本项目完整代码与数据已分享至交流社群

加入会员群

传统评估依赖康复师人工观察，基于Fugl-Meyer（FMA）量表给出主观评分，存在效率低、误差大、难以量化运动细节等问题。随着计算机视觉与数据分析技术的发展，通过视频提取肢体运动数据并自动化评估成为解决这一痛点的关键方向。

一、引言

本文方案改编自分析师团队过往完成的中风康复机构咨询项目——当时为某康复中心设计了“视频-数据-评分”一体化分析系统，将人工评估时间从平均30分钟缩短至5分钟内，评分一致性误差降低40%。方案核心是利用OpenCV处理视频流，通过MediaPipe提取人体关键点三维坐标，结合Pandas、NumPy进行数据清洗，再基于FMA量表构建上下肢运动功能评估模型，最终通过Matplotlib实现可视化对比。
本文内容源自过往项目技术沉淀与已通过实际业务校验，该项目完整代码与数据已分享至交流社群。阅读原文进群，可与600+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路，帮大家既懂 怎么做，也懂 为什么这么做；遇代码运行问题，更能享24小时调试支持。
系统整体流程遵循“视频输入→三维坐标提取→数据预处理→上下肢功能评估→可视化输出”的逻辑，下文将分模块拆解实现过程，同时提供修改后的核心代码与实际应用效果，确保学生能理解并复现关键步骤。

三、中风患者肢体运动视频三维坐标提取

3.1 技术原理与工具选择

本模块核心是将中风患者肢体运动视频转化为可量化的三维坐标数据。选用MediaPipe Pose作为人体关键点检测工具，因其支持实时提取33个身体关键点（含上肢肩、肘、腕，下肢髋、膝、踝等核心关节）的三维坐标，且在普通设备上即可达到15-30fps的处理速度，适配康复场景的视频分析需求。
工具组合说明：

  • OpenCV：负责读取视频流、转换图像色彩空间（BGR→RGB，适配MediaPipe输入要求）；
  • MediaPipe Pose：检测并输出关键点的X/Y/Z坐标（X为水平方向，Y为垂直方向，Z为深度方向）与可见度（Visibility，判断关键点检测可靠性）；
  • Pandas：将每帧数据整理为DataFrame，便于后续清洗与存储；
  • NumPy：处理缺失值填充等数据预处理操作。
侧边栏

FMA量表简介

Fugl-Meyer评估量表（FMA）是中风患者运动功能评估的常用工具，包括上肢（FMA-UE，66分）和下肢（FMA-LE，34分）两部分。该量表通过观察患者完成特定动作的能力来评分，分数越高表示运动功能越好。传统评估需专业康复师耗时20-30分钟，而结合计算机视觉技术可实现自动化、客观化评估，显著提高效率和准确性。

3.2 核心代码实现（修改后版本）

代码已修改变量名（如原video_path改为video_file_path）、翻译英文注释，并省略部分重复数据打印代码，保留核心逻辑：

import cv2 
import mediapipe as mp 
import pandas as pd 
import numpy as np
# 初始化MediaPipe Pose模型
mp_pose = mp.solutions.pose 
pose_model = mp_pose.Pose( 
static_image_mode=False, # 视频流模式（非静态图片）
 model_complexity=2, # 启用最高精度模型（适合精细关节检测）
 smooth_landmarks=True, # 启用关键点平滑（减少视频帧间抖动）
 min_detection_confidence=0.7, # 检测置信度阈值（低于则不输出结果）
 min_tracking_confidence=0.5 # 跟踪置信度阈值（低于则重新检测）
)
# 视频文件路径（需根据实际场景修改）
video_file_path = r"F:\hangyi_finalproject\archive-WLU\Blurred\Arm Raise Correct\11.mp4"
# 获取所有Pose关键点名称（如LEFT_WRIST、RIGHT_HIP等）
POSE_LANDMARK_NAMES = [landmark.name for landmark in mp_pose.PoseLandmark]
def extract_3d_coord(video_file_path): ......

3.3 实际应用效果

本模块处理中风患者“手臂上举”动作视频后，可输出每帧的关节三维坐标数据。以下为数据样例（前20帧手腕坐标）与三维轨迹可视化效果：



从轨迹图可直观观察到：中风患者患侧手腕（如左侧）的运动轨迹更不稳定，Z轴方向（深度）的变化幅度小于健康侧，这为后续功能评估提供了量化依据。

相关视频

视频讲解：多层感知机MLP与卷积神经网络CNN在服装图像识别中的应用

最受欢迎的见解

  1. Python员工数据人力流失预测：ADASYN采样CatBoost算法、LASSO特征选择与动态不平衡处理及多模型对比研究
  2. R分布式滞后非线性模型DLNM分析某城市空气污染与健康数据：多维度可视化优化滞后效应解读
  3. Python古代文物成分分析与鉴别研究：灰色关联度、岭回归、K-means聚类、决策树分析
  4. Python TensorFlow OpenCV的卷积神经网络CNN人脸识别系统构建与应用实践
  5. Python用Transformer、SARIMAX、RNN、LSTM、Prophet时间序列预测对比分析用电量、零售销售、公共安全、交通事故数据
  6. MATLAB贝叶斯超参数优化LSTM预测设备寿命应用——以航空发动机退化数据为例
  7. Python谷歌商店Google Play APP评分预测：LASSO、多元线性回归、岭回归模型对比研究
  8. Python+AI提示词糖尿病预测模型融合构建：伯努利朴素贝叶斯、逻辑回归、决策树、随机森林、支持向量机SVM应用

四、基于FMA量表的下肢运动功能评估

4.1 评估逻辑与核心指标

下肢评估基于Fugl-Meyer下肢量表（FMA-LE，总分34分），重点关注“反射活动”“自主运动”“协调性/步态”三大维度。本模块通过以下步骤实现自动化评分：

  1. 数据预处理：过滤低可见度（Visibility<0.5）的关节数据，填充缺失值（用前后帧数据插值）；
  2. 关键参数计算：关节活动度（ROM，如髋、膝、踝关节的运动角度范围）、步态规律性（步周期稳定性）、步长对称性（左右脚迈步距离差异）；
  3. 评分映射：将计算出的参数与FMA量表标准对比，输出各维度得分与总分，并判断运动障碍等级（轻度/中度/重度/极重度）。

4.2 核心代码实现（修改后版本）


"基于FMA标准的下肢运动功能评估器"
 def __init__(self, affected_side: str = 'LEFT'): 
"
 初始化评估器
 Parameters:
 affected_side: 患者患侧肢体（'LEFT' 或 'RIGHT'）
 "
 self.affected_side = affected_side.upper() 
self.healthy_side = 'RIGHT' if self.affected_side == 'LEFT' else 'LEFT' 
......

4.3 实际应用效果

以下为下肢评估的报告输出与可视化对比结果。从结果可见：中风患者的FMA-LE总分（12分）显著低于健康人（32分），膝关节活动度（45°）仅为健康人的50%，步态规律性（0.35）也更差，符合临床中中风患者下肢运动功能受限的特征。

相关技术图片

Python TensorFlow OpenCV的卷积神经网络CNN人脸识别系统构建与应用实践

本文介绍了如何使用Python、TensorFlow和OpenCV构建一个完整的卷积神经网络(CNN)人脸识别系统，包括数据采集、模型训练、评估和实际应用。

探索观点

五、基于FMA量表的上肢运动功能评估

5.1 与下肢评估的差异与适配

上肢运动功能评估基于Fugl-Meyer上肢量表（FMA-UE，总分66分），核心差异在于：

  • 评估关节不同：重点关注肩、肘、腕、手指、拇指（下肢为髋、膝、踝）；
  • 运动学参数不同：除关节活动度外，增加“手部协调性”“运动速度”等指标（如手腕运动速度反映上肢控制能力）；
  • 评分权重不同：肩关节占比最高（30%），其次为肘关节（25%）、腕关节（20%）、手指（15%）、拇指（10%）。

5.2 核心代码与应用效果

核心代码逻辑与下肢类似，已修改类名为UpperLimbFMAAnalyzer，调整关节参数与评分映射规则，此处省略重复代码，仅展示关键效果：

六、系统优势与服务支持

6.1 技术优势与创新点

  1. 自动化与量化：替代人工评估，将中风患者肢体运动数据转化为三维坐标与客观评分，减少主观误差；
  2. 上下肢区分评估：针对上下肢运动功能的不同特征设计专属模型，评估更精准；
  3. 低门槛适配：基于Python开源工具链，普通电脑即可运行，无需专业硬件，降低康复机构使用成本。

封面