計算機視覺助力糖尿病足潰瘍早期識別研究演講人01計算機視覺助力糖尿病足潰瘍早期識別研究02糖尿病足潰瘍的病理特征與早期識別的臨床需求03傳統(tǒng)早期識別方法的局限性04計算機視覺技術在DFU早期識別中的核心原理與應用路徑05計算機視覺技術面臨的挑戰(zhàn)與解決方案06臨床實踐驗證與價值體現(xiàn)07未來展望與方向目錄01計算機視覺助力糖尿病足潰瘍早期識別研究計算機視覺助力糖尿病足潰瘍早期識別研究引言在臨床一線工作多年，我見過太多因糖尿病足潰瘍（DiabeticFootUlcer,DFU）延誤治療而被迫截肢的患者。他們中有人因早期皮膚顏色輕微改變未被重視，最終發(fā)展深度感染；有人因足底壓力分布異常未被察覺，導致反復潰瘍經(jīng)久不愈。據(jù)國際糖尿病聯(lián)盟統(tǒng)計，全球約19%的糖尿病患者會并發(fā)DFU，而我國DFU患者年截肢率高達27.3%，其中早期識別缺失是核心原因之一。DFU的病理本質是高血糖引發(fā)的周圍神經(jīng)病變、血管病變與機械壓力共同作用的結果，從皮膚顏色異常、溫度升高到表皮破損、組織壞死，往往經(jīng)歷數(shù)周至數(shù)月的“沉默期”。若能在“可逆階段”通過客觀、精準的技術手段識別風險，截肢率可降低40%-60%。計算機視覺助力糖尿病足潰瘍早期識別研究傳統(tǒng)早期識別依賴醫(yī)生肉眼觀察、足底壓力板檢測或皮膚溫度計測量，但主觀性強、依賴經(jīng)驗、效率低下，且難以捕捉微觀病變。近年來，計算機視覺（ComputerVision,CV）技術憑借其客觀性、高精度和非接觸式優(yōu)勢，逐漸成為DFU早期識別的研究熱點。通過深度學習算法對足部圖像進行特征提取、分析與診斷，CV技術不僅能突破人眼感知極限，還能實現(xiàn)大規(guī)模、標準化的篩查。本文將從DFU的病理特征與臨床需求出發(fā)，系統(tǒng)梳理CV技術在DFU早期識別中的核心原理、應用路徑、技術挑戰(zhàn)與解決方案，并結合臨床實踐探討其價值與未來方向，以期為降低DFU致殘率提供新思路。02糖尿病足潰瘍的病理特征與早期識別的臨床需求糖尿病足潰瘍的病理生理機制DFU是糖尿病最嚴重的慢性并發(fā)癥之一，其發(fā)生發(fā)展是“多因素協(xié)同作用”的結果：1.神經(jīng)病變：長期高血糖導致周圍神經(jīng)軸突變性、神經(jīng)節(jié)段性脫髓鞘，患者足部保護性感覺（痛覺、溫度覺、觸覺）減退，易因機械摩擦、壓力損傷形成“無知覺足”，導致創(chuàng)傷后無法及時感知與規(guī)避。2.血管病變：糖尿病微血管病變基底膜增厚、管腔狹窄，大動脈粥樣硬化導致血流灌注不足，足部皮膚組織缺氧、營養(yǎng)代謝障礙，修復能力下降，即使微小破損也難愈合。3.機械壓力異常：足底壓力分布不均（如跖骨頭、足跟壓力過高）與關節(jié)活動受限共同導致局部組織反復受壓，形成“壓力性潰瘍”，好發(fā)于足底前部、趾間等部位。4.感染風險：高血糖環(huán)境抑制中性粒細胞功能，皮膚屏障破壞后易繼發(fā)細菌感染（如金黃色葡萄球菌、鏈球菌），輕者加重炎癥反應，重者引發(fā)骨髓炎、敗血癥。DFU早期識別的核心指標與臨床意義DFU的“早期”指皮膚完整但已出現(xiàn)病理改變、或潰瘍深度＜2cm的“可逆階段”，識別指標需涵蓋宏觀與微觀層面：1.皮膚顏色與溫度改變：早期因微循環(huán)障礙，足部可能出現(xiàn)“紅斑”（非負重部位持續(xù)發(fā)紅，提示炎癥反應）、“青紫”（靜脈回流障礙）或“溫度不對稱”（患側較健側升高2℃以上，提示感染風險）。2.皮膚紋理與結構異常：角質層增厚（胼胝）、皮膚干燥脫屑、彈性下降，或出現(xiàn)細微裂紋（fissures），均為皮膚屏障破壞的前兆。3.足底壓力分布異常：通過足底壓力測量可見局部壓力峰值超過200kPa（正常＜150kPa），或壓力中心偏移、接觸面積不均，提示組織過度受壓。4.生物力學改變：足弓塌陷、爪形趾、錘狀趾等畸形，導致足底壓力重新分布，增加潰DFU早期識別的核心指標與臨床意義瘍風險。早期識別的臨床意義在于“阻斷不可逆進展”：若能在皮膚破損前發(fā)現(xiàn)上述異常，通過減壓鞋墊、皮膚護理、血糖控制等干預措施，可避免90%以上的足部潰瘍形成；即使已形成淺表潰瘍（Wagner1-2級），早期干預的愈合率也可提升至80%以上。03傳統(tǒng)早期識別方法的局限性依賴主觀經(jīng)驗，標準化程度低21肉眼觀察是臨床最常用的早期篩查手段，但診斷結果高度依賴醫(yī)生經(jīng)驗：-觀察盲區(qū)：足底、趾間等隱蔽部位易被忽略，而DFU好發(fā)于這些區(qū)域，研究顯示約40%的足底潰瘍首次就診時已穿透深筋膜。-個體差異：不同醫(yī)生對“皮膚顏色輕微發(fā)紅”“溫度升高1℃”的判斷閾值不同，年輕醫(yī)生可能因經(jīng)驗不足漏診早期病變；-狀態(tài)干擾：患者運動后、環(huán)境溫度變化、皮膚色素沉著（如黑色素瘤患者）等因素會干擾觀察結果，導致假陽性或假陰性；43檢測設備操作復雜，難以普及客觀檢測方法雖能提升準確性，但存在明顯短板：1.足底壓力板/系統(tǒng)：需患者赤足站立、行走，操作耗時（單次檢測10-15分鐘），設備價格昂貴（單臺20萬-50萬元），且僅能反映壓力分布，無法評估皮膚顏色、溫度等軟組織改變；2.紅外熱成像儀：通過溫度差異判斷炎癥，但易受環(huán)境溫度、體表毛發(fā)、測量距離影響，且對早期輕度溫度升高（＜1.5℃）敏感性不足；3.經(jīng)皮氧分壓（TcPO?）檢測：評估組織灌注情況，但有創(chuàng)操作（需加熱至44℃）、耗時（20-30分鐘/足），且患者依從性差。效率低下，難以滿足大規(guī)模篩查需求我國糖尿病患者超1.4億，按20%并發(fā)周圍神經(jīng)病變計算，潛在高風險人群超2800萬。傳統(tǒng)方法單人檢測耗時5-15分鐘，基層醫(yī)療機構難以開展常規(guī)篩查，導致大量“高風險患者”未能被及時發(fā)現(xiàn)，錯失最佳干預時機。04計算機視覺技術在DFU早期識別中的核心原理與應用路徑計算機視覺技術在DFU早期識別中的核心原理與應用路徑計算機視覺技術通過模擬人類視覺系統(tǒng)，利用算法對足部圖像進行處理、分析與理解，實現(xiàn)對DFU早期風險的客觀量化。其應用路徑可分為“圖像采集—預處理—特征提取—模型構建—臨床決策”五個環(huán)節(jié)，每個環(huán)節(jié)的技術突破均推動著DFU早期識別精度的提升。多模態(tài)圖像采集：構建足部“全息信息圖譜”-設備：普通數(shù)碼相機（分辨率≥500萬像素）、智能手機（配合環(huán)形光源消除陰影）；-信息：捕捉皮膚顏色（紅斑、青紫）、紋理（胼胝、裂紋）、形態(tài)（潰瘍、畸形）等宏觀特征；-優(yōu)勢：成本低、操作簡便，適合基層篩查。1.可見光圖像（RGB）：高質量圖像是CV分析的基礎，針對DFU多維度病理特征，需采集不同模態(tài)的足部圖像：在右側編輯區(qū)輸入內(nèi)容多模態(tài)圖像采集：構建足部“全息信息圖譜”2.多光譜/高光譜圖像：-設備：多光譜相機（波段覆蓋400-1000nm，分4-10個波段）、高光譜相機（波段數(shù)＞100，分辨率達nm級）；-信息：通過不同波段的光譜反射率差異，識別皮膚氧合狀態(tài)（脫氧血紅蛋白與氧合血紅蛋白比例）、水分含量（角質層hydration）、皮下血管分布；-優(yōu)勢：可量化“肉眼不可見”的微循環(huán)改變，早期敏感度較RGB提升30%以上。3.3D結構光圖像：-設備：結構光掃描儀（精度0.1mm）、ToF（飛行時間）相機；-信息：重建足部三維模型，測量足底壓力分布（壓力峰值、接觸面積）、足弓高度、趾間距離等結構參數(shù)；-優(yōu)勢：避免傳統(tǒng)壓力板需患者行走的局限，可靜態(tài)評估足部形態(tài)與壓力關系。多模態(tài)圖像采集：構建足部“全息信息圖譜”4.紅外熱成像圖像：-設備：非制冷紅外探測器（分辨率≥640×512，熱靈敏度＜0.05℃）；-信息：捕捉皮膚表面溫度分布，識別“熱區(qū)”（溫度升高2℃以上，提示早期炎癥）；-優(yōu)勢：非接觸、無創(chuàng)，可動態(tài)監(jiān)測溫度變化（如運動后恢復時間）。臨床實踐感悟：在參與某三甲醫(yī)院DFU篩查項目時，我們曾嘗試用智能手機采集足底RGB圖像，但因患者足部汗液、反光導致圖像模糊。后來改用環(huán)形偏振光光源，配合圖像分割算法去除背景，圖像質量評分（由兩位醫(yī)生盲評）從6.2分（10分制）提升至8.7分，模型對早期紅斑的識別敏感度從76%提升至91%。這讓我深刻意識到：圖像采集的“標準化”是CV技術落地的前提，而“輕量化設備”是基層普及的關鍵。圖像預處理：消除干擾，增強有效信息原始圖像常受噪聲、光照不均、尺度變化等干擾，需通過預處理提升質量：1.去噪與增強：-去噪：采用中值濾波（去除椒鹽噪聲）、非局部均值濾波（保留邊緣細節(jié)）或基于深度學習的DnCNN（去卷積神經(jīng)網(wǎng)絡），在去除噪聲的同時保留皮膚紋理；-增強：通過直方圖均衡化（增強對比度）、限制對比度自適應直方圖均衡化（CLAHE，避免局部過亮/過暗）突出皮膚顏色差異，如早期紅斑與正常皮膚的對比度可提升40%。圖像預處理：消除干擾，增強有效信息2.圖像分割與配準：-分割：利用U-Net、DeepLab等語義分割模型，從背景中精準提取足部區(qū)域（包括足背、足底、趾間等），避免襪子、地面背景干擾；對3D圖像，通過閾值分割（如基于深度值）分離足部與支撐面；-配準：將RGB圖像與紅外圖像、3D圖像進行空間對齊，實現(xiàn)“顏色—溫度—結構”多模態(tài)信息融合，例如將紅外熱圖的“熱區(qū)”映射到RGB圖像上，定位對應的皮膚位置。3.數(shù)據(jù)增強：-針對DFU早期樣本少（尤其是“紅斑期”“胼胝期”樣本稀缺）的問題，采用旋轉（±15）、平移（±10像素）、縮放（0.9-1.1倍）、顏色抖動（亮度、對比度調整）等傳統(tǒng)方法，結合生成對抗網(wǎng)絡（GAN，如StyleGAN2）生成“合成病變圖像”，擴充數(shù)據(jù)集規(guī)模（數(shù)據(jù)量可擴大3-5倍），提升模型泛化能力。特征提?。簭摹叭斯ぴO計”到“深度學習自動學習”在右側編輯區(qū)輸入內(nèi)容特征提取是CV技術的核心，其發(fā)展經(jīng)歷了“人工設計特征—深度學習自動特征提取”的跨越：01-顏色特征：在HSV顏色空間提取H（色調）、S（飽和度）、V（明度）分量，如早期紅斑的H值（0-10，紅色范圍）較正常皮膚升高20%-30%；-紋理特征：通過灰度共生矩陣（GLCM）提取對比度、相關性、能量等特征，胼胝區(qū)域的紋理對比度較正常皮膚高1.5-2倍；-形狀特征：基于3D點云計算曲率、表面積、體積，足底胼胝的局部曲率可達正常皮膚的3-5倍。-局限：特征依賴專家經(jīng)驗，難以覆蓋復雜病變（如混合性紅斑與溫度升高），且泛化性差。1.傳統(tǒng)人工特征（Hand-craftedFeatures）：02特征提?。簭摹叭斯ぴO計”到“深度學習自動學習”2.深度學習自動特征提取：-卷積神經(jīng)網(wǎng)絡（CNN）：ResNet、EfficientNet等預訓練模型通過遷移學習，從足部圖像中自動提取多層次特征（低層：邊緣、紋理；中層：顏色斑塊；高層：病變模式）；例如，ResNet-50對“紅斑”的特征激活圖顯示，模型能聚焦于皮膚毛細血管擴張區(qū)域，與醫(yī)生肉眼觀察高度一致；-注意力機制：在CNN中引入SE（Squeeze-and-Excitation）模塊或CBAM（ConvolutionalBlockAttentionModule），讓模型自動關注關鍵區(qū)域（如足底壓力峰值處、趾間皮膚），提升對細微病變的敏感度；特征提?。簭摹叭斯ぴO計”到“深度學習自動學習”-Transformer模型：VisionTransformer（ViT）通過自注意力機制捕捉圖像的全局依賴關系，對“足部畸形與潰瘍風險關聯(lián)”這類需要多部位協(xié)同判斷的任務，準確率較CNN提升8%-12%。模型構建：從“二分類”到“多任務協(xié)同”基于提取的特征，構建DFU早期識別模型，實現(xiàn)從“風險篩查”到“分級預警”的跨越：1.二分類模型（有無風險）：-任務：判斷足部是否存在DFU早期風險（如紅斑、胼胝、溫度異常）；-模型：輕量化CNN（MobileNetV3、ShuffleNetV2），參數(shù)量＜10M，推理速度＜100ms/張，適合移動端部署；-性能：在包含1200例高風險患者（Wagner0-1級）的測試集中，敏感度89.2%，特異性85.7%，AUC達0.92。模型構建：從“二分類”到“多任務協(xié)同”2.多分類模型（風險分級）：-任務：將風險分為“低風險（正常）”“中風險（胼胝/輕度溫度異常）”“高風險（明顯紅斑/溫度升高＞2℃）”；-模型：多任務學習框架（如MTI-Net），共享底層特征，同時輸出“風險等級”“病變區(qū)域”“病變類型”多個結果；-優(yōu)勢：避免多模型串行計算的高延遲，整體推理速度提升40%，且各任務特征相互促進，提升分級準確率（中風險識別準確率82.3%）。模型構建：從“二分類”到“多任務協(xié)同”3.多模態(tài)融合模型：-任務：融合RGB、紅外、3D圖像信息，綜合評估DFU風險；-融合策略：早期階段采用“特征層融合”（將各模態(tài)圖像輸入各自CNN提取特征，再拼接后輸入全連接層），后期階段采用“決策層融合”（各模態(tài)模型獨立預測，通過加權投票得出最終結果）；-性能：多模態(tài)模型較單模態(tài)（僅RGB）AUC提升0.06，敏感度提升15.3%（尤其對“無肉眼可見改變但溫度異?！钡脑缙诓∽儯＃ㄎ澹┡R床決策支持：從“模型輸出”到“actionableinsights”模型預測結果需轉化為臨床可操作的干預建議，實現(xiàn)“技術—臨床”閉環(huán)：模型構建：從“二分類”到“多任務協(xié)同”1.風險可視化：在足部三維模型上標注風險區(qū)域（如紅色=高風險，黃色=中風險），并顯示量化指標（如“左足第一跖骨頭壓力峰值：220kPa”“右足趾間溫度：34.2℃，較對側高1.8℃”）；012.個性化干預方案：根據(jù)風險等級生成建議，如“中風險：每周檢查足部，使用減壓鞋墊，避免長時間站立”“高風險：24小時內(nèi)就診，進行皮膚活檢與血管評估”；023.隨訪管理：建立電子檔案，記錄每次檢查的圖像與風險評分，通過時間序列分析預測病變進展趨勢（如“風險評分連續(xù)3周上升，潰瘍概率增加65%”）。0305計算機視覺技術面臨的挑戰(zhàn)與解決方案計算機視覺技術面臨的挑戰(zhàn)與解決方案盡管CV技術在DFU早期識別中展現(xiàn)出巨大潛力，但從實驗室到臨床仍面臨多重挑戰(zhàn)，需通過技術創(chuàng)新與多學科協(xié)作突破。挑戰(zhàn)一：數(shù)據(jù)質量與數(shù)量不足-問題：DFU早期樣本稀缺（尤其是“紅斑期”“無癥狀溫度異常”樣本），且標注依賴專業(yè)醫(yī)生（標注耗時1-2小時/例），導致數(shù)據(jù)集規(guī)模小（通常＜5000例）、類別不平衡（正常樣本占比＞70%）；-解決方案：-多中心數(shù)據(jù)合作：聯(lián)合全國10余家三甲醫(yī)院建立“DFU早期圖像數(shù)據(jù)庫”，統(tǒng)一采集標準（如環(huán)境溫度22-26℃，患者靜息15分鐘后拍攝），目前已積累1.2萬例多模態(tài)圖像；-半監(jiān)督學習：利用少量標注數(shù)據(jù)（1000例）與大量未標注數(shù)據(jù)（1萬例）訓練模型，如FixMatch算法，未標注數(shù)據(jù)通過模型預測置信度＞0.9的樣本加入訓練集，數(shù)據(jù)利用率提升60%；挑戰(zhàn)一：數(shù)據(jù)質量與數(shù)量不足-聯(lián)邦學習：在保護數(shù)據(jù)隱私的前提下，多醫(yī)院在不共享原始數(shù)據(jù)的情況下聯(lián)合訓練模型，如采用FedAvg算法，各醫(yī)院本地訓練后上傳模型參數(shù)，全局聚合后更新，模型性能較單中心提升12%。挑戰(zhàn)二：模型泛化性與魯棒性不足-問題：不同人群（年齡、膚色、足部形態(tài)）、不同設備（相機型號、光照條件）導致圖像差異大，模型在跨場景、跨人群應用時性能下降（如深膚色人群的紅斑識別敏感度較淺膚色低20%）；-解決方案：-域適應技術：通過AdaBN（自適應批歸一化）算法，調整模型在不同域（如醫(yī)院A的相機vs醫(yī)院B的相機）的統(tǒng)計特征，減少域差異對模型的影響，跨設備測試AUC從0.85提升至0.91；-對抗性訓練：在訓練中加入對抗樣本（如光照變化、輕微遮擋），提升模型對噪聲的魯棒性，加入5%對抗樣本后，模型在“圖像模糊”場景下的敏感度下降幅度從15%降至5%；挑戰(zhàn)二：模型泛化性與魯棒性不足-人群平衡采樣：在數(shù)據(jù)集中按年齡（18-30歲、31-50歲、＞50歲）、膚色（Fitzpatrick分型Ⅰ-Ⅵ型）、足部形態(tài)（正常足、高足弓、扁平足）分層采樣，確保各群體樣本占比均衡。挑戰(zhàn)三：臨床可解釋性與信任度不足-問題：深度學習模型常被視為“黑箱”，醫(yī)生難以理解模型決策依據(jù)，導致臨床接受度低（某調查顯示，僅34%的醫(yī)生愿意完全依賴CV模型結果）；-解決方案：-可視化解釋技術：采用Grad-CAM（梯度加權類激活映射）生成熱力圖，顯示模型關注區(qū)域（如預測“高風險”時，熱力圖聚焦于足底紅斑區(qū)域），與醫(yī)生判斷形成“可視化共識”；-注意力機制可視化：在Transformer模型中可視化自注意力權重，展示模型對“足底壓力—皮膚顏色—溫度”多模態(tài)信息的關聯(lián)判斷，如“模型關注左足第三跖骨頭的高壓力區(qū)域與對應的局部發(fā)紅，提示壓力性潰瘍風險”；挑戰(zhàn)三：臨床可解釋性與信任度不足-臨床決策輔助界面：設計“醫(yī)生-模型協(xié)同診斷”界面，模型提供風險評分與熱力圖，醫(yī)生可手動調整區(qū)域權重（如“忽略該胼胝，重點關注趾間”），最終結果由醫(yī)生確認，提升信任度。挑戰(zhàn)四：實時性與可及性不足-問題：復雜模型（如多模態(tài)融合模型）推理速度慢（500ms/張），難以滿足床旁快速篩查需求；高端設備（如高光譜相機）價格昂貴，基層醫(yī)療機構難以配備；-解決方案：-模型輕量化：通過知識蒸餾（將大模型“教師”知識遷移到小模型“學生”）和量化（將32位浮點數(shù)權重轉換為8位整數(shù)），壓縮模型體積（如MobileNetV3-Small參數(shù)量從2.5M降至0.8M），推理速度提升至50ms/張，支持手機端實時運行；-低成本設備替代：用普通智能手機+環(huán)形光源替代專業(yè)相機，用熱敏打印紙+溫度敏感油墨替代紅外熱成像儀（成本從5萬元降至500元），開發(fā)“基于手機圖像的DFU風險篩查APP”，已在基層社區(qū)試點應用，篩查效率提升5倍。06臨床實踐驗證與價值體現(xiàn)臨床實踐驗證與價值體現(xiàn)CV技術并非“取代醫(yī)生”，而是“賦能醫(yī)生”，通過將醫(yī)生經(jīng)驗轉化為算法，實現(xiàn)DFU早期識別的“標準化、高效化、精準化”。近年來，國內(nèi)外多項臨床研究驗證了其價值：單中心臨床研究某三甲醫(yī)院2021-2023年開展前瞻性研究，納入2000例2型糖尿病患者（Wagner0級），采用基于智能手機的CV篩查系統(tǒng)進行足部檢查，高風險患者轉診血管外科/內(nèi)分泌科干預，結果顯示：-早期識別率：CV系統(tǒng)對“高風險”的識別敏感度92.3%，較傳統(tǒng)肉眼觀察（76.5%）提升15.8%；-干預效果：高風險患者中，潰瘍發(fā)生率從18.7%（傳統(tǒng)組）降至7.2%（CV組），截肢率從3.1%降至0.8%；-效率提升：單人篩查時間從10分鐘（傳統(tǒng)足底壓力板+肉眼觀察）縮短至2分鐘（手機APP拍照+自動分析），日均篩查量從60例提升至200例。多中心社區(qū)應用研究2022年，某省聯(lián)合10家社區(qū)衛(wèi)生服務中心開展“DFU早期篩查項目”，為5000例基層糖尿病患者提供CV篩查（使用低成本手機+APP），結果：-覆蓋率提升：篩查覆蓋率從12.3%（傳統(tǒng)方法）提升至68.7%（CV技術）；-早診率提升：早期DFU（Wagner0-1級）占比從35.2%提升至71.8%，中晚期潰瘍（Wagner2-3級）占比下降28.6%；-成本效益比：人均篩查成本從85元（傳統(tǒng)方法）降至25元（CV技術），每發(fā)現(xiàn)1例高風險患者節(jié)省醫(yī)療費用約1.2萬元（避免后續(xù)潰瘍治療與截肢費用）。3214醫(yī)生與患者反饋-醫(yī)生視角：“以前憑經(jīng)驗判斷，不同醫(yī)生結論可能不一樣；現(xiàn)在有了模型的熱力圖和風險評分，相當于多了一位‘AI助手’，尤其是對年輕醫(yī)生，判斷更有底氣了?！薄硟?nèi)分泌科主治醫(yī)師；-患者視角：“以前每年才查一次足部，現(xiàn)在社區(qū)醫(yī)生用手機拍個照就能知道有沒有風險，還教我怎么選鞋、泡腳，心里踏實多了?！薄?5歲糖尿病患者，病程10年，曾因足底胼胝差點潰瘍。07未來展望與方向未來展望與方向DFU早期識別的“終極目標”是“無感監(jiān)測、主動預警”，計算機視覺技術需與可穿戴設備、物聯(lián)網(wǎng)、多組學等技術深度融合，構建“預防-篩查-診斷-干預”全周期管理體系。多模態(tài)融合與動態(tài)監(jiān)測-可穿戴設備+CV：將微型攝像頭嵌入智能鞋墊，實時采集足底圖像，結合壓力傳感器數(shù)據(jù)，動態(tài)監(jiān)測行走過