論文の概要: A data-physics hybrid generative model for patient-specific post-stroke motor rehabilitation using wearable sensor data

• arxiv url: http://arxiv.org/abs/2512.14329v1
• Date: Tue, 16 Dec 2025 11:55:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.705078
• Title: A data-physics hybrid generative model for patient-specific post-stroke motor rehabilitation using wearable sensor data
• Title（参考訳）: ウェアラブルセンサデータを用いた患者特異的運動後リハビリテーションのためのデータ物理ハイブリッド生成モデル
• Authors: Yanning Dai, Chenyu Tang, Ruizhi Zhang, Wenyu Yang, Yilan Zhang, Yuhui Wang, Junliang Chen, Xuhang Chen, Ruimou Xie, Yangyue Cao, Qiaoying Li, Jin Cao, Tao Li, Hubin Zhao, Yu Pan, Arokia Nathan, Xin Gao, Peter Smielewski, Shuo Gao,
• Abstract要約: 我々は,脳卒中生存者の神経筋制御を再構築するデータ物理ハイブリッド生成フレームワークを開発した。 11名の脳卒中生存者において, パーソナライズされたコントローラは, 関節角と終端の忠実さを改善しつつ, 慣性歩行パターンを保存した。
• 参考スコア（独自算出の注目度）: 17.28369129744061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic prediction of locomotor capacity after stroke is crucial for tailoring rehabilitation, yet current assessments provide only static impairment scores and do not indicate whether patients can safely perform specific tasks such as slope walking or stair climbing. Here, we develop a data-physics hybrid generative framework that reconstructs an individual stroke survivor's neuromuscular control from a single 20 m level-ground walking trial and predicts task-conditioned locomotion across rehabilitation scenarios. The system combines wearable-sensor kinematics, a proportional-derivative physics controller, a population Healthy Motion Atlas, and goal-conditioned deep reinforcement learning with behaviour cloning and generative adversarial imitation learning to generate physically plausible, patient-specific gait simulations for slopes and stairs. In 11 stroke survivors, the personalized controllers preserved idiosyncratic gait patterns while improving joint-angle and endpoint fidelity by 4.73% and 12.10%, respectively, and reducing training time to 25.56% relative to a physics-only baseline. In a multicentre pilot involving 21 inpatients, clinicians who used our locomotion predictions to guide task selection and difficulty obtained larger gains in Fugl-Meyer lower-extremity scores over 28 days of standard rehabilitation than control clinicians (mean change 6.0 versus 3.7 points). These findings indicate that our generative, task-predictive framework can augment clinical decision-making in post-stroke gait rehabilitation and provide a template for dynamically personalized motor recovery strategies.
• Abstract（参考訳）: 脳卒中後の運動能力の動的予測は、リハビリテーションの調整に不可欠であるが、現在の評価では、静的障害スコアのみを提供し、患者がスロープウォーキングや階段クライミングのような特定のタスクを安全に実行できるかどうかを示さない。 そこで本研究では,脳卒中生存者の神経筋制御を1回の20m歩行実験から再構築し,リハビリテーションシナリオ間のタスク条件付き移動を予測するデータ物理ハイブリッド生成フレームワークを開発した。 このシステムは、ウェアラブルセンサーのキネマティクス、比例微分物理学のコントローラー、人口の健康運動のアトラス、および目標条件の深い強化学習と行動のクローン化と生成的敵の模倣学習を組み合わせて、坂道や階段のための物理的に可塑性で患者固有の歩行シミュレーションを生成する。 11回のストロークサバイバルでは、パーソナライズされたコントローラはそれぞれ4.73%と12.10%の改善を行い、物理のみのベースラインと比較してトレーニング時間を25.56%に短縮した。 21名の入院患者を対象とする多院制パイロットにおいて, 作業選択と難易度を誘導するために移動予測を用いた臨床医は, コントロールクリニックよりも28日間の標準リハビリテーションスコア(平均6.0対3.7ポイント)を大きく向上した。 以上の結果から,我々の生成的タスク予測フレームワークは歩行後リハビリテーションにおける臨床的意思決定を増強し,動的にパーソナライズされた運動回復戦略のテンプレートを提供する可能性が示唆された。

関連論文リスト

• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Reinforcement learning-based motion imitation for physiologically plausible musculoskeletal motor control [47.423243831156285]
  筋運動制御の理解を深めるために,モデルフリー運動模倣フレームワーク(KINESIS)を提案する。 我々は,KINESISが1.9時間のモーションキャプチャデータに対して強い模倣性能を達成できることを実証した。 キネシスはヒトの筋活動とよく相関する筋活動パターンを生成する。
  論文  参考訳（メタデータ） (2025-03-18T18:37:49Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• 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)
• GaitForeMer: Self-Supervised Pre-Training of Transformers via Human Motion Forecasting for Few-Shot Gait Impairment Severity Estimation [27.081767446317095]
  本稿では、GaitForeMer、Gait Forecastingおよび障害推定TransforMerを紹介する。 GaitForeMerは、歩行運動を予測するために、まず公開データセット上で事前訓練され、その後、歩行障害の重症度を予測するために臨床データに適用される。 F1スコアは0.76、精度は0.79、リコールは0.75である。
  論文  参考訳（メタデータ） (2022-06-30T21:29:47Z)
• From Motion to Muscle [0.0]
  筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。 このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
  論文  参考訳（メタデータ） (2022-01-27T13:30:17Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Automated Stroke Rehabilitation Assessment using Wearable Accelerometers in Free-Living Environments [13.850999550050428]
  伝統的な脳卒中リハビリテーション評価法は主観的で高価である。 評価スコアを客観的に予測できる自動システムを開発した。 急性期および慢性期の患者のシステム評価のための総合的な実験を行った。
  論文  参考訳（メタデータ） (2020-09-17T02:10:48Z)
• Towards data-driven stroke rehabilitation via wearable sensors and deep learning [13.839058010830971]
  脳卒中の前臨床モデルでは、動物の手足の機能的運動を回復するために、高用量のリハビリテーション訓練が必要である。 しかしながら、ヒトでは、回復を促進するために必要な訓練量は不明である。 そこで我々は,機能的プリミティブを自動的に識別する重要な第一歩を踏み出した。
  論文  参考訳（メタデータ） (2020-04-14T18:05:44Z)

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。