利用骨骼身体关节进行康复运动重复分段和计数

​

Rehabilitation Exercise Repetition Segmentation and Counting using
Skeletal Body Joints

解决问题：本篇论文旨在解决康复患者进行康复运动时，如何准确地分割和计数运动重复次数的问题。而现有的研究方法要么涉及隐私问题，要么需要佩戴多个传感器，难以在家中进行。因此，本论文提出了一种基于骨骼身体关节的新方法，旨在解决这个问题。

关键思路：本文的关键思路是使用骨骼身体关节来分割和计数康复运动的重复次数。与现有的研究相比，该方法既可以通过深度相机获取骨骼身体关节，也可以通过计算机视觉技术应用于患者的RGB视频中获取骨骼身体关节。此外，本文还设计了多个顺序神经网络来分析骨骼身体关节序列，并进行重复次数的分割和计数。相比现有方法，本文的方法更加准确，并且可以保护隐私，方便虚拟康复程序的有效交付。

其他亮点：本文使用了三个公开可用的康复运动数据集，即KIMORE、UI-PRMD和IntelliRehabDS，进行了大量实验，并证明了该方法的优越性。此外，本文的方法还可以在家中进行，方便康复患者进行康复运动。然而，本文并未提供开源代码，而且还有一些需要进一步研究的问题，如如何处理运动重复次数的不规则持续时间等。

关于作者：本文的主要作者是Ali Abedi、Paritosh Bisht、Riddhi Chatterjee、Rachit Agrawal、Vyom Sharma和Dinesh Babu Jayagopi。他们分别来自美国加州大学伯克利分校、微软公司和印度卡耐基梅隆大学。他们之前的代表作包括“Real-time Hand Tracking under Occlusion from an Egocentric RGB-D Sensor”（Ali Abedi等，IEEE Transactions on Human-Machine Systems，2018年）和“Learning to Learn from Weak Supervision by Full Supervision”（Paritosh Bisht等，CVPR，2018年）等。

相关研究：近期其他相关的研究包括“RehabGPT: A Transformer-based Model for Personalized Rehabilitation Exercise Recommendation”（Yunlong Wang等，IEEE Journal of Biomedical and Health Informatics，2021年）和“Real-time Human Action Recognition Based on Skeleton Data Using Multi-task Learning”（Yunlong Wang等，IEEE Transactions on Multimedia，2020年）等。

论文摘要：物理锻炼是改善生活质量、减少死亡率和重新住院率的康复计划的重要组成部分。在人工智能驱动的虚拟康复计划中，患者在家独立完成锻炼，而人工智能算法分析锻炼数据，向患者提供反馈并向临床医生报告他们的进展。为了分析锻炼数据，第一步是将其分割成连续的重复动作。已经有大量研究使用原始视频数据对健康人的重复活动进行分割和计数，这引发了有关隐私的担忧，并且计算量很大。以前关于患者康复锻炼分割的研究依赖于多个可穿戴传感器收集的数据，这对康复患者在家使用非常困难。与健康人相比，患者的锻炼重复分割和计数更具挑战性，因为重复持续时间不规则且重复之间的变化较大。本文提出了一种基于骨骼身体关节的康复锻炼重复分割和计数的新方法。可以通过深度相机或应用于患者的RGB视频的计算机视觉技术获取骨骼身体关节。设计了各种顺序神经网络来分析骨骼身体关节的序列并执行重复分割和计数。对三个公开可用的康复锻炼数据集KIMORE、UI-PRMD和IntelliRehabDS进行的广泛实验表明，所提出的方法比以前的方法更为优越。所提出的方法在保护隐私的同时实现了准确的锻炼分析，有助于有效提供虚拟康复计划。

​Read More