引言

在步态分析逐渐成为神经疾病早期筛查和康复评估的重要工具之际，数据的多样性和泛化能力却成为制约其广泛应用的瓶颈。近日，Nature Communications发表的一项研究提出了一种创新方法：通过物理模拟生成多样化的合成步态数据，训练深度学习模型以实现跨人群、跨设备的通用步态分析。该方法不仅在无真实数据的情况下表现出色，还显著提升了模型在不同临床场景中的适应性和数据效率，为普惠化的健康监测和个性化医疗提供了新思路。

基本信息

• 文章标题：Utility of synthetic musculoskeletal gaits for generalizable healthcare applications
• 期刊：Nature Communications
• 影响因子：16.6
• 发表时间：2025年7月4日
• 研究单位：IBM Research、筑波大学、克利夫兰诊所
• 研究重点：步态分析模型的泛化能力、合成数据生成、自监督学习在医疗中的应用
• 数据集：包括脑瘫（CP）、帕金森病（PD）和痴呆症患者的步态视频与加速度计数据。视频数据来自1128人共9247段，传感器数据来自196人共2871条样本。
• Github地址：https://github.com/namjohn10/GenerativeGaitNet和https://github.com/AlexanderVNikitin/tsgm/blob/main/tsgm/models/timeGAN.py
• 论文地址：https://doi.org/10.1038/s41467-025-61292-1

研究背景与意义

步态分析作为一种重要的生物标志物，在神经系统疾病的早期筛查、病程监测和康复评估中发挥着越来越关键的作用。研究表明，帕金森病、脑瘫、痴呆症等疾病在早期就会表现出明显的步态异常，甚至在认知障碍尚未显现之前，步态变化已可作为潜在预警信号。因此，构建高效、普适的步态分析模型，对于推动个性化医疗和疾病预防具有重要意义。
然而，现有的人工智能步态分析模型普遍依赖特定人群和特定传感器环境下的真实数据进行训练，导致模型泛化能力不足，难以适应多样化的临床场景。同时，高质量真实数据的获取面临伦理、隐私和成本等多重挑战，限制了模型的可扩展性和实际应用。
本研究提出了一种创新方法：通过物理模拟与深度生成模型生成多样化的合成步态数据，涵盖广泛的肌肉骨骼参数和传感器设置，并结合自监督学习策略，训练出具备高度泛化能力的步态分析模型。该方法不仅在无真实数据训练的情况下表现优异，还能显著提升模型在不同人群和设备环境下的适应性，降低对真实数据的依赖。
这一研究为构建可扩展、低成本、隐私友好的智能健康评估系统提供了新路径，推动步态分析从实验室走向临床和社区，助力精准医疗和公共健康管理的发展。

研究内容与方法

本研究的核心在于提出并验证一种基于合成肌肉骨骼步态数据的深度学习方法，用于提升步态分析模型在不同临床人群和传感器设置下的泛化能力。研究者通过物理仿真生成多样化的步态数据，并结合自监督学习策略，构建出具备高适应性和数据效率的步态分析模型。以下是研究的主要步骤与技术细节：

1. 合成数据生成与处理

• 研究使用Generative GaitNet模型，在物理仿真环境中模拟人体肌肉骨骼系统，生成覆盖广泛解剖参数的步态数据，包括正常与异常肌肉状态（如肌力减弱、肌肉挛缩）。
• 模拟数据涵盖不同步态条件（如步速、步幅）和多种传感器设置（如摄像头视角、加速度计位置），生成对应的合成视频数据与可穿戴传感器数据。
• 所有合成数据被统一处理为时间序列格式，包括2D关键点坐标或加速度信号，并用于后续模型训练。

2. 模型架构与训练策略

• 研究采用多种深度神经网络架构，包括ResNet、Transformer、TimesNet等，用于处理时间序列数据。
• 模型训练分为两种策略：
  • 监督学习：使用合成数据直接训练模型以预测步态参数（如步速、步长、步频），并在真实数据上进行推理验证。
  • 自监督预训练：使用合成数据进行预训练，学习通用步态特征表示，再在真实数据上微调以适应下游任务（如疾病分类、认知能力预测）。

3. 下游任务与评估方法

• 模型在多个真实数据集上进行了验证，包括脑瘫（CP）、帕金森病（PD）和痴呆症患者的步态视频与加速度计数据。
• 下游任务包括：
  • 分类任务：如痴呆状态识别（CU、MCI、Dementia）和脑瘫严重程度分级（GMFCS）。
  • 预测任务：如未来三年认知能力变化趋势。
• 模型评估指标包括Pearson相关系数、AUC、平衡准确率等，并通过交叉验证和消融实验分析模型的泛化能力与数据效率。

实验结果分析

基于合成视频的步态参数估计性能

本部分实验旨在评估使用合成视频数据训练的模型在不同临床人群和摄像头视角下对真实视频的步态参数估计能力。研究者采用了深度神经网络架构（如ResNet），输入为从视频中提取的2D人体关键点时间序列，输出为三项关键步态参数：步速、步长和步频。

• 步态参数估计的拟合效果（图c、图d）：研究团队使用ResNet架构，仅基于合成视频训练模型，在多个真实数据集上进行推理，包括痴呆症患者的前视、后视视频以及脑瘫患者的侧视视频。结果显示，模型在估计步速、步长和步频方面表现出高度拟合性，Pearson相关系数分别达到0.88、0.80和0.97，与真实数据训练模型相当甚至更优，尤其在痴呆症前视视频中表现尤为突出。
• 数据效率对比分析（图d）：通过对比不同训练数据比例下的模型性能，发现合成数据训练模型的表现相当于使用33%至95%的真实数据训练结果。例如，在步速估计任务中，仅使用合成数据即可达到使用299段真实视频（约42%数据）训练的模型性能，显著降低了对真实数据的依赖。
• 跨视角与人群的泛化能力验证（图c）：当真实数据训练模型应用于不同视角或临床人群时，性能明显下降；而合成数据训练模型在前视、后视和侧视视频中均保持稳定表现，说明其具备更强的跨人群、跨设备泛化能力。
• 模型在多参数估计中的扩展性（补充结果）：除了基本的步态参数，研究还探索了模型在估计其他临床相关参数（如步态变异性、步宽、膝关节角度）上的潜力，结果同样表现良好，进一步验证了合成数据在多维步态建模中的适用性。

合成加速度计数据的跨设备泛化能力

本部分实验旨在验证合成加速度计数据在不同临床人群和传感器设置下的适应性与数据效率。研究者通过肌肉骨骼仿真生成多样化的加速度计数据，并训练模型以估计步速，随后在真实数据上进行推理与评估。

• 多部位传感器数据的模拟与应用（图a）：研究团队通过肌肉骨骼仿真生成佩戴在不同身体部位（腰部、踝部、胸部、大腿）的加速度计数据。这些合成数据涵盖了多种步态状态和个体差异，构建了一个多样化的训练集。模型使用这些数据进行训练，并在四个真实数据集上进行测试：痴呆症患者的腰部与踝部加速度计数据，以及帕金森病患者的胸部与大腿加速度计数据。
• 合成模型在真实数据上的推理表现（图b）：在不使用任何真实数据训练的情况下，模型在所有四种传感器设置下均表现稳定。其步速估计结果与真实数据训练模型相当，验证了合成数据在跨设备环境中的适应性。
• 训练数据比例与性能关系分析（图c）：通过对比不同训练数据比例下的模型性能，发现合成数据训练模型的表现相当于使用大量真实数据训练的结果：
  • 在痴呆症腰部数据中，合成模型的性能相当于使用80%真实数据训练的模型。
  • 在踝部数据中，仅需5%真实数据即可达到合成模型的性能。
  • 在帕金森病胸部和大腿数据中，合成模型的性能分别相当于使用90%真实数据训练的模型。 这表明，合成数据在提升数据效率方面具有显著优势，尤其适用于数据稀缺或采集成本高的临床场景。
• 临床环境中的适用性验证：进一步分析显示，合成数据训练模型在临床实践采集的数据与实验室采集的数据中均表现一致，说明该方法不仅适用于标准化研究环境，也具备在真实医疗场景中部署的潜力。

模态肌肉活动估算的可行性

本部分实验探索了一个具有高度临床价值的方向：利用视频数据估算肌肉活动（EMG）信号，实现非侵入式的运动功能评估。研究者使用合成数据训练模型，并在真实痴呆症患者视频上进行推理验证，评估其在不同视角下对肌肉活动的估算能力。

• 视频到肌肉活动的建模流程（图a）：研究者提出了一种创新方法，通过合成视频与肌肉激活数据建立映射关系，实现从视频中估算肌肉活动（EMG）。模型采用Transformer架构，输入为视频中提取的2D关键点时间序列，输出为14个下肢肌肉的活动序列。训练数据来自物理仿真生成的前视与后视视频及对应肌肉活动，测试数据则为真实痴呆症患者的视频与同步采集的EMG信号。
• 估算信号与真实肌电信号的拟合效果（图b）：模型在多个肌群（如股二头肌 BF、股内侧肌 VM、胫前肌 TA、腓肠肌 GAS 等）上均表现出良好的拟合能力。图中黑色线为模型估算值，黄色线为真实EMG信号，两者在时序波动上高度一致，尤其在步态周期内的激活模式上表现稳定，验证了模型对肌肉控制规律的理解。
• 不同视角下的估算准确性对比（图c）：在前视与后视视频中，模型对各肌肉的估算准确性（以 Pearson 相关系数衡量）均达到较高水平：
  • 平均相关系数为0.72，其中胫前肌（TA）、比目鱼肌（SOL）和腓肠肌（GAS）在前视视频中相关性超过0.80。
  • 前视与后视视频均支持高精度估算，说明模型具备良好的跨视角泛化能力，可适应不同拍摄条件。
• 临床应用潜力与非侵入式评估价值：该方法展示了从普通视频中估算肌肉活动的可行性，为临床提供了一种非接触式、低成本的肌肉功能评估手段。尤其在痴呆症等不易进行传统EMG测量的人群中，具有重要意义，有望用于远程监测、康复评估及疾病进展追踪。

自监督预训练提升下游任务性能

• 预训练提升多任务表现（图a、图b、图c、图d）：研究者使用合成数据进行自监督预训练，并在多个下游任务中进行微调，包括：
  • 痴呆症状态分类（CU vs. Dementia）
  • 多类别诊断分类（CU vs. MCI vs. Dementia）
  • 脑瘫严重程度分级（GMFCS）
  • 认知能力三年期预测（Cognitive Decline）
    在所有任务中，预训练模型均优于从零开始训练的模型。例如，在CU与Dementia的二分类任务中，最佳预训练模型的AUC达到0.866，比未预训练模型提升了+0.044；在GMFCS分级任务中，平衡准确率提升了+4.0%；在认知能力预测任务中，AUC提升了+0.136。
• 不同模型架构下的普遍提升（图e、图f、图g、图h）：研究者对八种主流时序模型架构（如ResNet、Transformer、Informer、LSTM、Mamba等）进行了对比分析。结果显示，所有模型在预训练后性能均有提升，验证了合成数据预训练的通用性和有效性。
• 数据效率显著提升（图i、图j、图k、图l）：预训练模型在多个任务中实现了更高的数据利用效率。例如：
  • 在CU vs. Dementia分类任务中，仅使用43%真实数据即可达到未预训练模型的最佳性能，节省了1149段视频数据。
  • 在GMFCS分级任务中，仅需36%真实数据即可达到同等效果。
  • 在认知能力预测任务中，预训练模型仅需28%数据即可达到未预训练模型的性能。
    平均来看，预训练模型在所有任务中可将真实数据需求减少至38%，大幅降低了数据采集成本。
• 帕金森病相关任务中的一致性验证（图6a–f）：在PD相关任务中（如PD vs. Control分类、药物状态识别），预训练模型同样表现优异：
  • AUC分别提升了+0.048和+0.084；
  • 仅需21%–28%的真实数据即可达到未预训练模型的性能。
• 多模态预训练的协同优势：研究还探索了将视频与加速度计合成数据进行多模态预训练的策略。结果显示，多模态预训练模型在多个任务中均优于单模态模型，进一步验证了合成数据在多源信息融合中的潜力。

优势与局限

优势

• 跨模态适应性强：模型可同时处理视频和加速度计数据，支持从2D关键点估算步态参数、甚至肌肉活动（EMG），实现非接触式、多模态健康评估。
• 高数据效率：在多个任务中，合成数据训练模型的性能相当于使用30%–90%的真实数据，显著降低了对真实数据的依赖，适用于数据稀缺的临床场景。
• 强泛化能力：模型在不同人群（如痴呆症、脑瘫、帕金森病）和不同传感器设置（腰部、踝部、胸部、大腿）下均表现稳定，具备良好的跨设备、跨人群泛化能力。
• 支持下游任务扩展：通过自监督预训练，模型在分类、分级、预测等多种任务中均表现优异，适用于临床诊断、康复评估和疾病进展预测等多种应用场景。

局限

• 合成数据真实性有限：尽管物理仿真已高度逼真，但仍可能缺乏某些真实步态中的微妙变化，影响模型在极端病理状态下的表现。
• 肌肉活动估算精度受限：从视频估算EMG信号虽具潜力，但在部分肌群中仍存在拟合误差，尤其在后视视频中表现略低。
• 模型复杂度高：多模态融合与自监督预训练增加了模型的训练成本与部署难度，对计算资源要求较高。
• 临床验证仍需扩大：目前验证数据集覆盖有限，尚需在更广泛的临床人群和真实环境中进一步测试模型的稳定性与通用性。

参考文献

1. Simulating Human Gait Dynamics with Musculoskeletal Models Seth et al., 2018：该论文介绍了OpenSim平台及其在肌肉骨骼系统建模中的应用，是本研究合成步态数据生成的基础工具之一。研究者通过该平台构建多样化的步态模拟环境，为后续的深度学习训练提供了高质量的合成数据。
2. Voxelpose: Towards Multi-view Keypoint Estimation via 3D Voxel Heatmaps Tu et al., 2020：本文提出了Voxelpose算法，用于从多视角视频中提取人体2D关键点，是本研究视频数据处理与步态参数估算的关键技术。Delphi-2M步态模型在视频到参数的映射中广泛使用了该方法。
3. TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis Wu et al., 2023：该论文提出了TimesNet模型，在时间序列建模中表现优异。本研究在步态参数估算和认知能力预测任务中使用了该架构，并通过合成数据预训练显著提升了模型性能。
4. Gait Recognition in the Wild: A Benchmark Yu et al., 2021：该论文构建了大规模真实步态数据集，并评估了多种模型在不同视角和环境下的表现。本研究通过合成数据训练模型并在真实数据集上验证，参考了该文中的评估方法与数据分布。
5. Deep Learning-Based Gait Analysis for Clinical Applications: A Review Wang et al., 2022：该综述总结了深度学习在临床步态分析中的应用现状，强调了数据获取难题与模型泛化问题。本研究通过合成数据与预训练策略，正是对这些挑战的直接回应与技术突破。