使用时空,顺序图形-卷积网络对身体康复练习进行优化评估
Ikram Kourbane1, Panagiotis Papadakis1, Mihai Andries1
1IMT Atlantique, Lab-STICC, UMR CNRS 6285, team RAMBO, F-29238 Brest, France.
Computers in biology and medicine
|January 17, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用3D骨架数据自动评估身体康复练习. 该模型提供连续的质量评分,以高效地跟踪患者的进展.
科学领域:
- 康复医学 康复医学 康复医学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 身体康复需要持续监测患者的进展,以优化康复.
- 目前的临床评估可能会耗时,可能无法捕捉运动执行的细微差别.
- 需要自动化系统来提供客观和有效的反对康复练习.
研究的目的:
- 开发一个轻量级的,基于图形的深度学习模型,用于自动评估身体康复练习.
- 为患者的移动提供持续的质量评分,帮助监督和补充临床评估.
- 提高康复运动评估的效率和准确性.
主要方法:
- 一个深度学习模型利用两个顺序图卷积网络 (GCN) 来处理3D骨架序列.
- 第一个GCN学习了关节关系的空间特征,而第二个从框架相关性中学习了时间特征.
- 增加了一个分类阶段,确保得分是特定于运动的,并基于完整的运动演示.
主要成果:
- 拟议的模型在KIMORE和UI-PRMD数据集上实现了最先进的性能,用于质量评分预测.
- 与现有方法相比,证明了更高的效率.
- 成功生成持续质量评分来评估康复炼表现.
结论:
- 开发的基于图形的深度学习模型为自动物理康复练习评估提供了有效和高效的解决方案.
- 这种方法可以作为患者监督的宝贵工具,可能减少频繁临床检查的需要.
- 该模型的表现突显了人工智能在提高康复结果方面的潜力.
