論文の概要: PhaseAware: Interpretable Human-in-the-Loop Rehabilitation Scoring with Boundary Monitoring
- arxiv url: http://arxiv.org/abs/2607.20237v1
- Date: Wed, 22 Jul 2026 14:57:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.119138
- Title: PhaseAware: Interpretable Human-in-the-Loop Rehabilitation Scoring with Boundary Monitoring
- Title（参考訳）: フェーズアウェア:境界モニタリングによるヒューマン・イン・ザ・ループリハビリテーション・スコリングの解釈
- Authors: Yankai Zheng, Yuhe Liu, Yuxin Ma, Tianci Xue, Jiayuan Tian, Yu Fu, Yuxuan Hu, Jianing Wang, Zichun Xiao, Junya Mu, Shaohui Ma,
- Abstract要約: 本研究は, 側頭骨と位相・身体群記述子を組み合わせた継続的リハビリテーション品質評価のためのコンパクトな枠組みを提案する。
PhaseAwareのRMSEは0.0230で、受け入れられたベースラインに対する88.9%の減少に対応している。
KIMOREでも良好な性能を維持しており、フェーズアウェアの設計が関連するスクワットプロトコル間で転送されることを示唆している。
- 参考スコア（独自算出の注目度）: 18.918947215697205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rehabilitation scoring systems are most useful when their outputs can be reviewed and interpreted within clinical workflows. This study presents PhaseAware, a compact framework for continuous rehabilitation quality assessment that combines a temporal backbone with phase- and body-group descriptors through a backbone-conditioned gated residual pathway. The model was evaluated on the UI-PRMD deep-squat protocol and further tested on the KIMORE squatting subset. On UI-PRMD, PhaseAware achieved an RMSE of 0.0230, corresponding to an 88.9% reduction relative to the accepted baseline. It also maintained favorable performance on KIMORE, suggesting that the phase-aware design transfers across related squatting protocols. In addition to score prediction, PhaseAware generates structured review cues based on phase- and body-level sensitivity, highlighting the movement stages and body regions most relevant to each prediction. The architecture employs a backbone-conditioned gated residual mechanism to stabilize feature representation, supporting use in resource-constrained settings. These cues are intended to support clinician review, boundary-case monitoring, and human-in-the-loop triage rather than autonomous decision-making. Overall, PhaseAware offers a practical and interpretable approach to rehabilitation scoring that may help integrate automated assessment into information systems while preserving clinician oversight.
- Abstract（参考訳）: リハビリテーションスコアリングシステムは、アウトプットをレビューし、臨床ワークフロー内で解釈できる場合に最も有用である。
本研究は, 側頭骨と側頭骨と側頭骨とを結合した持続的リハビリテーション品質評価のためのコンパクトな枠組みであるPhaseAwareについて述べる。
このモデルはUI-PRMDディープスクワットプロトコルで評価され、KIMOREスクワットサブセットでさらに検証された。
UI-PRMDでは、フェーズAwareのRMSEは0.0230で、受け入れられたベースラインに対して88.9%の削減を実現した。
KIMOREでも良好な性能を維持しており、フェーズアウェアの設計が関連するスクワットプロトコル間で転送されることを示唆している。
スコア予測に加えて、フェーズレベルの感度とボディレベルの感度に基づいて構造化されたレビューキューを生成し、各予測に最も関係のある移動ステージと身体領域をハイライトする。
このアーキテクチャでは、バックボーン条件付きゲート残留機構を使用して特徴表現を安定化し、リソース制約された設定での使用をサポートする。
これらのキューは、自律的な意思決定よりもクリニックのレビュー、境界ケースのモニタリング、そして人間のループでのトリアージをサポートすることを意図している。
総合的に、PhaseAwareはリハビリテーションスコアの実践的で解釈可能なアプローチを提供し、クリニックの監視を維持しながら情報システムに自動アセスメントを統合するのに役立つ。
関連論文リスト
- Biological Amnesia in ICU Time-Series Prediction: A Drift-Adaptive Two-Stream Architecture with Temporal Retrieval [0.0]
ICU介入予測のための適応型臨床知能アーキテクチャを提案する。
この構造は、生理学を治療表現から切り離し、治療ストリームへのパラメータ更新を精査する。
このアーキテクチャは、高度臨床環境で適応モデルの制御可能かつ解釈可能なデプロイのためのテンプレートを提供する。
論文 参考訳（メタデータ） (2026-07-21T12:07:36Z) - ADAPTS: Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms [36.94429692322632]
ADAPTS(Agentic Decomposition for Automated Protocol-Agnostic Tracking of Symptoms)は、うつ病と不安度の自動評価のためのフレームワークである。
このアプローチは、長期臨床面接を症状特異的推論タスクに分解する。
レーティングは、オリジナルの人間のレーティングよりも、専門家のベンチマークを近似した。
論文 参考訳（メタデータ） (2026-05-04T23:08:42Z) - Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM [46.344226429758606]
Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。
SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。
SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
論文 参考訳（メタデータ） (2026-04-25T14:09:11Z) - SiMing-Bench: Evaluating Procedural Correctness from Continuous Interactions in Clinical Skill Videos [33.33285554449996]
フル長のクリニカルスキルビデオからこの能力を評価するための最初のベンチマークであるSiMing-Benchを紹介する。
ワークフロー全体にわたって、インタラクション駆動の状態更新が手続き的正確性を維持するかどうかの、ルーリックなプロセスレベルの判断を対象とする。
論文 参考訳（メタデータ） (2026-04-10T06:58:29Z) - CARE-RAG - Clinical Assessment and Reasoning in RAG [43.1450755645803]
大規模言語モデル(LLM)における検索と推論のギャップについて検討する。
推論の正確性,一貫性,忠実度を計測する評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-20T02:44:55Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - AI-Based Stroke Rehabilitation Domiciliary Assessment System with ST_GCN Attention [1.0781866671930853]
ホームベースのリハビリテーション・エクササイズ・フィードバックシステムを提案する。
本システムは,(1)RGB-Dカメラとウェアラブルセンサを備えたハードウェア構成により,ストロークの動きを捉え,(2)運動指導用モバイルアプリケーション,(3)評価とフィードバックのためのAIサーバから構成される。
論文 参考訳（メタデータ） (2025-09-27T16:45:56Z) - From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。
しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。
本研究は,臨床信頼性を重視した医療計算評価を再考する。
論文 参考訳（メタデータ） (2025-09-20T09:10:26Z) - STROKEVISION-BENCH: A Multimodal Video And 2D Pose Benchmark For Tracking Stroke Recovery [41.140934816875806]
StrokeVision-Benchは、脳卒中患者が臨床的に構造化されたブロック転送タスクを行う最初の専用データセットである。
StrokeVision-Benchは、1000本の注釈付きビデオを4つの臨床的に意味のあるアクションクラスに分類する。
我々は,現在最先端のビデオアクション認識と骨格に基づく動作分類手法のベンチマークを行い,性能ベースラインを確立する。
論文 参考訳（メタデータ） (2025-09-02T18:48:37Z) - SuPRA: Surgical Phase Recognition and Anticipation for Intra-Operative
Planning [46.57714869178571]
本稿では,手術段階を同時に認識し,次の手術段階を予測する2つのアプローチを提案する。
外科的位相認識・予測法(SuPRA)は,過去と現在の情報を正確な術中位相認識に活用する。
論文 参考訳（メタデータ） (2024-03-10T12:46:33Z)
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。