論文の概要: Learning Therapist Policy from Therapist-Exoskeleton-Patient Interaction

• arxiv url: http://arxiv.org/abs/2603.02458v1
• Date: Mon, 02 Mar 2026 22:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.836925
• Title: Learning Therapist Policy from Therapist-Exoskeleton-Patient Interaction
• Title（参考訳）: セラピスト・エキソスケルトン・パティエント相互作用によるセラピスト政策の学習
• Authors: Grayson Snyder, Lorenzo Vianello, Levi Hargrove, Matthew L. Elwin, Jose Pons,
• Abstract要約: 適切な歩行歩行を回復するためには、後ストロークリハビリテーションが必要であることが多い。 患者体操に対するセラピスト反応を可視化するためのPTFF(Patent-Therapist Force Field)を提案する。 また、ロボットによる身体的相互作用療法におけるセラピストを支援するための合成セラピスト(ST)機械学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.500985340975673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-stroke rehabilitation is often necessary for patients to regain proper walking gait. However, the typical therapy process can be exhausting and physically demanding for therapists, potentially reducing therapy intensity, duration, and consistency over time. We propose a Patient-Therapist Force Field (PTFF) to visualize therapist responses to patient kinematics and a Synthetic Therapist (ST) machine learning model to support the therapist in dyadic robot-mediated physical interaction therapy. The first encodes patient and therapist stride kinematics into a shared low-dimensional latent manifold using a Variational Autoencoder (VAE) and models their interaction through a Gaussian Mixture Model (GMM), which learns a probabilistic vector field mapping patient latent states to therapist responses. This representation visualizes patient-therapist interaction dynamics to inform therapy strategies and robot controller design. The latter is implemented as a Long Short-Term Memory (LSTM) network trained on patient-therapist interaction data to predict therapist-applied joint torques from patient kinematics. Trained and validated using leave-one-out cross-validation across eight post-stroke patients, the model was integrated into a ROS-based exoskeleton controller to generate real-time torque assistance based on predicted therapist responses. Offline results and preliminary testing indicate the potential of their use as an alternative approach to post-stroke exoskeleton therapy. The PTFF provides understanding of the therapist's actions while the ST frees the human therapist from the exoskeleton, allowing them to continuously monitor the patient's nuanced condition.
• Abstract（参考訳）: 適切な歩行歩行を回復するためには、後ストロークリハビリテーションが必要であることが多い。 しかし、典型的な治療プロセスは、セラピストに疲労と身体的要求を伴い、治療の強度、持続時間、時間の経過とともに一貫性を低下させる可能性がある。 本稿では,患者体操に対するセラピストの反応を可視化するPTFF(Patent-Therapist Force Field)と,このセラピストを支援するためのSynthetic Therapist(ST)機械学習モデルを提案する。 患者とセラピストのキネマティクスを、変分オートエンコーダ(VAE)を用いて共有低次元潜在多様体にエンコードし、その相互作用をガウス混合モデル(GMM)を通してモデル化し、セラピスト反応に対する潜在状態の確率的ベクトル場マッピングを学習する。 この表現は、患者とセラピストの相互作用のダイナミクスを可視化し、治療戦略とロボットコントローラ設計を通知する。 後者は、患者とセラピストの相互作用データに基づいてトレーニングされたLong Short-Term Memory(LSTM)ネットワークとして実装され、患者の運動学からセラピストが適用した関節トルクを予測する。 後ストローク患者8名を対象に1回限りのクロスバリデーションをトレーニング・検証し,ROSベースのエキソスケルトンコントローラに統合し,予測されたセラピスト反応に基づいてリアルタイムトルクアシストを作成した。 オフライン成績と予備試験は、ストローク後エクソスケルトン療法の代替アプローチとしての使用の可能性を示している。 PTFFはセラピストの行動を理解し、STはヒトセラピストを外骨格から解放し、患者のニュアンス状態を継続的に監視する。

関連論文リスト

• Empirical Modeling of Therapist-Client Dynamics in Psychotherapy Using LLM-Based Assessments [26.83728974046223]
  この研究は、モーメントのモーメント過程をモデル化するための計算的アプローチを推し進める。 われわれはまず,セラピストの行動を評価する自動化手法を開発した。 その後,2000時間近くの精神療法記録を分析した。
  論文  参考訳（メタデータ） (2026-02-12T22:14:07Z)
• Reframe Your Life Story: Interactive Narrative Therapist and Innovative Moment Assessment with Large Language Models [72.36715571932696]
  物語療法は、個人が問題のある人生の物語を代替品の力に変えるのに役立つ。 現在のアプローチでは、特殊精神療法ではリアリズムが欠如しており、時間とともに治療の進行を捉えることができない。 Int(Interactive Narrative Therapist)は、治療段階を計画し、反射レベルを誘導し、文脈的に適切な専門家のような反応を生成することによって、専門家の物語セラピストをシミュレートする。
  論文  参考訳（メタデータ） (2025-07-27T11:52:09Z)
• MIRROR: Multimodal Cognitive Reframing Therapy for Rolling with Resistance [33.081670638470165]
  我々は、非言語的な手がかりを取り入れたマルチモーダルアプローチを提案し、AIセラピストは、クライアントのネガティブな感情状態に応答をより良く整合させることができる。 具体的には、新しい合成データセットであるMirrorを導入し、クライアントのステートメントと対応する顔画像とをペアリングする新しい合成データセットについて紹介する。 その結果、MirrorはAIセラピストの抵抗処理能力を大幅に向上させ、既存のテキストベースのCBTアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-16T08:44:26Z)
• COMPASS: Computational Mapping of Patient-Therapist Alliance Strategies with Language Modeling [14.04866656172336]
  治療作業同盟は精神療法の成功の重要な予測要因である。 本稿では,心理療法セッションで使用される自然言語から治療作業アライアンスを推定するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-22T16:56:44Z)
• 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)
• Enabling AI and Robotic Coaches for Physical Rehabilitation Therapy: Iterative Design and Evaluation with Therapists and Post-Stroke Survivors [66.07833535962762]
  人工知能(AI)とロボットコーチは、社会的相互作用を通じてリハビリテーション運動における患者の関与を改善することを約束する。 これまでの研究は、AIやロボットコーチの運動を自動的に監視する可能性を探ったが、デプロイは依然として難しい課題だ。 我々は,AIとロボットコーチが患者の運動をどのように操作し,指導するかに関する詳細な設計仕様を提示する。
  論文  参考訳（メタデータ） (2021-06-15T22:06:39Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Designing Personalized Interaction of a Socially Assistive Robot for Stroke Rehabilitation Therapy [64.52563354823711]
  社会支援ロボットの研究は、神経学的および筋骨格疾患の患者に対する理学療法セッションを増強し、支援する可能性がある。 本稿では,運動の質を予測するために,患者個別の運動の運動特性を動的に選択できる社会支援ロボットのインタラクティブなアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-13T16:12:05Z)

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。