論文の概要: A Review of Computational Approaches for Evaluation of Rehabilitation
Exercises
- arxiv url: http://arxiv.org/abs/2003.08767v2
- Date: Fri, 20 Mar 2020 02:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 20:28:00.910981
- Title: A Review of Computational Approaches for Evaluation of Rehabilitation
Exercises
- Title(参考訳): リハビリテーション・エクササイズ評価のための計算手法の検討
- Authors: Yalin Liao, Aleksandar Vakanski, Min Xian, David Paul, Russell Baker
- Abstract要約: 本稿では,モーションキャプチャシステムを用いたリハビリテーションプログラムにおける患者のパフォーマンスを評価するための計算手法についてレビューする。
エクササイズ評価のための再検討された計算手法は, 離散的な運動スコア, ルールベース, テンプレートベースアプローチの3つのカテゴリに分類される。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in data analytics and computer-aided diagnostics stimulate
the vision of patient-centric precision healthcare, where treatment plans are
customized based on the health records and needs of every patient. In physical
rehabilitation, the progress in machine learning and the advent of affordable
and reliable motion capture sensors have been conducive to the development of
approaches for automated assessment of patient performance and progress toward
functional recovery. The presented study reviews computational approaches for
evaluating patient performance in rehabilitation programs using motion capture
systems. Such approaches will play an important role in supplementing
traditional rehabilitation assessment performed by trained clinicians, and in
assisting patients participating in home-based rehabilitation. The reviewed
computational methods for exercise evaluation are grouped into three main
categories: discrete movement score, rule-based, and template-based approaches.
The review places an emphasis on the application of machine learning methods
for movement evaluation in rehabilitation. Related work in the literature on
data representation, feature engineering, movement segmentation, and scoring
functions is presented. The study also reviews existing sensors for capturing
rehabilitation movements and provides an informative listing of pertinent
benchmark datasets. The significance of this paper is in being the first to
provide a comprehensive review of computational methods for evaluation of
patient performance in rehabilitation programs.
- Abstract(参考訳): データ分析とコンピュータ支援診断の最近の進歩は、患者の健康記録と患者のニーズに基づいて治療計画をカスタマイズする患者中心の精密医療のビジョンを刺激している。
身体的リハビリテーションにおいて、機械学習の進歩と手頃で信頼性の高いモーションキャプチャーセンサーの出現は、患者パフォーマンスの自動評価と機能回復に向けたアプローチの発展に寄与している。
本研究は,モーションキャプチャシステムを用いたリハビリテーションプログラムにおける患者性能評価のための計算手法について検討する。
このようなアプローチは、研修医が行う伝統的なリハビリテーションアセスメントを補完し、在宅リハビリテーションに参加する患者を支援する上で重要な役割を果たす。
エクササイズ評価のための再検討された計算手法は, 離散的な運動スコア, ルールベース, テンプレートベースアプローチの3つのカテゴリに分類される。
本総説では,リハビリテーションにおける運動評価への機械学習手法の適用を強調する。
データ表現、特徴工学、運動分節、スコアリング関数に関する文献の関連研究について述べる。
この研究はまた、リハビリテーションの動きを捉えるための既存のセンサーをレビューし、関連するベンチマークデータセットのインフォメーションリストを提供する。
本研究の意義は,リハビリテーションプログラムにおける患者パフォーマンス評価のための計算手法の総合的なレビューを初めて提供することである。
関連論文リスト
- Rehabilitation Exercise Quality Assessment through Supervised
Contrastive Learning with Hard and Soft Negatives [2.4343669357792708]
運動ベースのリハビリテーションプログラムは、生活の質を高め、死亡率と再入院率を減らすのに有効であることが証明されている。
これらのプログラムは一般的に様々なエクササイズタイプを規定しており、リハビリテーションエクササイズアセスメントデータセットにおいて明確な課題となっている。
本稿では,全データセットを効果的に活用し,すべてのエクササイズタイプに適用可能な単一モデルをトレーニングする,ハードかつソフトな負のサンプルを用いた教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-05T08:38:25Z) - D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on
transformer for assessment of patient physical rehabilitation [0.3626013617212666]
本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。
デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。
KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
論文 参考訳(メタデータ) (2023-12-21T00:38:31Z) - Design, Development, and Evaluation of an Interactive Personalized
Social Robot to Monitor and Coach Post-Stroke Rehabilitation Exercises [68.37238218842089]
パーソナライズされたリハビリテーションのための対話型ソーシャルロボット運動指導システムを開発した。
このシステムは、ニューラルネットワークモデルとルールベースのモデルを統合し、患者のリハビリテーション運動を自動的に監視し、評価する。
我々のシステムは,新たな参加者に適応し,専門家の合意レベルに匹敵する,エクササイズを評価するための平均パフォーマンス0.81を達成できる。
論文 参考訳(メタデータ) (2023-05-12T17:37:04Z) - Extracting Physical Rehabilitation Exercise Information from Clinical
Notes: a Comparison of Rule-Based and Machine Learning Natural Language
Processing Techniques [3.3196041272277306]
本稿では,脳卒中患者に対するアノテート処置のためのルールベース自然言語処理アルゴリズムを提案する。
個々のエクササイズ記述は、fスコアが0.75未満のバイナリラベルに割り当てられる。
論文 参考訳(メタデータ) (2023-03-22T13:46:16Z) - Easing Automatic Neurorehabilitation via Classification and Smoothness
Analysis [1.44744639843118]
本稿では,浅い深層学習アーキテクチャを用いて患者の動作を認識することから始まる自動評価パイプラインを提案する。
この研究の特筆すべき点は、Fugl-Meyerからインスパイアされた動きを、脳卒中患者によく見られる上肢臨床脳卒中評価尺度として表現するため、使用されるデータセットが臨床的に関連している点である。
本研究は, リハビリテーションセッションにおける患者の経過について, 臨床医の所見に応じた結論を得るとともに, 平滑性の観点から, 健常者と患者の運動のコントラストを検出することが可能であることが示唆された。
論文 参考訳(メタデータ) (2022-12-09T13:59:14Z) - Automated Fidelity Assessment for Strategy Training in Inpatient
Rehabilitation using Natural Language Processing [53.096237570992294]
戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。
標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。
本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
論文 参考訳(メタデータ) (2022-09-14T15:33:30Z) - Review of Machine Learning Algorithms for Brain Stroke Diagnosis and
Prognosis by EEG Analysis [50.591267188664666]
ストローク(Strokes)は、アメリカ合衆国の成人障害の主要な原因である。
脳-コンピュータインタフェース(Brain-Computer Interfaces、BCI)は、患者の神経経路の回復または電子補綴器との効果的なコミュニケーションを支援する。
さまざまな機械学習技術とアルゴリズムをBCI技術と組み合わせることで、脳卒中治療にBCIを使うことは、有望で急速に拡大する分野であることを示している。
論文 参考訳(メタデータ) (2020-08-06T19:50:29Z) - Opportunities of a Machine Learning-based Decision Support System for
Stroke Rehabilitation Assessment [64.52563354823711]
リハビリテーションアセスメントは、患者の適切な介入を決定するために重要である。
現在の評価の実践は、主にセラピストの経験に依存しており、セラピストの可用性が限られているため、アセスメントは頻繁に実施される。
我々は、強化学習を用いて評価の健全な特徴を識別できるインテリジェントな意思決定支援システムを開発した。
論文 参考訳(メタデータ) (2020-02-27T17:04:07Z) - Interpretable Off-Policy Evaluation in Reinforcement Learning by
Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。
信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。
我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文 参考訳(メタデータ) (2020-02-10T00:26:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。