RehabRadar: Aprendizaje automático ligero basado en radar y borde para la clasificación de la forma del ejercicio en...

Área de la Ciencia:

• Ingeniería Biomédica
• Procesamiento de Señales
• Aprendizaje Automático

Sus antecedentes:

• La monitorización de la forma del ejercicio en tiempo real y sin contacto es crucial para la rehabilitación personalizada.
• Los métodos existentes, como cámaras y dispositivos portátiles, enfrentan desafíos de privacidad y robustez.
• La computación en el borde ofrece una solución para el procesamiento en el dispositivo y la privacidad de los datos.

Objetivo del estudio:

• Desarrollar y evaluar RehabRadar, un sistema asistido por borde para la monitorización personalizada y en tiempo real de la forma del ejercicio utilizando radar de onda milimétrica.
• Clasificar la ejecución del ejercicio como correcta o identificar tipos comunes de errores.
• Optimizar el sistema para su implementación en el dispositivo en hardware con recursos limitados.

Principales métodos:

• Se utilizó un radar mmWave FMCW TI IWR1642 para la adquisición de datos.
• Se implementó un pipeline de procesamiento de señales que incluye enmascaramiento de rango y filtrado de paso alto FIR.
• Se empleó un modelo híbrido de conjunto (MobileNetV3 y CNN-LSTM) para inferencia paralela con fusión tardía.
• Se optimizaron los modelos para una Raspberry Pi 4B utilizando poda y cuantificación INT8.

Principales resultados:

• Se logró una precisión del 91,5 % y una puntuación macro-F1 del 92,0 % en un estudio de prueba de concepto con 10 adultos sanos.
• Se demostró una latencia promedio de extremo a extremo en el dispositivo de 1,5 segundos para una retroalimentación casi en tiempo real.
• El modelo final tiene una huella de 2,1 MB, y todo el procesamiento se realiza en el dispositivo.
• Los datos brutos del radar se descartan después de la retroalimentación, lo que garantiza la privacidad de los datos.

Conclusiones:

• RehabRadar demuestra la viabilidad de la detección de errores de ejercicio personalizada en el dispositivo utilizando radar de onda milimétrica bajo restricciones de borde.
• El sistema equilibra la precisión, la latencia y la huella para una rehabilitación domiciliaria privada y sin contacto.
• Se necesita una validación adicional para la eficacia clínica y la generalización en diversas poblaciones y ejercicios.
• Este trabajo avanza el aprendizaje descentralizado en el IoT de la salud para aplicaciones de rehabilitación.