論文の概要: Learning Varying Physical Therapist-Patient Interactions for Robot-mediated Upper Limb Task-Specific Training
- arxiv url: http://arxiv.org/abs/2608.15995v1
- Date: Mon, 17 Aug 2026 01:16:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.496369
- Title: Learning Varying Physical Therapist-Patient Interactions for Robot-mediated Upper Limb Task-Specific Training
- Title（参考訳）: ロボットによる上肢タスク特化訓練のための理学療法士-パティエントインタラクションの学習
- Abstract要約: 上肢運動機能の回復は,タスク・スペクティフィック・トレーニング(TST)と十分な治療量に肯定的に関連している。
リハビリテーションロボットは、コントロールされた反復的な治療と、他の患者を同時に管理するためのフリーセラピストを通じて、TSTの量を増やすことができる。
これは、パーソナライズされた理学療法士と患者の相互作用の、不正確なロボット表現と、実践の多様性の欠如と関連している可能性がある。
- 参考スコア（独自算出の注目度）: 3.433344218375448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Upper extremity motor function recovery is positively linked to Task-Specific Training (TST) and sufficient therapy dosage. Rehabilitation robots can increase TST dosage via controlled, repetitive treatment and free therapists to simultaneously manage other patients, but it has yet to demonstrate significant benefits over conventional treatment. This is potentially linked to inaccurate robotic representation of personalised physical therapist-patient interaction and lack of practice variability during TST. Hence, we advocate for robotic interventions that preserve the personalised physical therapist-patient interactions when delivering TST for patients across varying practise conditions. We propose a Learning-from-Demonstration framework using Task-Parameterised Gaussian Mixture Models (TPGMM) to learn personalised physical therapist-patient interaction in Task-Specific exercises, mapping patient joint kinematics to therapist-applied torques using few demonstrations. The model is generalised to reconstruct therapist torques in new task variations. The framework was evaluated on physical interactions from 14 mock "therapist-patient" pairs over three tasks of increasing complexity, each with six variations. A benchmark comparison against a Look-Up Table was conducted. The results show both methods reproducing interactions in unseen task variations that deviate slightly from the actual interaction, with TPGMM slightly outperforming LUT. Both methods reproduced interactions that gets increasingly closer to the actual interaction as task complexity increases.
- Abstract（参考訳）: 上肢運動機能の回復は,タスク・スペクティフィック・トレーニング(TST)と十分な治療量に肯定的に関連している。
リハビリテーションロボットは、コントロールされた反復的治療と、他の患者を同時に管理するためのフリーセラピストを通じて、TST投与量を増やすことができるが、従来の治療法よりも大きなメリットは示されていない。
これは、パーソナライズされた理学療法士と患者の相互作用の不正確なロボット表現と、TSTにおける実践の多様性の欠如と関連している可能性がある。
そこで本研究は, 患者にTSTを届ける際に, 個人化された理学療法士と患者との相互作用を維持するロボット介入を提唱する。
本稿では,タスク・パラメータ化ガウス混合モデル(TPGMM)を用いて,タスク・スペクティブ・エクササイズにおける個人化された理学療法士と患者との相互作用を学習し,患者関節キネマティクスをセラピストに応用したトルクにわずかな実演を用いてマッピングする,Demonstrationフレームワークを提案する。
モデルは、新しいタスクのバリエーションでセラピストトルクを再構築するために一般化される。
このフレームワークは、複雑さを増大させる3つのタスクに対して、14のモック"セラピスト-患者"ペアの物理的相互作用を6つのバリエーションで評価した。
ルックアップテーブルとの比較を行った。
その結果, TPGMM は LUT をわずかに上回り, 実際の相互作用からわずかに逸脱する未確認タスク変動における相互作用を再現する手法であることがわかった。
どちらの方法も、タスクの複雑さが増加するにつれて、実際の相互作用に近づきつつある相互作用を再現する。
関連論文リスト
- From Multimodal Observation to Interpretable Suggestions: Counterfactual Time-Expanded Relational Modeling of Surgical Teams [9.813151093947097]
マルチモーダル観察から手術チームダイナミクスをモデル化するためのテンポ関係フレームワークを提案する。
このようなモデリングにより、臨床医のための効率的、解釈可能、および実行可能な提案を作成できる。
この研究は、結果駆動の予測を越えて、社会的に根ざしたチーム中心で行動可能なパラダイムへと、外科的AIを前進させる。
論文 参考訳（メタデータ） (2026-08-24T13:46:46Z) - Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars [0.45671221781968324]
アクセプタンス・アンド・コミット・セラピー(ACT)における精神療法士の訓練には、有意義なフィードバックを伴う反復的な実践が必要である。
仮想患者と音声対話によるACT指向精神療法訓練を支援するシステムを提案する。
論文 参考訳（メタデータ） (2026-06-16T11:02:00Z) - Learning Therapist Policy from Therapist-Exoskeleton-Patient Interaction [0.500985340975673]
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。
論文 参考訳（メタデータ） (2026-03-02T22:58:34Z) - Policy Learning for Social Robot-Led Physiotherapy [0.9666308705700454]
ソーシャルロボットは、生理療法演習セッションを通じて患者を自律的に導くための、有望なソリューションを提供する。
主要な課題は、堅牢なポリシーを開発するための患者行動データの不足である。
我々は,患者行動モデルを知るために,患者プロキシとして33名の専門医をロボットと対話した。
論文 参考訳（メタデータ） (2025-09-14T14:40:30Z) - HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。
私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
論文 参考訳（メタデータ） (2025-09-12T09:38:17Z) - 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) - MicroXercise: A Micro-Level Comparative and Explainable System for Remote Physical Therapy [2.664550951313621]
MicroXerciseは、マイクロモーション分析とウェアラブルセンサーを統合している。
セラピストや患者に、ビデオ、テキスト、スコアなどの総合的なフィードバックインターフェースを提供する。
論文 参考訳（メタデータ） (2024-08-06T22:39:47Z) - 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) - 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) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。