通过基于视频的环境监测老年痴呆患者步态分析，使用深度神经网络从视频中提取出与深度相机相关的三维时空步态特征，可以准确预测出步态的速度和步长信息，并可用于长期环境监测中检测步态方面的有意义变化。

Aug, 2023

近年来，人工智能和计算机视觉的最新技术进展使得步态分析可以在手机等便携设备上进行。本文提出了一种针对摄像机运动具有鲁棒性并提供输出解释的步态分析系统，通过使用运动捕捉系统捕捉的七个特征来区分两种步态，并经验证可靠。

Feb, 2024

本研究采用卷积神经网络和机器学习技术，通过分析步态数据并将研究结果与临床相关生物标志联系起来，实现对帕金森氏症认知功能下降的步态分析。

Jun, 2023

提出了一种新的应用来实时监测老年人自己的居家缺乏运动的情况，旨在支持老年人的生活和独立性。基于 RGB-D 相机和紧凑型计算机处理器的轻量级相机监控系统在社区家庭中进行了开发和试验，以观察老年人的日常行为。匿名和不显眼地检测到了日常情境中的身体静止事件。这些事件可以从更高的层面解释，例如意识丧失或生理恶化。评估了静止监测系统的准确性，并提供了与老年人日常行为相关的静止事件统计数据。结果表明，我们的方法在各种环境下，包括低照明、电视抖动和不同的摄像机视角中准确地进行了静止检测。

Nov, 2023

通过基于大规模预训练的视觉语言模型（VLM）的知识增强策略，我们的模型学习并改进了患者步态视频的视觉、文本和数值表示，通过跨三个不同模态的集体学习：步态视频、特定类别的描述以及数值步态参数。实验结果表明，我们的模型不仅在基于视频的分类任务中明显优于最先进技术（SOTA），而且能够熟练地将学到的特定类别文本特征解码成使用定量步态参数词汇的自然语言描述。

Mar, 2024

本研究提出 MAISON 云平台，能够从老年人和患者的家中收集所需的多模态传感器数据，有助于构建预测模型，帮助医护人员监测和分析老年人的行为、功能和心理数据，以及检测主要健康指标，包括社交孤立、抑郁和功能衰退等。

Nov, 2022

通过机器学习和深度学习技术应用于步态诊断，本文综述了近来关于五种典型神经退行性疾病诊断的研究进展，提出了一个全面的有关人类步态数据和人工智能模型的系统分类，揭示了该领域的挑战、潜在解决方案和未来方向，并展望通过利用三维骨架数据和开发更高效的人工智能模型来进行神经退行性疾病诊断的前景。

May, 2024

在本研究中，通过引入一种新的时空转换网络，利用单视角摄像机拍摄的 RGB 视频，估计关键步态参数，从而在临床步态分析中提供一种更具可用性和经济效益的选择，该方法在公开数据集上的实证评估表明，其优于当前最先进的方法，并在预测一般步态参数时取得显著改进，还能减少参数数量和减轻对手动特征提取的需求。

Dec, 2023

该论文主张充分参与老年人在设计过程中，运用人工智能协调资源，解决老年人的需求，提出在全美范围内协调老年人、看护人、社区组织和研究人员的研究努力以推动所有利益相关者的创新和实用研究。

Mar, 2021

通过使用非侵入式摄像头传感器监控个体的坐姿和放松活动，本研究旨在检测衰弱迹象，并通过建立贝叶斯网络模型特征、活动和健康状况之间的关系，确定最适合观察变化的时间尺度。研究结果表明，在日常水平上区分模拟的衰弱的准确率为 0.97，而一些精细的行为特征和活动，包括非主导上半身运动速度和规模，以及静止分布和 300 秒的时间窗口，则被发现最为有效。然而，鉴于无法确定适用于所有参与者的通用优化特征和活动，建议使用个体特定模型。

Jun, 2024