# 智跑视界：跑姿风险评估研究简报

更新日期：2026-10-02

## 研究问题

如何减少公开跑动视频中的二维跑姿测量误差，并说明哪些片段适合输出？本阶段聚焦动作观察、测量质量与复核依据。

## 已完成的前期工作

采用 EfficientDet Lite0 与 MediaPipe Pose Lite 建立自动检测、裁剪、姿态估计和二维膝角测量基线。ASPset-510 两名参与者、两个短片段，每隔两帧抽样，共 71 帧。原视频为 50 fps，抽样序列为 25 fps。参考三维关节经相机投影后仅用于评价，自动推理不读取参考人体框。

| 方法 | 可用帧 | 位置误差中位数 | 膝角误差中位数 |
| --- | --- | --- | --- |
| 直接整帧估计 | 1/71 | — | — |
| 参考框裁剪诊断 | 71/71 | 3.48% | 7.15° |
| 整帧自动检测裁剪 | 71/71 | 3.57% | 8.83° |
| 分块自动检测裁剪 | 71/71 | 3.80% | 8.30° |
| 分块检测加权平滑 | 71/71 | 3.38% | 9.67° |

位置误差：每帧左右肩、髋、膝、踝八点平均二维距离除以参考人体框高度，再取中位数。膝角误差：每帧可用左右膝的绝对误差均值，再取中位数。可用帧仅满足可见度与出画筛查。当前两名参与者已用于开发，结果不能视为独立验证或全体跑者成绩。

自动整帧检测与分块检测的纯推理中位耗时分别约 60.47 ms 与 198.9 ms，未计入读写、投影、平滑和图像生成。分块在两个片段中没有稳定角度收益。平滑位置误差下降而膝角误差上升，为后续任务监督提供研究依据。

## 拟研究的技术路线

公开数据与参考对齐 → 自动人体定位 → 轻量姿态估计 → 时序轨迹修正 → 质量阈值校准 → 可追溯动作反馈。

拟固定现有检测与姿态基础模型，以小型时序残差模型预测坐标修正量：Z = Y + fφ(Y, C, M)。联合位置、速度和膝角的 Huber 对照损失，加入参数正则。速度按真实时间间隔对齐参考；权重仅在按参与者交叉验证中选择。

拟利用可见度、截断、突变及有效时长建立质量模型，标签来自同片段的参考膝角误差。10° 为工程容差，另做 5° 与 15°敏感性分析，未经校准的质量分数不称为准确概率。阈值在独立校准参与者上确定，按相同保留比例下的误差与相同误差条件下的保留比例共同评价。

## 两年阶段安排

M1–M3：登记未使用参与者划分、整理许可与参考索引。
M4–M6：扩展自动定位基线与第二姿态估计器对照。
M7–M12：比较原始、加权平滑、One Euro 与轻量残差模型，开展损失消融。
M13–M16：训练质量判断并冻结输出阈值。
M17–M20：冻结配置后进行未见参与者验证和有许可的外部检验。
M21–M24：归档实验、可复现代码、结果原型与研究报告。

拟检验逐参与者膝角 MAE 相对自动定位基线降低约 10%，同时避免系统性动作幅度压缩。以上是研究目标，尚未获得训练成绩。

## 数据与资料

- ASPset-510：https://github.com/anibali/aspset-510，CC0，已运行开发实验。
- AthletePose3D：https://github.com/calvinyeungck/AthletePose3D，外部候选，取得时遵守非商业科研和再分发条件。
- MediaPipe Pose：https://developers.google.com/edge/mediapipe/solutions/vision/pose_landmarker/index。
- MediaPipe Object Detector：https://developers.google.com/edge/mediapipe/solutions/vision/object_detector。
- One Euro Filter：https://gery.casiez.net/1euro/，后续滤波基线。

本网站浏览已保存的真实实验记录，支持画面、曲线、方法对照与导出。受力、临床风险等级、未来伤病概率以及个人上传任务，需要另外的系统建设与验证。