Abstract
本文利用微软公司研发的体感周边外设（Kinect）获取偏瘫患者的步行轨迹数据，在此基础上实现了偏瘫步态的自动识别，并对识别特征的重要性进行了排序。首先，研究设立了试验组和对照组，两组受试者按要求分别完成规定的范式动作，经由 Kinect 实时获取受试者的步行轨迹数据。从获取的数据中可提取步态识别特征：步速、步幅、质心的移动范围（上下和左右方向）。然后，利用贝叶斯分类算法对这些特征构成的样本集进行分类学习，实现偏瘫步态的自动识别。最后，利用随机森林算法确定每个特征的重要性，通过对每个特征的重要性进行排序，可为病情诊断提供参考。本文研究结果表明，基于贝叶斯算法的分类准确率为 96%；使用随机森林算法确定的特征重要性排序为步速、步幅、质心左右偏移距离、质心上下偏移距离，而步速与步幅、步速与质心左右偏移距离的组合是偏瘫步态分析诊断的重要依据。本文研究结果或可为偏瘫步态的智能诊断提供新的思路和参考。
Keywords: 体感设备 Kinect, 偏瘫步态, 模式识别, 贝叶斯分类, 随机森林
Abstract
In this paper, the research has been conducted by the Microsoft kinect for windows v2 for obtaining the walking trajectory data from hemiplegic patients, based on which we achieved automatic identification of the hemiplegic gait and sorted the significance of identified features. First of all, the experimental group and two control groups were set up in the study. The three groups of subjects respectively completed the prescribed standard movements according to the requirements. The walking track data of the subjects were obtained straightaway by Kinect, from which the gait identification features were extracted: the moving range of pace, stride and center of mass (up and down/left and right). Then, the bayesian classification algorithm was utilized to classify the sample set of these features so as to automatically recognize the hemiplegia gait. Finally, the random forest algorithm was used to identify the significance of each feature, providing references for the diagnose of disease by ranking the importance of each feature. This thesis states that the accuracy of classification approach based on bayesian algorithm reaches 96%; the sequence of significance based on the random forest algorithm is step speed, stride, left-right moving distance of the center of mass, and up-down moving distance of the center of mass. The combination of step speed and stride, and the combination of step speed and center of mass moving distance are important reference for analyzing and diagnosing of the hemiplegia gait. The results may provide creative mind and new references for the intelligent diagnosis of hemiplegia gait.
Keywords: Kinect, hemiplegia gait, automatic identification, Bayesian classification, random forest
引言
偏瘫患者步行功能的恢复是其迫切需要解决的问题之一。在临床康复中，通过对偏瘫步态进行分析获取定量的步态信息，可为揭示异常步态原因、矫正异常步态、制定康复治疗计划以及评估康复干预效果提供依据[1]。
大多数临床医生在对偏瘫患者的步态评估中采用的是主观观察和量表评分两种手段，但是带有个人主观差异性的观察评估在临床治疗中并不够可靠[2]，而量表评分提供的关于患者日常运动能力的信息，也常被认为不客观以及对患者病情的改变评价不够敏感[3]。因此，主观观察评估再辅以客观测量，才是提高步态评估可靠性和准确性的有效手段。目前，三维运动捕捉系统和测力平台是实验室中用于步态评估的常用设备，可作为评估患者的下肢运动功能表现的数据采集装置。作为获取步态运动学数据的重要工具，三维运动捕捉系统具有较高的准确性和可靠性，但昂贵的价格和较高的技术要求限制了其在临床诊断中的大规模使用[4]。测力平台是获取步态动力学数据的重要装置，但由于患者只能在有限的宽度范围内活动，具有较大的局限[5]。对此，有研究者提出利用基于逆向动力学的骨肌仿真模型来获取患者步行时的动力学参数[6-8]，这类方法利用运动捕捉系统捕获的患者运动轨迹作为输入，然后基于逆向动力学模型来预测患者在整个步态周期内的动力学参数，也不失为一种客观办法。综上所述，如何在较低成本的前提下高效便捷地获取患者的运动轨迹，是能否将偏瘫患者步态的客观测量方法广泛应用于临床的关键所在。
微软公司的 Kinect（Kinect 2.0 for Windows，Microsoft Corp，美国）为解决上述问题提供了新的途径，相比现有的运动捕捉设备，Kinect 系统的优势体现在：第一，Kinect 的价格低廉（目前国内售价为 1 350 元）；第二，受空间范围的约束小，可在一定范围的场地内捕获步行轨迹数据；第三，它不需要重新定位标记来跟踪关节运动，因此可以克服穿戴式传感器和三维运动捕捉系统需要重复标定的限制。
目前领域内已经开展了很多利用 Kinect 系统进行步态分析的研究，Dolatabadi 等[9]研究了 Kinect 用于步态时空参数测量的有效性，结果表明 Kinect 能有效地测量健康成年人的步态时空参数。Latorre 等[10]对使用 Kinect 采集的卒中后患者的步态时空参数是否可靠进行了研究，发现虽然结果的准确性有限，但能很好地补充传统测量工具。Eltoukhy 等[11]分别使用三维运动分析系统和 Kinect 对帕金森患者和正常健康老年人的步态进行了分析，他发现 Kinect 获取的数据对区分两组受试者之间的差异具有足够的灵敏度，和三维运动分析系统的结果有较高的一致性。然而，很少有研究将 Kinect 系统获取的数据同智能算法结合起来，以实现偏瘫步态的自动识别并用于辅助临床医生诊断。因此，本文的第一个目的是利用贝叶斯分类算法从 Kinect 捕获的运动轨迹数据中识别步态模式；第二个目的是通过随机森林算法中所有决策树得到的平均不纯度衰减来度量识别特征的重要性，获得识别特征的重要性排序，为临床医生提供参考。另一方面，许多前人的工作已经证实虚拟环境在物理治疗、运动治疗和心理治疗中的有效性[12-13]，而作为模拟康复医师或康复理疗师的虚拟人是以人的形象在计算机生成空间（三维虚拟环境）中的几何特性与行为特性的投射[14]，利用这种新的人机交互应用可以帮助缓解康复医师短缺问题，所以本文的第三个目的是为实现虚拟医师的智能诊断功能进行初步探索。
1. 材料与方法
1.1. 步态采集试验
本文研究共招募了 60 名受试者。其中，试验组为 20 位偏瘫患者，12 名男性、8 名女性，年龄（54.3 ± 12.2）岁，身高（164.75 ± 6.13）cm，体重（61.5 ± 10.1）kg；对照Ⅰ组为 20 位健康老年受试者，男女各 10 名，年龄（71.83 ± 10.55）岁，身高（159.83 ± 10.49）cm，体重（58.16 ± 7.52） kg；对照Ⅱ组为 20 位健康青年受试者，13 名男性、7 名女性，年龄（24.43 ± 3.83）岁，身高（169 ± 6.87）cm，体重（59.93 ± 13.58）kg，两组对照组均无运动障碍相关疾病。
本文试验在江西省人民医院康复医学科进行，由当地伦理委员会审批通过，受试者均签署了知情同意书。试验时，每个受试者均需完成规定的范式动作：单次直线行走 5 m，一次试验走 3 次，重复 3 次试验。因 Kinect 测量精度的限制，本文确定的有效试验范围为 1.5～4.5 m，现场试验如图 1 所示。由 Kinect 传感器捕获到的标记点如图 2 所示，每个标记点对应的骨骼节点如表 1 所示。在试验过程中，受试者骨骼节点的三维坐标位置会被实时捕获和存储。
图 1.
Schematic diagram of field test
现场试验示意图
图 2.
Schematic diagram of marking points captured by Kinect
Kinect 捕获的标记点示意图
表 1. Marked points corresponding to skeletal nodes.
标记点对应的骨骼节点
| 标记点 | 骨骼节点 | 标记点 | 骨骼节点 | 标记点 | 骨骼节点 | 标记点 | 骨骼节点 |
| 1 | 头 | 6 | 左肘 | 11 | 右腕 | 16 | 左脚 |
| 2 | 肩膀中心 | 7 | 左腕 | 12 | 右手 | 17 | 右髋关节 |
| 3 | 脊柱 | 8 | 左手 | 13 | 左髋关节 | 18 | 右膝 |
| 4 | 髋关节中心 | 9 | 右肩 | 14 | 左膝 | 19 | 右脚踝 |
| 5 | 左肩 | 10 | 右肘 | 15 | 左脚踝 | 20 | 右脚 |
1.2. 步态特征提取
1.2.1. 运动学特征提取
人体质心的移动范围是进行步态运动学分析的一个重要指标。Winter 等[15]提出的身体节段法是质心测量的“金标准”，该方法首先将人体分为头、躯干、上臂、前臂、手、骨盆、大腿、小腿、足等 15 个独立的身体节段，本研究利用 Kinect 系统采集了该方法所定义的所有身体节段的近端坐标和远端坐标，设置的节段如表 2 所示，表中的近端和远端标记点与前文所述标记点位置一致。然后，利用采集到的标记点位置计算出每个节段的质心位置，定义一个身体节段质心位置的计算公式如式（1）所示：
表 2. Parameters required for center of mass calculation.
质心计算所需参数
| 人体节段 | 节段标记点（近端～远端） | 节段质量/总体质量 | 节段质心/节段长度 | |
| 近端 | 远端 | |||
| 头颈部 | 1～2 | 0.081 | 1.000 | 0.000 |
| 胸腹部 | 2～4 | 0.355 | 0.500 | 0.500 |
| 上臂 | 5～6/9～10 | 0.028 | 0.436 | 0.564 |
| 前臂 | 6～7/10～11 | 0.016 | 0.430 | 0.570 |
| 手 | 7～8/11～12 | 0.006 | 0.506 | 0.494 |
| 骨盆 | 4～（13 和 17）的中点 | 0.142 | 0.105 | 0.895 |
| 大腿 | 13～14/17～18 | 0.100 | 0.433 | 0.567 |
| 小腿 | 14～15/18～19 | 0.046 5 | 0.433 | 0.567 |
| 足 | 15～16/19～20 | 0.014 5 | 0.500 | 0.500 |
 |
1 |
式中，xcm、ycm、zcm 为节段质心坐标；xp、yp、zp 是节段近端的坐标；xd、yd、zd 是节段远端的坐标；lp 是从近端到末端的节段长度的百分比；ld 是从远端到末端的节段长度的百分比，参数详情如表 2 所示[16]。
最后，利用各节段质心位置来计算人体质心位置，其计算公式如式（2）所示：
 |
2 |
式中，xtcm、ytcm、ztcm 为人体质心的坐标；xi、yi 是第 i 段的坐标；mi 是第 i 段的质量；M 是 15 个身体节段的总质量。本文获得的质心移动范围（上下和左右方向）如图 3 所示，在此基础上，可计算出受试者质心移动范围（上下和左右方向）的平均值。
图 3.
The range of motion of the center of mass
质心的移动范围
1.2.2. 时空特征提取
本文从 Kinect 系统捕获的步行轨迹数据中提取出步幅、步速作为步态的时空特征。提取算法可归纳为以下几个步骤：首先，对 Kinect 捕获的标记点坐标数据进行预处理，去除标记点坐标的粗误差；然后，计算标记点 15 和 16 的中心位置坐标来获得左足底坐标；计算标记点 19 和 20 的中心位置坐标来获得右足底坐标；接着利用单侧足底坐标间的欧氏距离来计算平均步幅，如图 4 所示；最后，测量所有受试者的腿长，即计算节段 13～15 和节段 17～19 之间的欧氏距离，用它们的均值对步幅进行标准化[17]。在获得步幅特征后，由步速 = 步幅/步行周期，可计算出步速特征。
图 4.
A sketch of the stride
步幅示意图
1.3. 步态模式识别
假设从获取的数据中得到了一个包含 m 个实例的数据集，即输入空间：
，每个实例由 d 个属性描述：
，
；并定义了所有实例的标记的集合 Y，即输出空间，其中
是实例 xi 的标签。在此基础上通过对训练集
进行分类学习，可以建立一个从输入空间 X 到输出空间 Y 的映射（f：X→Y），当这个映射关系被应用到无标签实例时，就可以根据该实例的属性特征来预测该实例的标签，即该实例属于哪一类。贝叶斯决策论是在概率框架下实施决策的基本方法，对分类任务来说，该方法可根据已知概率和误判损失，来为一个未知标签的实例 x 选择最优的类别标签。本文的贝叶斯分类算法如下所示：
输入：实例数据集
，每个实例由 4 个属性描述：xi =（质心左右偏移距离、质心上下偏移距离、步幅、步速）；以及对应的标记
{偏瘫患者组、健康老人组、健康青年组}，k = 1，2，3；未知标签的实例 x。
（1）计算先验概率 P（yk）和条件概率 P（xi，d|yk），其计算公式如式（3）所示：
 |
3 |
式中，xi，d 为第 i 个实例在第 d 个属性上的取值，
，d = 1，2，3，4。
（2）对于给定的实例 x，计算其后验概率。其计算公式如式（4）所示：
 |
4 |
式中，xd 为实例 x 在第 d 个属性上的取值。
（3）确定实例 x 的标签，其计算公式如式（5）所示：
 |
5 |
输出：实例 x 的标签 y，即实例 x 的类别。
1.4. 特征重要性排序
随机森林是一种以决策树为基学习器的集成学习算法，它利用重采样技术从原始样本中随机抽取数据构造多个样本，然后对每个重采样样本采用节点的随机分裂技术来构造多颗决策树，最后将多棵决策树组合，通过投票得出最终的预测结果。随机森林算法可在训练过程中输出各变量的重要性排序。它的实现原理是，当训练一棵决策树时，可以计算出每个特征减少了多少树的不纯度，对于一个决策树森林来说，可以算出每个特征平均减少了多少树的不纯度，并把它平均减少的不纯度作为度量特征重要性的值。应用基尼指数计算不纯度的算法如式（6）～式（8）所示：
属性 a 的基尼指数如式（6）所示：
 |
6 |
式中，c 为样本类别个数，pi 为属性 a 属于类别 cj 的概率。由此可得特征 f 的基尼指数，其计算公式如式（7）所示：
 |
7 |
式中，p 为属性个数，ni 为属性 ai 的样本数。综合 m 个训练集，可得到特征 f 的重要性评分 S（i），其计算公式如式（8）所示：
 |
8 |
式中，fij 为第 j 个训练集中第 i 维特征。
2. 结果
2.1. 贝叶斯分类结果
本文按 7∶3 的比例将样本数据集分成训练集和测试集，样本数据集如表 3 所示，利用训练集训练了贝叶斯分类模型，然后用模型对测试样本进行预测，从而对模型的分类准确性进行检验，准确率的计算公式如式（9）所示：
表 3. The data set of samples.
样本数据集
| 组别 | 受试者编号 | 质心左右偏移距离/m | 质心上下偏移距离/m | 步幅/m | 步速/（m·s–1） |
| 试验组 | |||||
| 1 | 0.136 | 0.064 | 0.64 | 0.57 | |
| 2 | 0.124 | 0.032 | 0.80 | 0.48 | |
| 3 | 0.079 | 0.041 | 0.98 | 0.72 | |
|
|
|
|
|
|
| 18 | 0.103 | 0.053 | 0.76 | 0.67 | |
| 19 | 0.118 | 0.064 | 0.86 | 0.45 | |
| 20 | 0.122 | 0.053 | 0.82 | 0.72 | |
| 对照Ⅰ组 | |||||
| 21 | 0.097 | 0.032 | 1.02 | 1.06 | |
| 22 | 0.119 | 0.034 | 0.89 | 0.60 | |
| 23 | 0.104 | 0.033 | 1.04 | 1.03 | |
|
|
|
|
|
|
| 38 | 0.058 | 0.033 | 1.04 | 0.84 | |
| 39 | 0.073 | 0.042 | 1.18 | 0.96 | |
| 40 | 0.059 | 0.048 | 1.10 | 0.74 | |
| 对照Ⅱ组 | |||||
| 41 | 0.031 | 0.026 | 1.21 | 1.16 | |
| 42 | 0.047 | 0.022 | 1.36 | 1.10 | |
| 43 | 0.047 | 0.020 | 1.23 | 1.05 | |
|
|
|
|
|
|
| 58 | 0.048 | 0.023 | 1.20 | 1.05 | |
| 59 | 0.045 | 0.026 | 1.34 | 1.16 | |
| 60 | 0.042 | 0.029 | 1.16 | 0.98 |
 |
9 |
式中的 yi 是实例的真实标签，f（xi）是预测标签，N 是实例数量，I 是指示函数，即当 yi = f（xi）时为 1，否则为 0。
利用全部特征进行训练的贝叶斯分类模型有 96% 的分类准确率。基于不同特征组合训练的模型的分类准确性如表 4 所示，可以看出其中有几类包含了步速特征的分类模型具有较高准确率，可作为最佳的分类子特征；其中，步速与步幅（准确率 94%）、步速与质心左右偏移距离（准确率 92%）的组合是偏瘫步态分析诊断的重要依据。各类之间的贝叶斯决策边界如图 5 所示，其中不同的背景色代表不同的决策界限，这些界限可以在临床实践中用于将来访者划分到合适类别，尤其是在诊断指标不足的情况下做出初步诊断。
表 4. Classification accuracy based on different feature combinations.
基于不同特征组合的分类准确率
| 特征组合 | 准确率 | 特征组合 | 准确率 |
| 质心左右偏移/质心上下偏移 | 83% | 步幅/步速 | 94% |
| 质心左右偏移/步幅 | 89% | 质心左右偏移/质心上下偏移/步幅 | 89% |
| 质心左右偏移/步速 | 92% | 质心左右偏移/质心上下偏移/步速 | 92% |
| 质心上下偏移/步幅 | 83% | 质心左右偏移/步幅/步速 | 94% |
| 质心上下偏移/步速 | 88% | 质心上下偏移/步幅/步速 | 89% |
图 5.
Bayesian decision boundary
贝叶斯决策边界
2.2. 特征重要性排序结果
本文构造了 10 000 棵决策树，通过计算每个特征平均减少的树的不纯度，获得了特征的相对重要性，如图 6 所示，步速、步幅、质心左右偏移、质心上下偏移所占的比重分别为 34.2%、22.3%、22%、21.3%。因此临床上对偏瘫步态障碍进行诊断分析和康复评估时最先应该关注患者的步速，尤其值得注意的是步速与步幅、步速与质心左右偏移距离的组合是偏瘫步态分析诊断的重要依据。
图 6.
The sequence of feature importance
特征重要性排序
3. 讨论
越来越多的研究者开始关注 Kinect 在人体运动检测和康复医疗领域的应用，但研究视角主要还是聚焦在研究数据的可靠性和准确性方面[18-19]。对于我国康复医疗的发展来说，这一新技术可以有效降低康复治疗成本，提高康复行业的服务能力，但没能改善康复医师短缺的现状。人工智能技术的飞速发展，为解决上述问题提供了新思路。因此，本文将 Kinect 骨骼跟踪技术同贝叶斯分类算法相结合，提出了一种基于 Kinect 的偏瘫步态识别方法。研究结果表明，基于贝叶斯分类算法的分类准确率为 96%。另外，针对本文采集的数据集，我们验证了不同分类算法的分类效果，结果如表 5 所示。相比较而言，贝叶斯分类算法实现简单、学习与预测效率高，分类准确率在同类算法中也最高。
表 5. Classification accuracy of different algorithms.
不同算法的分类准确性
| 算法名称 | 评价指标 | ||
| 准确率 | 灵敏度 | 特异度 | |
| K 近邻法（K = 5） | 94% | 87% | 84% |
| 贝叶斯 | 96% | 92% | 87% |
| 决策树 | 83% | 87% | 73% |
| 逻辑斯蒂回归 | 89% | 87% | 69% |
| 支持向量机 | 89% | 92% | 84% |
本研究的不足之处是：只提取了步态的时空特征和运动学特征，并没有提取动力学特征，因此后面的工作本课题组会围绕动力学的原理提取步态特征，例如：提取地面反作用力参数等，以提高本文研究结果的精确性。此外本研究的样本量不大，还可以根据更多的样本和试验来提高分类模型的准确性。
偏瘫步态障碍患者常因股四头肌痉挛导致膝关节屈曲困难、小腿三头肌痉挛导致足下垂、胫后肌痉挛导致足内翻。这使得多数患者在摆动相时骨盆代偿性抬高，髋关节外展外旋；在支撑相时往往采用膝过伸的姿态代偿。另外，由于患肢的支撑力下降，患者一般会通过缩短患肢的支撑时间来代偿，部分患者还会出现侧身，健腿在前，患腿在后，患足在地面拖行等姿态行走，因此可以基于这些病理特征和行为表现构建更具体的特征工程，从而实现不同类型、不同损伤程度的步态障碍的自动识别。
Funding Statement
国家自然科学基金资助项目（51765019）；江西省教育厅科技研究项目（GJJ150507）
References
- 1.Ferrarello F, Bianchi V A, Baccini M, et al Tools for observational gait analysis in patients with stroke: a systematic review. Phys Ther. 2013;93(12):1673–1685. doi: 10.2522/ptj.20120344. [DOI] [PubMed] [Google Scholar]
- 2.Toro B, Nester C, Farren P A review of observational gait assessment in clinical practice. Physiotherapy Theory and Practice. 2003;19(3):137–149. doi: 10.1080/09593980307964. [DOI] [Google Scholar]
- 3.Frenkel T S, Giladi N, Peretz C, et al Effect of gait speed on gait rhythmicity in parkinson’s disease:variability of stride time and swing time respond differently. J Neuroeng Rehabil. 2005;2(1):23–27. doi: 10.1186/1743-0003-2-23. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 4.Clark R A, Pua Y H, Fortin K, et al Validity of the microsoft kinect for assessment of postural control. Gait Posture. 2012;36(3):372–377. doi: 10.1016/j.gaitpost.2012.03.033. [DOI] [PubMed] [Google Scholar]
- 5.Yeung L F, Cheng K C, Fong C H, et al Evaluation of the microsoft kinect as a clinical assessment tool of bodysway. Gait Posture. 2014;40(4):532–538. doi: 10.1016/j.gaitpost.2014.06.012. [DOI] [PubMed] [Google Scholar]
- 6.Eltoukhy M, Kuenze C, Andersen M S, et al Prediction of ground reaction forces for Parkinson’s disease patients using a kinect-driven musculoskeletal gait analysis model. Med Eng Phys. 2017;50:75–82. doi: 10.1016/j.medengphy.2017.10.004. [DOI] [PubMed] [Google Scholar]
- 7.Peng Yinghu, Zhang Zhifeng, Gao Yongchang, et al Concurrent prediction of ground reaction forces and moments and tibiofemoral contact forces during walking using musculoskeletal modelling. Med Eng Phys. 2018;52:31–40. doi: 10.1016/j.medengphy.2017.11.008. [DOI] [PubMed] [Google Scholar]
- 8.Chen Zhenxian, Zhang Zhifeng, Wang Ling, et al Evaluation of a subject-specific musculoskeletal modelling framework for load prediction in total knee arthroplasty. Med Eng Phys. 2016;38(8):708–716. doi: 10.1016/j.medengphy.2016.04.010. [DOI] [PubMed] [Google Scholar]
- 9.Dolatabadi E, Taati B, Mihailidis A Concurrent validity of the Microsoft Kinect for Windows v2 for measuring spatiotemporal gait parameters. Med Eng Phys. 2016;38(9):952–958. doi: 10.1016/j.medengphy.2016.06.015. [DOI] [PubMed] [Google Scholar]
- 10.Latorre J, Llorens R, Colomer C, et al Reliability and comparison of kinect-based methods for estimating spatiotemporal gait parameters of healthy and post-stroke individuals. J Biomech. 2018;72(27):268–273. doi: 10.1016/j.jbiomech.2018.03.008. [DOI] [PubMed] [Google Scholar]
- 11.Eltoukhy M M, Kuenze C, Oh J, et al Microsoft kinect can distinguish differences in over-ground gait between older persons with and without parkinson’s disease. Med Eng Phys. 2017;44(44):1–7. doi: 10.1016/j.medengphy.2017.03.007. [DOI] [PubMed] [Google Scholar]
- 12.Rizzo A, Cukor J, Gerardi M, et al Virtual reality exposure for PTSD due to military combat and terrorist attacks. Journal of Contemporary Psychotherapy. 2015;45(4):255–264. doi: 10.1007/s10879-015-9306-3. [DOI] [Google Scholar]
- 13.Jack D, Boian R, Merians A S, et al. Virtual reality-enhanced stroke rehabilitation// IEEE Transactions on Neural Systems and Rehabilitation Engineering, IEEE, 2001, 9(3): 308-318.
- 14.Badler N I. Virtual humans for animation, ergonomics and simulation//IEEE Nonrigid and Articulated Motion Workshop, IEEE, 1997: 28-36.
- 15.Winter D A. Biomechanics and motor control of human movement: 4th Edition. Canada: John Wiley & Sons, 2009: 327-330.
- 16.Lafond D, Duarte M, Prince F Comparison of three methods to estimate the center of mass during balance assessment. J Biomech. 2004;37(9):1421–1426. doi: 10.1016/S0021-9290(03)00251-3. [DOI] [PubMed] [Google Scholar]
- 17.Shotton J, Fitz A, Cook M, et al. Machine learning for computer vision. Berlin: Springer, 2013: 1297-1304.
- 18.Galna B, Barry G, Jackson D, et al Accuracy of the microsoft kinect sensor for measuring movement in people with parkin-son’s disease. Gait Posture. 2014;43(39):1062–1068. doi: 10.1016/j.gaitpost.2014.01.008. [DOI] [PubMed] [Google Scholar]
- 19.Obdrzalek S, Kurillo G, Ofli F, et al. Accuracy and robustness of kinect pose estimation in the context of coaching of elderly population//2012 Annual International Conference of the IEEE EMBS, San Diego, USA: IEEE, 2012. DOI: 10.1109/EMBC.2012.6346149.