JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Clasificadores de aprendizaje a nivel de marco para la evaluación en tiempo real de ejercicios de rehabilitación del accidente cerebrovascular a partir de conjuntos de datos con anotaciones débiles

IEEE Transactions on Neural Systems and Rehabilitation Engineering : a Publication of the IEEE Engineering in Medicine and Biology Society +

|

25 de agosto de 2025

|

25 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este resumen es generado por máquina.

Este estudio introduce un nuevo marco para la evaluación en tiempo real de los ejercicios de rehabilitación del accidente cerebrovascular utilizando vídeos con anotaciones débiles. El enfoque simplifica la personalización del entrenador virtual para nuevos pacientes y ejercicios con una anotación mínima de datos.

Área De La Ciencia

  • Ingeniería de rehabilitación
  • Visión por computadora
  • Aprendizaje automático

Sus Antecedentes

  • Los entrenadores virtuales requieren retroalimentación en tiempo real para una rehabilitación eficaz del accidente cerebrovascular.
  • La recogida de conjuntos de datos totalmente anotados para la evaluación del ejercicio es costosa y requiere mucho tiempo.
  • Los métodos actuales se enfrentan a desafíos en la evaluación del movimiento compensatorio en tiempo real.

Objetivo Del Estudio

  • Desarrollar un nuevo marco para la evaluación en tiempo real de los movimientos compensatorios en los ejercicios de rehabilitación del ictus.
  • Para permitir la clasificación a nivel de cuadro utilizando vídeos con anotaciones débiles mediante la generación de pseudoetiquetas.
  • Para generalizar a nuevos ejercicios y pacientes con datos etiquetados limitados.

Principales Métodos

  • Un enfoque de referencia que utiliza un conjunto de datos de origen para la capacitación de clasificadores a nivel de marco.
  • Un enfoque de aprendizaje de transferencia que utiliza etiquetas de nivel de video objetivo y parámetros de conjunto de datos de origen.
  • Un enfoque semi-supervisado que aprovecha las etiquetas de nivel de video objetivo y un pequeño conjunto de etiquetas de nivel de cuadro.
  • Generación de seudoetiquetas para la clasificación a nivel de cuadro.

Principales Resultados

  • El enfoque basal mostró una generalización limitada a un nuevo conjunto de datos (SERE) con una puntuación F1 del 72,87%.
  • El aprendizaje por transferencia y los enfoques semisupervisados obtuvieron puntuaciones F1 más altas de 80,47% y 78,93%, respectivamente.
  • La generación de pseudoetiquetas mejoró la precisión de la clasificación a nivel de marco para el conjunto de datos objetivo en comparación con la línea de base.

Conclusiones

  • El marco propuesto evalúa efectivamente los movimientos compensatorios en los ejercicios de rehabilitación del accidente cerebrovascular utilizando videos con anotaciones débiles.
  • El aprendizaje de transferencia y los métodos semi-supervisados mejoran significativamente la generalización a nuevos conjuntos de datos, ejercicios y pacientes.
  • Este enfoque reduce el esfuerzo de anotación de datos, simplificando la personalización de los entrenadores de rehabilitación virtuales.