资讯
平均而言，他们数周花费时间进行持续半小时至两小时的康复训练，只有前几次训练通常由临床医生指导。超过90%的疗程是在家庭环境中进行的，一些研究表明，这将导致偏离规定的治疗，从而延长康复时间和增加医疗费用。
传统上，PT进展评估是手动进行的，或者是在基本计算机系统的帮助下进行的，两者都没有提供可能激发患者重复练习的有意义的反馈。但是，爱达荷大学的研究人员认为，人工智能(AI)可能在使该过程透明化方面发挥着不可或缺的作用，从而激发合规性。
本周，他们发布在预印本服务器Arxiv.org上的一篇新论文(“基于深度学习框架评估身体康复训练”)中描述了自己的工作。
“尽管康复评估在改善康复结果和降低医疗成本方面发挥着重要作用，但计算机辅助监测和评估患者表现的现有方法缺乏多功能性、稳健性和实用性。”研究人员写道，“在论文中，我们提出了一个基于深度学习的框架，用于自动评估身体康复锻炼的质量。”
该框架包括(1)运动性能量化指标，(2)将运动性能指标映射为运动质量数值分数的得分函数，(3)对运动数据与质量分数之间的关系进行编码的机器学习模型。
研究人员收集了由10名健康受试者的人体关节位置和位移序列组成的骨骼数据，这些受试者用光学跟踪系统记录了10项康复训练，并进行了10次重复，包括正确和错误的。然后，他们计算了两种常用的康复评估指标：无模型指标和基于模型的指标。 (前者直接根据关节的轨迹测量计算，而后者考虑了关于运动模型的重复。)他们接下来使用自动编码器来减少维数 - 即减少数据中随机变量的数量 - 并定义评分函数使得运动质量分数中的性能度量值在0和1之间。
“例如，患者呈现出88%的运动质量评分很容易理解。”论文的作者解释说，“它还可以使患者根据收到的质量分数自我监测。其次，质量分数用于[神经网络]模型的监督训练。”
有了得分数据，该团队训练了三个架构上不同的神经网络 - 卷积神经网络(CNN)、递归神经网络(RNN)和由子网络组成的整体嵌套网络(HNN)，以生成运动质量分数自动输入数据。每次运行五次，团队及时记录输入质量得分与网络预测的质量得分之间的平均偏差。
卷积神经网络在三个测试中表现最好，在所有测试中标准差最低，只有两个测试例外。
该团队警告说，结果不一定是可推广的，因为用于验证的数据集来自健康的患者。 他们仍然相信这为未来的工作奠定了基础。
“据我们所知，[我们的]是第一项实施深度神经网络评估康复表现的工作。”他们说。
