评估人类的步态和姿势是早期诊断步态疾病(例如成人脊柱畸形(ASD))的临床有效方法。

日本筑波大学的研究人员利用步态视频和图像的深度学习，开发了一种根据相关步态障碍的特征对 ASD 进行分类的方法，重点关注行走过程中的周期性运动和运动的对称性。

该研究结果发表在《IEEE Access》杂志上。

由于脊柱畸形，自闭症患者的步态模式发生了改变，因此步态分析可能对诊断有效。然而，传统的步态分析方法可能不足以研究步行过程中的姿势和运动特征，而这些特征对于诊断至关重要。最近，人们开始使用利用视频图像的深度学习技术。

利用该技术，研究人员开发出了一种新方法，可以准确捕捉步行过程中身体运动的节奏性和对称性，可用于对步态过程中下肢和身体所采用的周期性和姿势进行分类。

他们利用81名患者的步行视频对该方法进行了测试，取得了71.43%的正确反应率，比传统方法(66.30%)更为准确，证实了其对诊断ASD的有效性。

未来该技术可能实现临床环境下运动图像的实时分析，从而实现对ASD的即时确认和快速诊断。