康复练习质量评估通过监督的对比学习和硬和软负面的质量评估
Mark Karlov1, Ali Abedi2, Shehroz S Khan3,4
1Department of Electrical and Computer Engineering, University of Toronto, 10 King's College Road, Toronto, M5S 3G4, Ontario, Canada.
Medical & biological engineering & computing
|July 31, 2024
概括
这项研究引入了一个新的AI框架,用于评估虚拟康复中的运动质量. 该方法提高了模型的概括性,即使每种运动类型的数据有限,也提高了患者的护理.
科学领域:
- 医疗保健中的人工智能
- 康复医学 康复医学 康复医学
- 计算机视觉用于练习分析
背景情况:
- 基于运动的康复计划可以改善患者的治疗结果,但在远程监测方面面临着挑战.
- 人工智能驱动的虚拟康复可以在家进行自动数据分析和临床医生的反.
- 在康复数据集中,每种运动类型的数据有限,这阻碍了可泛化的AI模型的开发.
研究的目的:
- 开发一个新的AI框架,用于强大的康复运动质量评估.
- 为了应对训练数据集中每个练习类型的有限样本大小的挑战.
- 提高人工智能模型在虚拟康复环境中的通用性和效率.
主要方法:
- 实施一个监督的对比学习框架,包括硬和软的负样本.
- 使用空间时间图卷积网络 (ST-GCN) 架构进行练习数据分析.
- 训练一个单一的,通用模型,适用于使用整个数据集的各种练习类型.
主要成果:
- 拟议的框架在各种康复练习中显示出增强的通用性.
- 人工智能模型的整体复杂性得到了显著的降低.
- 三个公共数据集 (UI-PRMD,IRDS,KIMORE) 的实验结果超过了现有的方法.
结论:
- 新的AI框架有效地克服了康复活动评估中的数据限制.
- 基于ST-GCN的模型为准确和可概括的运动质量评估提供了一个新的基准.
- 这种方法有可能显著推进人工智能驱动的虚拟康复系统.
