Un Cadre de Deep Learning pour l'Évaluation des Exercices de Réadaptation Physique

L'évaluation informatisée de la rééducation physique implique l'analyse des performances du patient lors de l'exécution d'exercices de rééducation prescrits, en se basant sur le traitement des données de mouvement capturées par un système sensoriel. Malgré le rôle essentiel que joue l'évaluation de la rééducation pour améliorer les résultats des patients et réduire les coûts de soins de santé, les approches existantes manquent de polyvalence, de robustesse et de pertinence pratique. Dans cet article, nous proposons un cadre basé sur l'apprentissage profond pour une évaluation automatisée de la qualité des exercices de rééducation physique. Les principaux éléments du cadre sont des métriques pour quantifier les performances du mouvement, des fonctions d'évaluation pour convertir ces métriques en scores numériques reflétant la qualité du mouvement, et des modèles de réseau neuronal profond pour générer des scores de qualité à partir des mouvements d'entrée grâce à l'apprentissage supervisé. La métrique de performance proposée est définie sur la base du logarithme de la vraisemblance d'un modèle mélange gaussien (Gaussian mixture model) et encode une représentation de données à faible dimension obtenue avec un réseau autoencodeur profond. Le réseau neuronal spatio-temporel profond proposé organise les données en pyramides temporelles et exploite les caractéristiques spatiales des mouvements humains en utilisant des sous-réseaux pour traiter les déplacements articulaires des différentes parties du corps. Le cadre présenté est validé à l'aide d'un ensemble de données comprenant dix exercices de rééducation. L'importance de ce travail réside dans le fait qu'il s'agit du premier à mettre en œuvre des réseaux neuronaux profonds pour évaluer les performances en rééducation.