编辑推荐：
为探究计算机视觉（CV）框架在震颤分析中的有效性，研究人员评估了 Mediapipe 和 Vision 框架。研究发现，两者能准确测量震颤峰值频率，但振幅估计准确性欠佳。这为震颤分析提供新方向，不过临床应用还需改进16。
在医学领域，震颤是帕金森病、特发性震颤等多种疾病的常见症状。准确分析震颤对于疾病诊断、病情评估和治疗方案制定至关重要。传统的震颤评估方法，如光学运动捕捉（OMC），虽然精准，但成本高昂、设备稀缺且耗时；加速度计和肌电图等技术，虽有应用，但需要专业硬件和知识，普及困难。而近年来，计算机视觉（CV）技术飞速发展，其在医学领域的应用潜力巨大。利用 CV 技术，通过普通摄像头拍摄视频，就能分析震颤，操作简便。然而，该技术在震颤分析中的准确性和可靠性尚待验证，这也促使研究人员开展相关研究。
德国基尔大学附属医院神经内科的研究人员，针对 CV 框架在震颤分析中的应用展开研究。他们评估了谷歌的 Mediapipe 和苹果的 Vision 这两个可在智能手机上使用的手部检测框架，旨在探究其在震颤分析中的有效性。该研究成果发表于《Scientific Reports》。
研究人员运用了多种技术方法。首先，通过在 Blender 软件中模拟 3D 手部模型运动，生成合成数据，以此研究不同摄像头位置对框架准确性和振幅估计的影响。同时，招募了 20 例不同病因的震颤患者，使用智能手机、12 摄像头光学运动捕捉系统和惯性测量单元（IMU）同步记录手部运动数据。之后，对采集的数据进行处理，利用 Mediapipe 和 Vision 框架对手部进行跟踪，计算震颤的振幅和频率，并与 OMC、IMU 数据对比分析78。
研究结果如下：
- 虚拟实验：模拟稳定手部震颤，研究摄像头角度对框架准确性和振幅的影响。发现从上方且稍侧方拍摄手部时，Mediapipe 和 Vision 框架检测准确性更高；从正面拍摄时，准确性下降，Vision 框架更明显。模拟手部振幅线性增加的运动，评估框架估计振幅的性能，结果显示 Mediapipe 对世界地标（world landmarks）的估计只能大致跟踪振幅变化，且包含 Z 轴数据会降低估计准确性。检测峰值频率时发现，两个框架都能稳健估计 6Hz 的峰值频率，但 Mediapipe 包含 Z 轴数据时，频率估计更嘈杂23。
- 患者数据验证：对 20 例震颤患者数据进行分析。在振幅估计方面，Mediapipe 和 Vision 框架与 OMC 测量的绝对估计误差无显著差异，但部分框架估计误差与 OMC 振幅存在显著相关性，表明存在系统误差。所有框架估计的振幅与临床特发性震颤评分量表（TETRAS）评分显著相关，但不同 TETRAS 评分对应的振幅估计值有重叠。在峰值频率估计方面，Mediapipe 和 Vision 框架的中位数估计误差较小，分别为 0.05 - 0.15Hz，但最低震颤振幅患者的峰值频率无法估计，且峰值频率估计准确性与实际震颤振幅呈显著负相关45。
研究结论表明，Mediapipe 和 Vision 框架虽不是专门为震颤分析设计，但能准确估计震颤峰值频率，也可对震颤振幅进行基线估计。然而，在广泛应用于临床前，还需进一步验证和改进，尤其是振幅估计的准确性。该研究为非接触式震颤分析提供了新的思路和方法，随着计算机视觉技术的发展，有望显著提升手部姿势估计水平，改善非接触式震颤分析的质量，为临床医生诊断和治疗震颤相关疾病提供更有力的工具6。
