步态分析是康复领域常用的一种评估手段,在医学应用中,当前对患者进行步态数据采集大多使用基于标记点的系统。此系统成本高、对环境要求高、过程耗时、对患者步态会产生一定影响。所以,在过去的几十年里,越来越多人开始研究无标记点人体运动捕捉系统。且当前步态分析结果以图表形式显示,解读需要一定专业知识,根据步态自动进行相关分类任务也成为了很多研究者的研究方向。本研究的目的是使用多角度的患者视频,利用深度神经网络(DNN)方法开发一套无标记点的运动捕捉系统。并基于所捕捉到的患者步态,自动进行相关病因的分类。本研究以骨科患者视频为输入,先通过堆叠的沙漏网络估计患者的二维姿态,而后融合多角度二维姿态数据,采用基于DNN的方法,估计患者的三维姿态。在分类任务中,本论文将输入步态视频分为3组,分别是左髋关节置换病人、右髋关节置换病人、双髋关节置换病人。分类器以人体三维姿态的时间序列为输入,基于长短期记忆网络(LSTM)方法,自动对患者病因进行分类。在本研究设计的无标记点运动捕捉系统中,所有患者的误差为29.87±4.99mm。且每个患者的平均误差较为稳定。分类任务中,不同类别的分类敏感度为58%~85%,整体准确率为70%。本研究提出的无标记点运动捕捉系统,采用了多视角信息,具有较高精度,在未来发展中,可以作为替换基于标记点的运动捕捉系统的一种可行方式。本研究中分类器创新性应用了长短期记忆网络(LSTM),在当前具有最先进的成果,是今后应用深度学习进行临床步态分析的一个基础。