一种无标记人体运动分析系统，用于膝部疾病的基于运动的生物标志物发现。

​

A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders

解决问题：本篇论文旨在提出一种自动生物标志物识别的方法，以用于诊断膝部疾病和监测治疗进展。该方法使用标准RGB相机测量和分析生物力学，并分析其临床意义，是一种便宜而敏感的替代商业方法。这是否是一个新问题？是的，这是一个新问题。

关键思路：本文提出的关键思路是使用主成分分析（PCA）对运动数据进行降维，以产生最具代表性的生物标志物。这些新的生物标志物可以用于评估治疗的成功和跟踪康复的进展。相比当前这个领域的研究状况，本文的思路提供了一种新的自动化方法来识别生物标志物。

其他亮点：本文使用标准RGB相机在临床环境中捕捉运动，并显示与深度相机等替代方法相比，具有相当的准确性。实验设计使用了探索性局部麻醉应用于膝痛的案例研究，并将这些新的代表性生物标志物验证为具有统计学显着性（p值<0.05）。本文提供了开源代码和使用的数据集。

关于作者：Kai Armstrong, Lei Zhang, Yan Wen, Alexander P. Willmott, Paul Lee, Xujioing Ye均来自英国的不同机构。他们之前的代表作如下：Kai Armstrong曾发表过“Automated detection of abnormal respiratory patterns preceding exacerbations of COPD using a smart inhaler”，Lei Zhang曾发表过“Real-time prediction of driver cognitive distraction using machine learning: An electroencephalography study”，Alexander P. Willmott曾发表过“Deep Learning for Medical Image Analysis: A Review”。

相关研究：近期其他相关的研究包括：“A deep learning approach for automated detection of sleep apnea events in single-lead ECG signal”，作者为Yanru Bai, Xinyu Huang, Yuchen Liu, Yifei Zhang, Weijie Xie,机构为华中科技大学；“Machine learning-based prediction of human knee joint contact pressure”，作者为M. K. Daneshvar, D. J. Gagnon,机构为加拿大多伦多大学。

论文摘要：这篇论文介绍了一种无需标记的人体运动分析系统，用于发现基于运动的生物标志物来诊断膝部疾病和监测治疗进展。作者提出的方法可以测量和分析生物力学，并分析其临床意义，是一种廉价且敏感的替代方案。研究结果表明，标准RGB相机在临床环境中捕捉运动的能力得到了验证，并且与深度相机等替代方案相比，具有相当的准确性。使用主成分分析（PCA）进行生物标志物识别可以降低维度，从运动数据中提取最具代表性的特征，然后可以使用这些新的生物标志物来评估治疗的成功程度并跟踪康复进展。作者在一个案例研究中验证了这些技术的有效性，该研究利用局部麻醉剂来缓解膝痛，从而证明了这些新的代表性生物标志物的统计学显著性（p值<0.05）。随着NHS在看待低风险患者方面遇到越来越多的困难，本研究的方法可以帮助缓解等待名单的增加和人员短缺的问题。

​Read More