Graph Convolutional Networks for Assessment of Physical Rehabilitation Exercises.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Sağlık uzmanları genellikle hastaları birkaç hastalığın rehabilitasyonu için belirli egzersizler (örneğin inme, Parkinson, sırt ağrısı) yapmak için reçete eder. Hastalar bu egzersizleri bir uzmanın yokluğunda yaptıklarında (örneğin, hekimler / terapistler), performansın doğruluğunu değerlendiremezler. Fiziksel rehabilitasyon egzersizlerinin otomatik olarak değerlendirilmesi, giriş olarak vücut hareketinin RGBD videosu verilen bir kalite puanı atamayı amaçlamaktadır. Son zamanlarda derin öğrenme yaklaşımları, videolardan elde edilen iskelet verilerinin (vücut eklemleri) koordineli ızgaralarından CNN özelliklerini çıkararak bu sorunu gidermektedir. Bununla birlikte, değişken uzunluktaki girdilerden zengin spatio-zamansal özellikler çıkaramadılar. Bu konuyu ele almak için, bu görev için Graph Convolutional Networks (GCN'ler) 'i araştırıyoruz. Ayrık sınıf etiketleri yerine sürekli puanları (değerlendirmeyi) tahmin etmek için spatio-zamansal GCN'yi uyarlıyoruz. Modelimiz değişken uzunluktaki girdileri işleyebilir, böylece kullanıcılar öngörülen egzersizin herhangi bir sayıda tekrarını yapabilir. Dahası, yeni tasarımımız, değerlendirme puanlarını tahmin etmedeki rollerini belirten vücut eklemlerinin kendi kendine dikkat edilmesini de sağlar. Uzman kullanıcıların aynı dikkat ağırlıklarını eşleştirerek gelecekteki denemelerde daha iyi bir puan elde etmek için kullanıcıya rehberlik eder. Modelimiz, KIMORE ve UI-PRMD veri kümeleri üzerinde mevcut egzersiz değerlendirme yöntemlerinden başarılı bir şekilde daha iyi performans göstermektedir.

Özgün kaynak özetini okuyun

Health professionals often prescribe patients to perform specific exercises for rehabilitation of several diseases (e.g., stroke, Parkinson, backpain). When patients perform those exercises in the absence of an expert (e.g., physicians/therapists), they cannot assess the correctness of the performance. Automatic assessment of physical rehabilitation exercises aims to assign a quality score given an RGBD video of the body movement as input. Recent deep learning approaches address this problem by extracting CNN features from co-ordinate grids of skeleton data (body-joints) obtained from videos. However, they could not extract rich spatio-temporal features from variable-length inputs. To address this issue, we investigate Graph Convolutional Networks (GCNs) for this task. We adapt spatio-temporal GCN to predict continuous scores(assessment) instead of discrete class labels. Our model can process variable-length inputs so that users can perform any number of repetitions of the prescribed exercise. Moreover, our novel design also provides self-attention of body-joints, indicating their role in predicting assessment scores. It guides the user to achieve a better score in future trials by matching the same attention weights of expert users. Our model successfully outperforms existing exercise assessment methods on KIMORE and UI-PRMD datasets.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.