論文の概要: PhysioAI: Clinical Knowledge-Guided Semantic Supervision for Skeleton-Based Physiotherapy Action Recognition

• arxiv url: http://arxiv.org/abs/2609.12491v1
• Date: Fri, 11 Sep 2026 06:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.644887
• Title: PhysioAI: Clinical Knowledge-Guided Semantic Supervision for Skeleton-Based Physiotherapy Action Recognition
• Title（参考訳）: PhysioAI:スケルトンに基づく理学療法行動認識のための臨床知識誘導セマンティック・スーパービジョン
• Abstract要約: PhysioAIは、構造化された臨床知識辞書(CKD)から得られた訓練時間意味アンカーと、人の動きのグラフベースの時間的モデリングを組み合わせる CKD記述は、凍ったContrastive Language-Image Pre-Training (CLIP)モデルを用いてアンカー空間に投影され、スケルトン表現学習のためのクラス固有のセマンティックターゲットを提供する。 CKD由来のアンカーは骨格モデルトレーニングでのみ使用され、推論は骨格入力のみを必要とする。
• 参考スコア（独自算出の注目度）: 12.329154607645314
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Skeleton-based action recognition can support automated tracking of physiotherapy exercises, particularly in remote rehabilitation settings where continuous in-person supervision is impractical. However, most existing methods are developed for large-scale daily-action benchmarks rather than rehabilitation scenarios. Public rehabilitation exercise datasets are typically small, with only subtle kinematic differences between exercise classes. For participants with motor impairments, exercise execution may also deviate from standard movement patterns in amplitude, speed, and coordination, increasing intra-class variability and making reliable recognition more difficult for skeleton-based models. We propose PhysioAI, a clinical knowledge-guided semantic supervision framework that injects structured physiotherapy knowledge into skeleton representation learning. PhysioAI combines graph-based spatiotemporal modelling of human movement with training-time semantic anchors derived from a structured Clinical Knowledge Dictionary (CKD). The CKD descriptions are encoded using a frozen Contrastive Language-Image Pre-training (CLIP) model and projected into an anchor space, where they provide class-specific semantic targets for skeleton representation learning. The resulting CKD-derived anchors are used only during skeleton-model training; inference requires only skeleton inputs. Under subject-disjoint evaluation, PhysioAI achieves $99.03\pm1.34\%$ on KiMoRe Overall, $94.64\pm7.36\%$ on the Hard-67 stress test, and $87.44\pm7.69\%$ on UI-PRMD Overall. These results exceed the strongest comparator for each endpoint by $0.27$, $2.87$, and $1.33$ percentage points (pp), respectively. These findings demonstrate that structured clinical knowledge can serve as an effective source of training-time supervision for physiotherapy action recognition.
• Abstract（参考訳）: 骨格をベースとした行動認識は、特に連続的な人的監督が不可能な遠隔リハビリテーション環境では、生理的訓練の自動追跡を支援することができる。 しかし、ほとんどの既存手法は、リハビリテーションシナリオではなく、大規模なデイリーアクションベンチマークのために開発されている。 公的リハビリテーション運動データセットは通常小さく、運動クラス間で微妙な運動学的差異しか持たない。 運動障害の患者に対しては、運動実行は振幅、速度、調整の標準運動パターンから逸脱し、クラス内変動が増大し、骨格モデルでは信頼性の高い認識がより困難になる可能性がある。 本研究では,構造的理学療法の知識を骨格表現学習に注入する臨床知識誘導型意味指導フレームワークであるPhyloAIを提案する。 PhysioAIは、人の動きのグラフベースの時空間モデリングと、構造化された臨床知識辞書(CKD)から派生した訓練時間意味アンカーを組み合わせる。 CKD記述は、凍ったContrastive Language-Image Pre-training (CLIP)モデルを用いて符号化され、アンカー空間に投影され、スケルトン表現学習のためのクラス固有のセマンティックターゲットを提供する。 CKD由来のアンカーは骨格モデルトレーニングでのみ使用され、推論は骨格入力のみを必要とする。 主観的な評価のもと、PhyloAI は KiMoRe で$99.03\pm1.34\%、Hard-67 ストレステストで$94.64\pm7.36\%、UI-PRMD で$87.44\pm7.69\%となる。 これらの結果は各エンドポイントの最も高いコンパレータを0.27ドル、2.87ドル、1.33ドルパーセンテージポイント(pp)で上回る。 これらの結果から, 構造化された臨床知識は, 理学療法行動認識の訓練時間管理の有効な源となる可能性が示唆された。

関連論文リスト

• SkelHCC: A Hyperbolic CLIP-Driven Cache Adaptation Framework for Skeleton-based One-Shot Action Recognition [54.97159515886273]
  SkelHCCは、シングルショットアクション認識のための統合スケルトンハイパーボリックCLIP駆動キャッシュ適応フレームワークである。 双曲幾何学の負の曲率と指数体積の増大を利用して、EH-HCLIPは自然にヒト解剖学の結合部分体階層をコードする。
  論文  参考訳（メタデータ） (2026-06-02T13:13:27Z)
• Machine Learning-Based Real-Time Detection of Compensatory Trunk Movements Using Trunk-Wrist Inertial Measurement Units [0.36136619420474764]
  脳卒中後によく見られる補償幹運動(CTM)は、不適応な運動パターンを引き起こす。 本研究では,2慣性測定ユニットの構成により,機械学習を用いたリアルタイムCTM検出が可能かどうかを検討する。
  論文  参考訳（メタデータ） (2026-04-14T11:17:05Z)
• Clinical-Prior Guided Multi-Modal Learning with Latent Attention Pooling for Gait-Based Scoliosis Screening [8.010714901985898]
  思春期特発性強皮症(AIS)は,早期発見により進行を緩和できる脊髄変形である。 現在のスクリーニング手法は主観的であり、スケールが難しく、専門的な専門知識に依存している。 ビデオベースの歩行分析は、有望な代替手段を提供するが、現在のデータセットとメソッドは、しばしばデータ漏洩に悩まされる。 ScoliGaitは、トレーニング用の1,572の歩行ビデオクリップと、テスト用の300の完全に独立したクリップからなる、新しいベンチマークデータセットである。
  論文  参考訳（メタデータ） (2026-02-06T14:44:22Z)
• A multimodal vision foundation model for generalizable knee pathology [40.03838145472935]
  筋骨格障害は、医療画像の正確な解釈に対する緊急の要求である。 現在の整形外科における人工知能のアプローチは、タスク固有の教師あり学習パラダイムに依存している。 筋骨格病理学に最適化されたマルチモーダル視覚基盤モデルOrthoFoundationを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T08:14:51Z)
• A Machine Vision Approach to Preliminary Skin Lesion Assessments [0.0]
  本研究は,皮膚内視鏡のABCD規則と機械学習の分類を併用した皮膚病変予備評価システムについて検討した。 ストクラッチからトレーニングされたカスタム3層畳み込みニューラルネットワーク(CNN)は78.5%の精度と86.5%のリコールを達成した。
  論文  参考訳（メタデータ） (2026-01-21T23:48:59Z)
• 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)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• Skeleton-Based Transformer for Classification of Errors and Better Feedback in Low Back Pain Physical Rehabilitation Exercises [0.9094127664014627]
  近年,身体リハビリテーション運動の質評価が著しく進歩している。 それらのほとんどは、パフォーマンスが正しいか間違っている場合にのみバイナリ分類を提供し、いくつかは連続的なスコアを提供する。 本研究では,リハビリテーション演習の誤り分類アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-28T10:30:39Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• 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)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)

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。