心肺复苏（Cardiopulmonary Resuscitation，CPR）是在院外抢救心脏骤停患者最有效的手段，CPR培训的主要工作是对标准动作进行训练和评估。传统CPR培训需要指导老师来判断受训者按压位置和按压姿势等是否正确，其存在效率低下且主观性强的问题。天津大学温州安全（应急）研究院、天津大学应急医学研究院董文龙作为通讯作者在Applied Sciences-Basel杂志上发表一项研究“Quality Evaluation Algorithm for Chest Compressions Based on OpenPose Model”，针对传统CPR培训模式评价效率低的问题，借助机器视觉技术，提出了一种基于OpenPose人体姿态估计模型的胸外按压质量评价算法。该算法从单目摄像头获取的视频图像中提取胸外按压关键评价指标数据，自动判断受训者胸外按压姿势、深度、频率、位置和胸部反弹等是否达标。
图1 Applied Sciences-Basel官网发布截图
本研究首先设计了一个由图像采集、姿态估计、基本运动特征评估和质量评估四个阶段组成的系统架构，选择2D人体姿态估计算法OpenPose，从处理后的视频中识别出18个关键点的坐标信息和受训者关键点的置信度，并将视频中受训者的关键点信息与混合坐标信息区分开来，同时生成关键点坐标文件。结合美国心脏协会指南中CPR标准，定义评价胸外按压各项动作标准的算法。最后设计一组实验，由5名实验者（3名男性和2名女性）在装有传感器的CPR模拟人身上进行1200个测试动作，将传感器反馈的数据与算法判断结果进行比较。实验结果表明，当摄像机处于固定位置时，基于OpenPose模型的评价算法的检测准确率达到94.85%，运算速度达到25 fps。算法运行时，人体各关键点的识别效果良好，能够正确区分人体和假人身体的关键点。
图2 原始图像和姿态估计图像
图3 实验结果
该研究对胸外按压动作标准进行合理定义，证实了算法在胸外按压自动识别方面的有效性，为后期算法研究指明改进方向，并为人体的3D分析以及深度学习方法在公共CPR普及方面的应用提供思路。
