(日常生活模式)。然后，将添加标注后的运动相关属性数据作为训练好的机器学习预测模型的输入，从而可获得被评估者的运动能力评估分数值。在本发明实施例中，无需被评估者刻意的做某些运动能力评估所需的预定动作，而只根据对其正常生活所采集的运动视频数据(第一模式视频数据)即可对其进行运动能力评估，得到运动能力评估分数值，该分数值可以反映被评估者的跌倒风险。在本发明实施例中，也可以采集被评估者的运动能力评估的运动视频数据(第二模式视频数据)，生成运动相关属性数据，并添加运动模式的标注，此时的运动模式为第二模式(运动能力评估模式)，并将添加标注后的运动属性相关数据输入至模型，亦可得到运动能力评估分数值，完成运动能力评估。因此，利用本发明实施例的方案，能够增加运动能力评估的应用场景。