本研究提出了一种基于RGB视频和2D姿态估计的步态分析方法，克服了现有技术的局限性，通过关节角度分析，提高了临床决策的客观性和准确性。

本研究提出了一种新颖的无标记步态分析方法，结合智能边缘传感器和西亚米斯嵌入网络，实现个体识别，克服了传统方法的可靠性和准确性问题，展现了在真实环境中高效自动化步态分析的潜力。

通过步态分析，提出了基于视频的非侵入式脊柱侧弯分类方法，为早期筛查提供新解决方案。使用Scoliosis1K数据集，开发了ScoNet和ScoNet-MT两个模型，证明步态可作为非侵入式的脊柱侧弯生物标志物，革新了筛查实践。数据集和代码可公开获取。

使用智能手机进行步态分析以检测和量化步态障碍。研究者使用强化学习训练一个策略来提高步幅和步行速度的准确性。

本文综述了骨架姿态估计和步态分析的优势、数据集、评估方法、挑战和应用方法，并提出了性能分析、研究空白、应用领域和未来贡献的建议。深度学习在人体姿态估计和步态识别方面有积极作用。

该研究介绍了一种创新的零样本方法，利用图像生成扩散模型实现无标记姿态估计，为下肢假肢的步态分析提供了有希望的解决方案。研究结果证实了这种方法的可行性，并强调其在推进下肢截肢者步态分析方面的潜力。

该文介绍了使用步态分析进行人员身份识别和行人属性识别的方法，提出了DenseGait数据集和GaitFormer模型，并在CASIA-B和FVG数据集上取得了较高的准确率。该方法能够准确识别性别信息和多种外貌属性。

该研究探讨了使用步态分析作为评估下肢骨折患者并发症的工具的潜力，特别是使用机器学习模型预测并发症。研究认为，机器学习在骨科护理中的步态分析中有潜力，可以提高患者的疗效。