弱く注釈されたデータセットからの脳卒中リハビリテーション演習のビデオベースのリアルタイム評価のための学習フレームレベルの分類器

科学分野:

• リハビリテーションエンジニアリング
• コンピュータ・ビジョン
• 機械学習

背景:

• 効果的な脳卒中リハビリテーションには リアルタイムのフィードバックが必要です
• 練習評価のために完全に注釈されたデータセットを収集することは,費用がかかり,時間がかかります.
• 現行の方法は,リアルタイムでの補償運動評価に課題があります.

研究 の 目的:

• 脳卒中リハビリテーションにおける補償運動のリアルタイム評価のための新しい枠組みを開発する.
• フレームレベルでの分類を可能にするため,偽のラベルを生成します.
• レーベルのデータが限られている新しい運動と患者に一般化します.

主な方法:

• フレームレベルの分類者訓練のためのソースデータセットを使用したベースラインアプローチ.
• ターゲットビデオレベルのラベルとソースデータセットのパラメータを使用する転送学習アプローチ.
• ターゲットビデオレベルのラベルと小さなフレームレベルのラベルを活用する半監督されたアプローチ.
• フレームレベルの分類のための擬似ラベル生成

主要な成果:

• ベースラインアプローチでは,新しいデータセット (SERE) に限られた一般化が示され,F1スコアは72. 87%であった.
• 移転学習と半監督アプローチでは,それぞれ 80.47% と 78.93% の高いF1スコアを達成しました.
• 擬似ラベル生成は,ベースラインと比較してターゲットデータセットのフレームレベルの分類精度を改善しました.

結論:

• 提案された枠組みでは,脳卒中リハビリテーションにおける補償運動を,弱く注釈されたビデオを使って効果的に評価しています.
• 移転学習と半監督方法は,新しいデータセット,エクササイズ,患者への一般化を大幅に改善します.
• このアプローチはデータアノテーションの努力を減らし,仮想リハビリテーションコーチのカスタマイズを簡素化します.