许多人类临床状况会导致异常运动。在研究相应的动物模型时，研究人员必须将运动测量为 3D 姿势。目前的方法是昂贵的并且会给动物带来很大的压力。

最近的一篇论文提出了一种低成本、非侵入性、基于计算机视觉的方法，用于连续测量实验室小鼠的运动。

首先，预测二维关键点。然后，根据从数据中学习到的先验，它们针对 3D 姿势进行了优化。通过收集新数据并在需要时调整人体姿势数据，成功克服了小鼠数据不足的问题。结果表明，3D 关节角度比其他特征更容易预测与健康相关的属性。建议的系统可以替代定制硬件解决方案来确定步长等步态参数。

我们提出了一种从单眼视频推断小鼠(包括四肢和脚)的 3D 姿势的方法。许多人类临床状况及其相应的动物模型会导致异常运动，而大规模准确测量 3D 运动可提供对健康的见解。3D 姿势比 2D 表示改进了健康相关属性的分类。即使在脚大部分被遮挡的情况下，推断出的姿势也足以估计步幅长度。这种方法可以作为连续监测系统的一部分来非侵入性地测量动物健康。