Ein Tiefenlern-Rahmenwerk zur Bewertung von Physiotherapieübungen

Die computergestützte Bewertung physikalischer Rehabilitation umfasst die Beurteilung der Leistung von Patienten beim Durchführen vorgeschriebener Rehabilitationsübungen, basierend auf der Verarbeitung von Bewegungsdaten, die mit einem Sensorsystem erfasst werden. Trotz der zentralen Rolle der Rehabilitationsevaluation für verbesserte Patientenoutcome und reduzierte Gesundheitskosten fehlen den bestehenden Ansätzen Vielseitigkeit, Robustheit und praktische Relevanz. In dieser Arbeit schlagen wir ein tiefes Lernverfahren (deep learning-based framework) vor, das eine automatisierte Bewertung der Qualität physikalischer Rehabilitationsübungen ermöglicht.Die wesentlichen Bestandteile dieses Verfahrens sind Metriken zur Quantifizierung der Bewegungsleistung, Bewertungsfunktionen zur Abbildung dieser Metriken in numerische Qualitätsbewertungen und tiefe neuronale Netzmodelle zur Generierung von Qualitätsbewertungen für Eingangsbewegungen durch überwachtes Lernen. Das vorgeschlagene Leistungsmaß wird anhand der Log-Likelihood eines Gauß-Mischmodells definiert und kodiert eine niedrigdimensionale Datenrepräsentation, die mit einem tiefen Autoencoder-Netzwerk gewonnen wird. Das vorgeschlagene tiefe räumlich-zeitliche Neuronale Netz ordnet die Daten in zeitliche Pyramiden und nutzt die räumlichen Merkmale menschlicher Bewegungen durch die Verwendung von Unter-Netzwerken zur Verarbeitung der Gelenkverschiebungen einzelner Körperteile.Das präsentierte Verfahren wurde anhand eines Datensatzes mit zehn Rehabilitationsübungen validiert. Die Bedeutung dieser Arbeit liegt darin, dass es sich um den ersten Ansatz handelt, der tiefe neuronale Netze zur Bewertung der Rehabilitationserfolge implementiert.