Running Form Tech：使用 DIY AI 分析改善你的步态

Source: Dev.to

常见生物力学错误

1. 步幅过大

着地时膝盖伸直会把冲击波传递到整条腿。这可以通过 胫骨角度 来衡量：理想状态是胫骨接近垂直，而前倾的角度则表明着地方式抵消了你的动能。如果胫骨角度超过约 15°，跑者很可能出现了步幅过大。

2. 过度垂直振荡

髋部的垂直位移（通常为 5–10 cm）可以显示你是“弹跳”而不是向前推进。大的振荡会浪费能量并增加关节负荷。

视频采集要求

为了获得可靠的数据，请录制满足以下条件的侧面视角视频：

• 侧面视角 – 相机应垂直于跑步机或跑道。
• 稳固支撑 – 使用三脚架或其他固定支架，以防止相机抖动，这会影响表观的“髋部高度”。
• 关节可见 – 穿着贴身衣物，使 AI 能清晰看到髋部、膝盖和踝关节的标记点。
• 光线均匀 – 避免出现严重阴影，以免干扰姿态估计算法。

实现概览

1. 姿态估计 – 使用 Python 及 OpenCV、MediaPipe 等库，在每帧中检测 33 个身体关键点。
2. 滑动窗口 – 创建一个帧的移动窗口，跟踪踝关节的最低点；这近似于脚掌着地的瞬间。
3. 角度计算 – 在识别出的着地点帧，计算膝盖与踝关节之间的角度，以得到胫骨角度。
4. 弹跳测量 – 记录每一步周期内髋部的最大和最小 Y 坐标。将像素差转换为厘米（使用已知参考物进行校准），以量化垂直振荡。

# Example: calculate shin angle using MediaPipe landmarks
import cv2
import mediapipe as mp
import numpy as np

mp_pose = mp.solutions.pose
pose = mp_pose.Pose(
    static_image_mode=False,
    model_complexity=1,
    enable_segmentation=False,
    min_detection_confidence=0.5,
)

def shin_angle(landmarks):
    # landmarks: list of PoseLandmark objects
    knee = np.array([
        landmarks[mp_pose.PoseLandmark.LEFT_KNEE].x,
        landmarks[mp_pose.PoseLandmark.LEFT_KNEE].y,
    ])
    ankle = np.array([
        landmarks[mp_pose.PoseLandmark.LEFT_ANKLE].x,
        landmarks[mp_pose.PoseLandmark.LEFT_ANKLE].y,
    ])
    shin_vec = ankle - knee
    angle = np.degrees(np.arctan2(shin_vec[1], shin_vec[0]))
    return abs(angle)

# Process video frames...

实用技巧

• 监测胫骨角度 – 目标是接近垂直的着地（偏差 ≤ 15°），以降低关节冲击。
• 减少弹跳 – 将垂直能量转化为前进动力，提高效率。
• 利用数据 – 使用视频反馈将主观的“感觉”转化为客观的生物力学指标。

如果你是开发者或技术型跑者，想自己动手构建此工具，可在 WellAlly 的完整指南中找到全部 Python 代码和教程。