企业官网建设流程全解析

1. 先把链路想清楚：小鼠步态分析的方案拆解与选型

小鼠步态分析这件事，表面上就是“拍个视频、量几个距离”，但真正跑过完整项目的人都知道，从一只小鼠在跑道上走一趟，到最终能进统计模型的一张参数表，中间隔着采集、标定、提取、清洗、计算、质控六道关口。任何一道关口出问题，后面算出来的步长、支撑相占比、对称性指数都会变成看起来很像样、实际上没法用的数字。这篇内容我想把整套基于 MATLAB 的小鼠步态分析流程从头到尾拆一遍，讲清楚每个参数为什么这么取、每个算法为什么这么写、哪些地方最容易翻车。

适合读这篇的人大概分三类：刚接手动物行为学实验、需要自己搭一套分析管线的研究生；手里已经有一堆视频、但被追踪抖动和参数异常折磨过的实验人员；以及想用 MATLAB 把零散脚本整理成可复现工具链的工程岗。基础要求不高，会写最基础的 MATLAB 脚本、知道imread和plot怎么用就够，剩下的细节我在文中都会补。

1.1 从行为视频到数字指标，中间到底隔了几层

我习惯把这套流程拆成三层来看。最底层是像素层：原始视频、标定图像、背景帧，这一层要解决的是“画面能不能稳定地区分出动物身体和跑道”。中间层是几何层：关键点坐标、爪印轮廓、质心轨迹，单位是像素，这一层要解决的是“每一帧里每只脚在哪”。最上层是物理层：毫米、毫秒、百分比，步长、步宽、支撑相时长、占空比、对称性指数都在这一层。

很多人做不下去，问题往往出在跨层的时候没有做严格换算。比如提取层用的是像素坐标，但跑道存在透视变形，画面边缘的像素当量和中心差了百分之十几，直接把中心标定的比例套到全图，算出来的步宽系统性地偏大或者偏小。再比如时间维度上，视频帧率是 100 fps，每一帧代表 10 ms，支撑相只有 120 ms 的情况下，量化误差就有 ±8% 左右，这个误差在组间比较时完全可能盖过真实的生物学差异。

所以我在动手写代码之前，会先在纸上把三件事定死：像素当量是多少毫米每像素、时间分辨率是多少毫秒每帧、判定着地的判据是什么。这三个量定了，后面的代码才有意义；定不下来，写多少行都是白搭。

1.2 三条技术路线的取舍：墨迹足印、侧视标记点、俯视无标记

市面上能走的路基本就三条，各有各的适用场景，我在不同项目里都用过。

墨迹足印法是最老也最稳的一条。让小鼠爪底沾上无毒颜料或者墨水，走过一条铺了吸水纸的跑道，纸上留下连续的爪印，扫描或者拍照之后用 MATLAB 做二值化、连通域分析，直接量爪印面积、步长、步宽、同源指数。它的优势是精度高、成本低、不依赖高速相机，一只动物几分钟就能出结果；劣势也很明显——只能拿到静态的空间参数，拿不到时间参数，支撑相时长、摆动速度这些全都测不了，而且涂抹均匀度、纸张吸水性、动物愿不愿意走，都会影响数据质量。

侧视加标记点是另一条经典路线，在髋、膝、踝、足尖贴反光标记点，用高速相机侧向拍摄，靠标记点提取关节轨迹，能算关节角度、摆动相轨迹、协调性。代价是标记点容易掉、贴点位置有主观性、动物适应期长，而且侧视只能看到一侧肢体，左右对比需要翻转或者双侧同步拍摄。

俯视无标记是这几年最主流的选择，从正下方透过透明跑道拍摄，用开源姿态估计框架或者传统图像处理直接提取四只爪的位置，时空参数一把抓。它的门槛在软件侧：模型泛化、遮挡处理、抖动清洗都要自己扛。我目前的默认方案就是这一条，配合 MATLAB 做后处理和参数计算，因为它能一次性拿到完整的时空参数集，对神经损伤模型、疼痛模型、运动功能评分的区分度都更好。

选型上没有绝对的对错，看你的科学问题。只关心空间步态特征、样本量大、预算紧，墨迹法性价比最高；关心关节运动学，侧视标记点绕不开；关心支撑相占比、步态节律、左右协调，那就得走俯视视频这条路。

1.3 为什么把计算层放在 MATLAB 里

提取层用什么工具都行，但计算层我坚持放在 MATLAB，理由有三个，都是实际踩出来的。

第一是矩阵化处理天然适配轨迹数据。一批动物、每个动物多个 trial、每个 trial 几万帧、每帧几个关键点，这种数据结构本质上就是三维数组，MATLAB 里一次索引就能切片，算速度、做滤波、求峰值都是向量化操作，比在别的语言里写循环清爽得多。

第二是参数计算的“可解释性”要求高。步态参数不是黑箱输出，每一个数都要能回溯到公式和原始帧。MATLAB 里我可以把每个参数写成一个独立函数，输入是轨迹矩阵和标定系数，输出是标量和中间过程，出问题的时候直接断点进去看第 237 帧到底发生了什么，这个调试体验对做科研的人来说太重要了。

第三是统计和可视化的闭环。算完参数直接fitlme做混合效应模型、直接画带误差带的步态周期图，不用在几个工具之间倒数据，减少了格式转换引入的错误。

我通常的目录组织是这样的：raw_video放原始视频，calib放标定图，track放提取层的坐标输出（csv 或者 mat），analysis放 MATLAB 的计算脚本和结果，figures放图。每个 trial 一个独立文件，命名里带日期、动物编号、trial 号，这个习惯后面会救命。

1.4 全流程时间预算与人员分工

给一个我实际项目的粗略时间账，方便你评估投入。硬件搭建和标定，第一次做大概两三天，主要是调光照和跑道角度；动物适应训练，每只每天十分钟，连续三到五天；正式采集，每只动物三到五个有效 trial，每个 trial 五到十秒有效行走，加上抓取和清理，单只动物十五分钟左右；提取层如果是现成模型，批处理一小时能跑几十个视频，如果要自己训模型，那就得按周算；计算层脚本第一次写完调试大概两三天，之后复用几乎零成本。

人员上，采集和标定建议固定一个人做，因为手感和判断标准会直接影响数据一致性；计算层的脚本要有人从头到尾负责，别出现“这个函数是谁写的、参数什么意思没人知道”的局面。

2. 采集端：决定最终精度上限的几个硬参数

我一直觉得，小鼠步态分析里 80% 的返工都源于采集阶段没有把参数想清楚。算法再花哨，也补不回丢掉的帧和糊掉的爪尖。这一章把几个关键硬件参数掰开讲，包括怎么算、为什么这么取。

2.1 帧率、快门与曝光：步态周期的时间分辨率

小鼠正常行走的步态周期大约 0.3 到 0.5 秒，支撑相占 55% 到 70%，也就是 100 到 200 毫秒。要可靠地切分支撑相和摆动相，一个支撑相里至少要采到 8 到 10 帧，低于这个数，起止点就只能靠猜。

按最短支撑相 100 ms、目标 10 帧算，帧率下限是 100 fps。但这是下限，不是推荐值。实际的着地时刻落在两帧之间，量化误差是 ±1 帧，100 fps 下就是 ±10 ms，对 100 ms 的支撑相意味着 ±10% 的相对误差。我一般会推到200 到 250 fps，把量化误差压到 ±4% 到 ±5%，同时给后续的亚帧插值留出余地。

快门速度要跟帧率一起算。小鼠行走速度按 250 mm/s 估，如果快门是 1/500 s，单帧内移动 0.5 mm，爪尖直径也就 1 到 2 mm，模糊量已经吃掉轮廓边缘了。我通常把快门设在1/1000 s 以上，单帧位移控制在 0.25 mm 以内。快门一快，进光量就掉，这时候别急着加增益——增益带来的噪声会直接污染阈值分割——而是要加光源。

还有一个容易被忽略的点：曝光时间要小于帧间隔。有些相机自动曝光会把曝光拉到接近帧周期，实际有效帧率就掉了。手动模式下把曝光锁死在 1 到 3 ms，帧率才稳。

2.2 分辨率与视野：像素当量怎么算才够用

像素当量就是每个像素代表多少毫米，直接决定你能分辨多小的差异。计算方法很简单：

像素当量 k = 视野实际宽度 L / 图像水平像素数 N

举个例子，跑道宽度 80 mm，为了留出边距，视野按 120 mm 取，相机水平分辨率 1280 px，那么 k = 120 / 1280 ≈ 0.094 mm/px。

这个精度够不够？看你要测什么。小鼠后肢步宽大约 15 到 25 mm，0.094 mm/px 下对应 160 到 265 个像素，测 1 mm 的组间差异相当于 10 个像素，完全够。但如果要测爪印面积或者足趾张开度这种小尺度特征，就得再往上提，我一般要求k ≤ 0.05 mm/px，对应 120 mm 视野下至少 2400 px 的水平分辨率。

选相机的时候还有一个坑：标称分辨率不等于有效分辨率。某些相机有 binning 或者裁切模式，实际输出可能比标称低。买之前要确认全分辨率下的帧率能不能达到 200 fps，很多相机是分辨率一降、帧率才上去，那就得在“大视野低帧率”和“小视野高帧率”之间做取舍。我的做法是视野只包住跑道有效区域，把分辨率全砸在有用的地方。

2.3 光照与跑道：把“看得清”变成“分得开”

俯视方案里最有性价比的改进往往不是换相机，而是改光照。目标是让爪和跑道背景之间形成稳定的高对比，而不是“看起来挺亮”。

用底部背光是最省事的方案：透明跑道下面放一块漫射的 LED 平板，爪挡住光形成暗轮廓，背景是均匀亮场。这种方式抗环境光干扰强，阈值分割极其稳定，我基本都是这么做的。如果跑道是不透明的，就用俯视方向的环形光或者条形光斜照，但要注意反光——小鼠爪底和跑道表面都可能产生镜面反射，亮斑被阈值切成碎片，连通域就散了。解决办法是加偏振片或者用漫射板，把光源变成大面积柔光。

频闪是另一个隐蔽的杀手。市电驱动的 LED 在某些相机快门下会出现亮度周期性波动，肉眼看不出，但逐帧看背景灰度会跳。检测方法很简单：拍一段空跑道，算每一帧的平均灰度，画出来看有没有周期性波动。有波动就换直流驱动的光源，或者在相机端开启抗闪烁模式。

跑道本身也有讲究。长度至少 40 到 50 cm 让动物能走出一段稳定步态，宽度 60 到 80 mm 足够，太宽动物会转身。两侧加挡板限制横向移动，但挡板不能遮挡俯视视野。跑道表面要防滑又不能太粗糙，太滑动物打滑，步态参数全乱；太粗糙会磨损爪底。

2.4 标定与透视校正：别让边缘像素骗了你

标定这一步，我见过太多人直接跳过，或者随便放把尺子量一下了事。问题在于：只要相机不是严格垂直、镜头有畸变，画面不同位置的像素当量就不一样，边缘区域可能差 5% 到 15%。这个误差会直接进到步长和步宽里，而且它是系统性的，不会被平均掉。

稳妥的做法是拍一张棋盘格标定板，放在跑道平面高度上，用 MATLAB 的detectCheckerboardPoints和estimateCameraParameters求内参和畸变系数，再做undistortImage。如果嫌麻烦，退一步也要在跑道平面放一把带毫米刻度的钢尺，至少在画面中心和四角各取一段已知长度，算出四个区域的实际像素当量，看看差异有多大。差异超过 3% 就必须做畸变校正，不能凑合。

标定系数算出来之后，把它存成一个结构体，跟视频绑定：

calib.k_mm_per_px = 0.0943; % 中心区域像素当量 calib.dist_coeffs = [-0.12 0.08 0 0 0]; calib.roi = [180 60 920 620]; % [x y w h]

后面每算一个物理量都要乘这个系数，绝不允在脚本里散落着硬编码的数字，否则换个相机你就得全局搜索替换。

3. 提取层：从像素到关键点的两条实现路径

提取层要做的事只有一件：给出每一帧、每只爪的位置。听起来简单，做起来是整条链路里最耗时的部分。这一章讲两条路径的具体实现，以及数据出来之后怎么判断它能不能用。

3.1 传统图像处理路线：背景建模加连通域分析

在没有姿态估计模型、或者动物背部和爪对比度特别好的情况下，传统路线又快又稳，值得先试。

核心思路是背景减除加重心提取。先用一段空跑道视频求中值背景，因为中值对偶尔经过的动物不敏感：

v = VideoReader('trial01.mp4'); n = 200; frames = read(v, [1 n]); bg = median(frames, 4); % 逐像素中值背景

读入目标帧之后做差分、阈值、形态学清理：

f = read(v, i); g = rgb2gray(f); d = imabsdiff(g, bg); bw = d > 25; % 阈值按背景噪声标准差定 bw = bwareaopen(bw, 60); % 去掉小噪点 bw = imfill(bw, 'holes'); bw = imopen(bw, strel('disk', 2));

阈值 25 这个数不是拍的，先算空跑道帧的灰度标准差 σ，取 4σ 到 5σ 比较稳。如果背景不均匀，用adaptthresh做局部自适应阈值更好，但要注意窗口大小别小于爪子的尺寸，否则爪子内部会被切空。

连通域出来后用regionprops拿Centroid、Area、BoundingBox、Orientation。俯视下四只爪常常粘成一团，这时候单靠连通域不够，得配合按身体轴向投影分割：先把整体轮廓沿跑道方向投影，找四个峰，再用峰值位置作为初始种子做分水岭。这套操作我在对比度好的数据上跑过上千个 trial，成功率在 90% 以上，剩下 10% 主要是爪重叠和尾巴干扰。

尾巴是这条路线最大的敌人。小鼠尾巴细长、经常横在跑道上、还容易被当成第五个肢体。处理办法是在轮廓阶段用长宽比过滤：尾巴的连通域细长，长宽比通常大于 4，而爪的轮廓接近圆形或椭圆形，长宽比小于 2。这个规则简单但极其有效。

3.2 关键点追踪路线：骨架输出与后处理

对比度不够理想、或者需要关节角度的时候，就得用关键点模型。通常是先用一批自己标注的帧微调一个开源姿态估计框架，导出每帧每个关键点的坐标和置信度，再进 MATLAB 做后处理。

导出格式我强烈建议统一成 csv 或者 mat，字段至少包括：帧号、关键点名、x、y、confidence。多动物或者多 trial 就再加一列 ID。不要依赖框架自带的可视化结果，那个只能看，不能算。

进 MATLAB 之后第一件事是置信度过滤。置信度低于 0.3 的点直接标记为缺失，不要用。第二件事是异常值剔除：身体尺寸在小鼠个体间差异有限，可以用一个物理约束来筛——同侧前后肢之间的距离、左右肢之间的横向距离，都应该落在一个合理区间内。超出区间三倍标准差的点判定为误识别。

一个我常用的技巧是用身体质心做参考。哪怕个别爪的关键点飘了，身体质心通常还是稳的。以质心为原点计算各爪的相对坐标，再做低通滤波，比直接在绝对坐标上滤波更能抑制整体抖动。

3.3 数据清洗：缺失帧插补与抖动抑制

原始轨迹一定会有抖动和断点，直接拿去求导会得到一堆毛刺。清洗分三步。

第一步，填补缺失。短缺失（连续少于 5 帧）用线性插值；长缺失不要硬补，标记为 NaN，后面计算参数时这段周期直接跳过。硬补长缺失会造出不存在的步态周期，这是数据造假级别的错误。

第二步，抑制抖动。我一般用零相位滤波，避免相位偏移：

fs = 200; fc = 30; % 截止频率，按采样率定 [b, a] = butter(4, fc/(fs/2), 'low'); x_filt = filtfilt(b, a, x);

截止频率怎么定？步态运动的能量主要集中在 5 Hz 以下，抖动大多在 30 Hz 以上，所以 20 到 30 Hz 是个合理区间。但要注意，滤波会削平峰值的尖锐程度，影响着地时刻的判定精度，所以着地检测最好在滤波前的速度信号上做，或者用滤波后信号做粗定位、再回到原始信号上细调。

第三步，质量打分。每个 trial 给一个可用性评分，指标包括：有效帧比例、最大连续缺失帧数、爪轨迹的信噪比、步态周期数的稳定性。低于阈值的 trial 直接剔除，不要心疼。我在一个项目里因为舍不得删，硬着头皮把一个有效帧只有 60% 的 trial 算进去了，结果那只动物的支撑相占比均值被拉偏了将近 8 个百分点，后面花了很久才发现问题出在这一条。

4. 计算层：步态参数的定义、公式与代码实现

这是整篇的核心。参数定义不清楚，算出来的数就没法跟别人的结果比。下面每个参数我都给出定义、公式和实现要点。

4.1 时空参数：步长、步宽、周期、占空比

先把几个最容易混淆的概念厘清。步长（step length）是左右脚交替着地时，两个着地点沿行进方向的距离；步幅（stride length）是同一只脚连续两次着地之间的距离，约等于两个步长。很多文献混用这两个词，写方法学的时候一定要写清楚你用的是哪个。

物理换算的通式：

物理距离(mm) = 像素距离(px) × k(mm/px)

其中 k 是标定系数。步长取相邻两次异侧着地点的 x 坐标差：

stepLen_px = abs(x_contact(i) - x_contact(i-1)); stepLen_mm = stepLen_px * calib.k_mm_per_px;

步宽是同一时刻左右后肢的横向距离：

baseWidth_mm = abs(y_L(t) - y_R(t)) * calib.k_mm_per_px;

这里有个细节：取哪个时刻的 y？我取的是两侧都处于支撑相的中点，这样最接近真实的支撑基底宽度。如果直接取某一帧，可能一只脚还在空中，算出来是摆动轨迹的横向偏移，不是步宽。

步态周期 T 是同侧连续两次着地的时间差：

T_cycle = (n_frame_2 - n_frame_1) / fps

占空比（duty factor）是支撑相时长占整个周期的比例：

DF = T_stance / T_cycle

小鼠正常行走 DF 大约 0.55 到 0.70，速度越快占比越低。这个参数对速度极其敏感，所以组间比较必须控制速度，要么限制在窄速度区间内采集，要么把速度作为协变量放进模型。

步频就是 1/T_cycle，单位是步每秒。平均速度可以用步幅除以周期估算，也可以直接用质心位移除以时间，后者更稳，因为它不依赖着地检测的准确性。

4.2 相位切分：支撑相与摆动相的自动识别

这是最容易出错的一步。俯视视频里，“脚着地”表现为爪形清晰、轮廓面积达到局部最大、沿行进方向的速度接近零。三个特征里最稳的是速度极小值加面积峰值的联合判据，单用任何一个都不够。

先算沿跑道方向的速度：

dt = 1/fs; vx = gradient(x_smooth, dt); % mm/s vx_abs = abs(vx);

着地候选点是vx_abs的局部极小值，且值小于阈值（比如 20 mm/s）：

[pks, locs] = findpeaks(-vx_abs, 'MinPeakHeight', -20, ... 'MinPeakDistance', round(0.08*fs)); contact_frames = locs;

MinPeakDistance设为 80 ms 的帧数，是为了避免同一次着地被检成两个峰。这个值要小于最短支撑相、大于抖动周期，80 ms 是个经验值。

面积判据作为验证：对每个候选点，检查该帧前后 ±3 帧内爪轮廓面积是否是局部最大。两个判据都满足才确认着地，只有一个满足就标记为可疑，人工复核或者交给后续的状态机处理。

摆动相就是两次支撑相之间的区间。这里要注意一个陷阱：双支撑期。小鼠行走时存在四脚同时着地的短暂阶段，如果你的算法把每次“离地”都当成摆动开始，就会把双支撑期错误地算进摆动。处理办法是定义“支撑”为“该爪着地”，四只爪的支撑状态各算各的，不要用全局的二元状态。

还有一个速度相关的坑：动物走走停停的时候，速度极小值判据会把“停住”误判成“着地”。解决办法是加一个整体位移约束——如果一个“支撑相”超过 400 ms 且期间质心几乎没动，判定为停顿，整段剔除。

4.3 对称性与协调性：别只看左右差值

对称性指数最常用的定义是：

SI = 2 × (X_left - X_right) / (X_left + X_right) × 100%

X 可以是支撑相时长、步长、爪印面积。SI 接近 0 表示对称，正值表示左侧大。这个公式的好处是无量纲，不同个体之间可比；坏处是对小数值敏感，如果 X 本身很小，SI 会被放大。所以样本量小的时候我建议同时报告原始值和 SI。

相位协调性用相位差描述。以左后肢的着地时刻为基准，算右后肢相对它的相位偏移：

φ = 2π × (t_R - t_L) / T_cycle

正常情况下左右后肢相位差接近 π（交替）。如果接近 0 或者 2π，说明同侧化，是异常步态的重要标志。多肢体协调可以把四个相位画在单位圆上，看相位离散度（phase dispersion），离散度增大意味着协调性下降。

这里我要提醒一句：对称性指标对速度非常敏感。很多模型动物跑得慢，慢速下支撑相自然延长，左右差异也会被放大。所以报对称性必须连带报速度，或者做速度匹配的子集分析。我在一个脊髓损伤模型的数据里就吃过这个亏，治疗组恢复得更好、活动量更大、走得更快，结果支撑相反而更短，如果不控速度，结论几乎是反的。

4.4 速度归一化与统计汇总

速度归一化有两个思路。一是分层：按速度把 trial 分成慢（< 15 cm/s）、中（15 到 25）、快（> 25）三档，只在同档内比较。二是回归校正：把速度作为协变量放进线性混合模型。

我倾向于第二种，因为它不浪费数据：

lme = fitlme(tbl, 'StanceTime ~ Group + Speed + (1|AnimalID)');

(1|AnimalID)是随机截距，处理同一只动物多个 trial 的非独立性。这个模型在 MATLAB 里跑起来很快，输出里的固定效应就是校正速度后的组间差异。

统计单位也要说清楚。以动物为单位，不以 trial 为单位。同一只动物的 5 个 trial 是技术重复，不是生物学重复。我见过把 20 只动物的 100 个 trial 当成 100 个样本做 t 检验的，p 值小得离谱，这种结论站不住。

每个 trial 至少取 3 到 5 个连续稳定步态周期，取均值或者中位数。中位数抗异常值更好，我一般报中位数加四分位距。周期数太少（少于 3 个）的 trial 直接剔除，不然单周期的测量噪声会主导结果。

汇总表建议长这样，一行一个 trial：

导出成 csv，后面进统计软件或者直接在 MATLAB 里建模都方便。

5. 排错实录：那些论文里不会写的坑

这一章全是我自己踩过的坑。写论文的时候这些都不会出现，但它们决定了你的数据能不能用。

5.1 追踪类问题：抖动、丢点与误识别

问题一：爪尖坐标周期性抖动，频率跟步频接近。一开始我以为是滤波没做好，试了各种截止频率都没用。后来逐帧看才发现，是爪子着地时被压扁、轮廓质心后移，抬起时又恢复，质心本身就在周期性移动。这不是噪声，是真实的几何变化。解决办法是不要用轮廓质心代表爪位置，改用爪的最前端点或者固定解剖标志点，位置更稳定。

问题二：某些帧四只爪全丢。通常是动物身体完全遮挡了爪，或者跑道反光形成大片亮斑。前者无解，标记缺失；后者要改光照。我加了一块漫射板之后，这类丢点下降了接近一个数量级。

问题三：把尾巴识别成后肢。前面说过长宽比过滤，但还有一种情况是尾巴尖卷曲成团，长宽比也小。补充判据是用与身体质心的距离：后肢到质心的距离有稳定范围，尾巴尖通常更远。两个判据一起用，误识别基本能压住。

问题四：左右肢标反。这个最隐蔽，因为在某些帧里看起来完全正常。检测方法是算左右肢的横向坐标均值，如果某只动物的左右标签在某些 trial 里整体互换，均值符号会翻转。批处理之后一定要画一张所有 trial 的横向坐标均值图，一眼就能看出来。

5.2 参数类问题：数值合理但结论异常

问题五：支撑相占比超过 0.9。正常小鼠不可能这么高。查下来是着地检测阈值太松，把慢速摆动也判成了着地。把速度阈值从 30 mm/s 降到 15 mm/s 之后恢复正常。阈值怎么定？拿几个典型 trial 手工标一遍真值，画 ROC 曲线找最优点，别凭感觉。

问题六：步长为负。说明行进方向搞反了。加一步自动判断：算质心 x 坐标的整体趋势，如果是递减就把整段翻转。这个检查要写进批处理，不能靠人眼看。

问题七：组间差异特别大，大到不合常理。先查标定。我有一次换了相机忘了更新 k 值，所有长度参数整体偏大 20%，差点写进结论。现在的做法是把 k 值写进每个结果文件的头信息里，出图的时候在角落标注，强制自己每次都看到。

问题八：同一只动物的 trial 之间差异巨大。大概率是动物状态问题，不是算法问题。看视频确认：是不是走走停停、是不是贴着挡板走、是不是中途转身。这类 trial 要剔除，判据是有效行走时长占比低于 60%，或者质心轨迹的横向偏移超过跑道宽度的三分之一。

5.3 常见问题速查表

6. 流程固化：让第二个人也能跑出同样的数

一套流程只有能被别人复现，才算真正完成。这一章讲怎么把脚本变成工具链。

6.1 目录结构与命名规范

我的习惯是每个项目一个根目录，下面固定几个子目录：01_raw、02_calib、03_track、04_result、05_figure、06_code。文件名统一用日期_动物编号_trial号_条件的格式，比如20240512_M07_t03_ sham。不要用中文、不要用空格、不要用“最终版”“最终版2”这种命名，三个月后你自己都认不出来。

每个 trial 的处理结果存成一个 mat 文件，里面包含原始轨迹、清洗后轨迹、参数结构体、质量评分、处理时间戳、代码版本号。代码版本号这个字段看着多余，但当你发现两个月前的结果和现在不一致时，它能救命。

6.2 参数存档与复核机制

所有可调参数集中在一个config.m里，不要散落在各个脚本。包括阈值、滤波截止频率、最小峰值距离、质量评分阈值、标定系数。改参数只改这一个文件，改完在文件头写一行注释说明为什么改、改之前是多少。

复核机制我一般设两道。第一道是自动质控：批处理跑完自动生成一张汇总图，每个 trial 一个点，横轴是质量评分，纵轴是关键参数，超出三倍标准差的点标红。第二道是随机人工抽检：每个实验组随机抽 3 个 trial，把着地时刻叠加回原始视频帧上，人眼确认。这两道做完，数据基本可以放心用了。

最后分享一个我觉得最值的小习惯：把第一个能跑通的 trial 的中间结果全部存下来，包括背景帧、二值图、连通域标签、着地点标记。后面任何一次结果异常，都拿这个“标杆 trial”跑一遍，如果标杆也异常，说明是代码或参数的问题；如果标杆正常，说明是新数据的问题。这个二分法能省掉大量盲目调试的时间。

我在实际项目里最深的一点体会是，小鼠步态分析真正的难点从来不在算法本身，而在于你有没有把每一个数字的来源讲清楚。审稿人问一句“支撑相是怎么定义的”，你得能立刻翻到那几行代码和那张标定图。流程固化、参数存档、抽检复核，这些看起来枯燥的动作，最后决定了你的数据是能发出去，还是只能躺在硬盘里。