首页»行业  »   医疗  »   正文

AI与物理治疗:用神经网络评估康复表现

AI与物理治疗:用神经网络评估康复表现

每年有数百万人接受物理治疗(PT),事实上,仅在美国就有大约900万人接受物理治疗。平均而言,他们花费数周时间进行持续半小时至两小时的康复训练,其中前几个训练通常由临床医生监督。

其中大部分(超过90%)是在家庭环境中进行的,一些研究表明,这会导致偏离规定的治疗,且延长了恢复时间并增加了医疗保健成本。

从传统上说,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,AI可在使该过程透明化方面发挥着不可或缺的作用。

AI与物理治疗:用神经网络评估康复表现

在论文“A Deep Learning Framework for Assessing Physical Rehabilitation Exercises”中,团队描述了他们的新工作。

研究人员写道,“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,鲁棒性和实用性,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训练的质量。”

框架包括(1)运动性能量化指标,(2)用于将性能指标映射到运动质量的数值分数的评分函数,(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10名健康受试者的骨骼数据,包括人体关节的位置和位移序列,这些受试者在使用光学跟踪系统记录的10项康复训练中重复了10次。

然后,他们计算了用于康复评估的两个常用指标: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值计算,后者则考虑到运动模型的重复。然后使用一个自编码器进行降维,定义评分函数,使移动质量评分中的性能指标的值在0到1之间。

AI与物理治疗:用神经网络评估康复表现

团队表示,“例如,向患者提供的88%的运动质量评分很容易理解,而且它还可以让患者在一段时间内,基于所接受的质量分数,自我监控在恢复方面的进展。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差。

CNN在三场测试中表现最好。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。但他们仍然相信这为未来的工作奠定了基础。

团队表示,“据我们所知,这也是首个用深度神经网络评估康复表现的研究。”

论文:
arxiv.org/pdf/1901.10435.pdf

欢迎关注ATYUN官方公众号,商务合作及内容投稿请联系邮箱:bd@atyun.com

发表评论