Bridging Structural Dynamics and Biomechanics: Human Motion Estimation through Footstep-Induced Floor Vibrations
作者: Yiwen Dong, Jessica Rose, Hae Young Noh
分类: cs.HC, cs.AI, eess.SP
发布日期: 2025-02-21
💡 一句话要点
利用足迹诱导的地面振动进行人体运动估计，实现非侵入式步态健康监测
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 人体运动估计 步态分析 地面振动 生物力学 结构动力学
📋 核心要点
- 现有方法如相机、可穿戴设备和压力垫在人体运动估计中存在视线遮挡、佩戴不便和部署密集等局限性。
- 该研究利用步态引起的地面振动，结合步态生物力学和结构动力学知识，构建物理信息图来估计下肢关节运动。
- 实验表明，该方法在关节角度估计方面取得了显著的精度提升，与传统方法相比具有竞争力。
📝 摘要（中文）
本文提出了一种利用步态诱导的地面振动来估计下肢关节运动（如踝、膝、髋屈曲角度）的方法，旨在实现非侵入式和非接触式的步态健康监测。为了克服由地面振动推断下肢运动的高度不确定性，本文构建了一个物理信息图，将步态生物力学和结构动力学的领域知识整合到模型中。该模型通过不同类型的节点表示关节运动和地面振动等异构信息，并利用连接它们的边表示关节与力之间的生理关系（由步态生物力学支配）以及力与地面响应之间的关系（由结构动力学支配）。实验结果表明，该方法在估计12个关节屈曲角度时，平均绝对误差为3.7度，相比基线方法误差降低了38%，性能与相机和可穿戴设备相当。
🔬 方法详解
问题定义：现有的人体运动估计方法，如相机、可穿戴设备和压力垫等，存在操作限制，例如需要直接视线、需要佩戴设备以及需要密集部署。这些限制使得它们在日常生活中进行长期、非侵入式的步态健康监测变得困难。因此，需要一种非侵入式、非接触式的方法来准确估计人体运动，特别是下肢关节的运动状态。
核心思路：该论文的核心思路是利用人行走时产生的地面振动来反推人体的下肢关节运动。由于地面振动包含的信息有限，直接反推关节运动存在很大的不确定性。因此，论文将步态生物力学和结构动力学的领域知识融入到模型中，通过物理约束来减少不确定性，并实现身体和地面之间的信息共享。
技术框架：该方法构建了一个物理信息图，其中节点代表异构信息，包括关节运动和地面振动。边代表节点之间的关系，具体来说，包括由步态生物力学支配的关节和力之间的生理关系，以及由结构动力学支配的力与地面响应之间的关系。整个流程可以概括为：首先，通过传感器采集地面振动数据；然后，将振动数据输入到物理信息图中；最后，通过图模型推断出下肢关节的运动状态。
关键创新：该论文的关键创新在于将步态生物力学和结构动力学的领域知识整合到模型中，构建了一个物理信息图。这种方法能够有效地利用领域知识来约束模型的预测，从而提高运动估计的准确性。与传统的黑盒模型相比，该方法具有更强的可解释性和鲁棒性。
关键设计：物理信息图中的节点类型包括关节运动（如踝、膝、髋的屈曲角度）和地面振动。边权重的设置需要根据步态生物力学和结构动力学的相关理论进行设计。损失函数的设计需要考虑关节运动预测的准确性和物理约束的满足程度。具体的参数设置和网络结构在论文中可能没有详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
该研究通过真实世界的步行实验，在20名参与者身上验证了所提出方法的有效性。实验结果表明，该方法在估计12个关节屈曲角度时，平均绝对误差为3.7度，相比基线方法误差降低了38%。这一性能与当前医疗实践中使用的相机和可穿戴设备的性能相当，表明该方法具有很强的实际应用潜力。
🎯 应用场景
该研究成果可应用于老年人跌倒风险评估、神经肌肉骨骼疾病（如帕金森病）的早期检测和康复跟踪。通过在家居环境中部署振动传感器，可以实现对个体步态健康的长期、非侵入式监测，从而为个性化医疗和预防保健提供支持。未来，该技术有望与智能家居系统集成，实现更智能、更便捷的健康管理。
📄 摘要（原文）
Quantitative estimation of human joint motion in daily living spaces is essential for early detection and rehabilitation tracking of neuromusculoskeletal disorders (e.g., Parkinson's) and mitigating trip and fall risks for older adults. Existing approaches involve monitoring devices such as cameras, wearables, and pressure mats, but have operational constraints such as direct line-of-sight, carrying devices, and dense deployment. To overcome these limitations, we leverage gait-induced floor vibration to estimate lower-limb joint motion (e.g., ankle, knee, and hip flexion angles), allowing non-intrusive and contactless gait health monitoring in people's living spaces. To overcome the high uncertainty in lower-limb movement given the limited information provided by the gait-induced floor vibrations, we formulate a physics-informed graph to integrate domain knowledge of gait biomechanics and structural dynamics into the model. Specifically, different types of nodes represent heterogeneous information from joint motions and floor vibrations; Their connecting edges represent the physiological relationships between joints and forces governed by gait biomechanics, as well as the relationships between forces and floor responses governed by the structural dynamics. As a result, our model poses physical constraints to reduce uncertainty while allowing information sharing between the body and the floor to make more accurate predictions. We evaluate our approach with 20 participants through a real-world walking experiment. We achieved an average of 3.7 degrees of mean absolute error in estimating 12 joint flexion angles (38% error reduction from baseline), which is comparable to the performance of cameras and wearables in current medical practices.