每年有数百万人接受物理治疗（PT），事实上，仅在美国就有大约900万人接受物理治疗。平均而言，他们花费数周时间进行持续半小时至两小时的康复训练，其中前几个训练通常由临床医生监督。

其中大部分（超过90％）是在家庭环境中进行的，一些研究表明，这会导致偏离规定的治疗，且延长了恢复时间并增加了医疗保健成本。

从传统上说，PT进展评估是手动进行的，或者是在基本计算机系统的帮助下进行的，两者都没有提供可能激发患者重复练习的有意义的反馈。但是，爱达荷大学的研究人员认为，AI可在使该过程透明化方面发挥着不可或缺的作用。



在论文“A Deep Learning Framework for Assessing Physical Rehabilitation Exercises”中，团队描述了他们的新工作。

研究人员写道，“尽管康复评估在改善康复结果和降低医疗成本方面发挥着重要作用，但计算机辅助监测和评估患者表现的现有方法缺乏多功能性，鲁棒性和实用性，在论文中，我们提出了一个基于深度学习的框架，用于自动评估身体康复训练的质量。”

框架包括（1）运动性能量化指标，（2）用于将性能指标映射到运动质量的数值分数的评分函数，（3）对运动数据与质量分数之间的关系进行编码的机器学习模型。

研究人员收集了10名健康受试者的骨骼数据，包括人体关节的位置和位移序列，这些受试者在使用光学跟踪系统记录的10项康复训练中重复了10次。

然后，他们计算了用于康复评估的两个常用指标:无模型指标和基于模型的指标。前者直接根据关节的轨迹测量值计算，后者则考虑到运动模型的重复。然后使用一个自编码器进行降维，定义评分函数，使移动质量评分中的性能指标的值在0到1之间。



团队表示，“例如，向患者提供的88％的运动质量评分很容易理解，而且它还可以让患者在一段时间内，基于所接受的质量分数，自我监控在恢复方面的进展。其次，质量分数用于神经网络模型的监督训练。”

有了得分数据，该团队训练了三个架构上不同的神经网络：卷积神经网络（CNN），递归神经网络（RNN）和由子网络组成的整体嵌套网络（HNN），以生成运动质量分数自动输入数据。每次运行五次，团队及时记录输入质量得分与网络预测的质量得分之间的平均差。

CNN在三场测试中表现最好。该团队警告说，结果不一定是可推广的，因为用于验证的数据集来自健康的患者。但他们仍然相信这为未来的工作奠定了基础。

团队表示，“据我们所知，这也是首个用深度神经网络评估康复表现的研究。”

论文：
arxiv.org/pdf/1901.10435.pdf