Rehabilitation Exercise Quality Assessment through Supervised Contrastive Learning with Hard and Soft Negatives

要約

運動ベースのリハビリテーション プログラムは、生活の質を向上させ、死亡率と再入院率を減らすのに効果的であることが証明されています。
AI 主導の仮想リハビリテーションは、患者が自宅で自主的に運動を完了できるようにするもので、AI アルゴリズムを利用して運動データを分析し、患者にフィードバックを提供し、臨床医に進捗状況を最新情報を提供します。
これらのプログラムでは通常、さまざまな運動タイプが規定されているため、リハビリテーション運動評価データセットに明確な課題が生じています。これらのデータセットには全体的なトレーニング サンプルが豊富にありますが、多くの場合、個々の運動タイプごとにサンプル数が限られています。
この差異により、既存のアプローチでは、演習タイプごとにこのような小さなサンプル サイズで一般化可能なモデルをトレーニングすることができなくなります。
この問題に対処するために、この論文では、データセット全体を効果的に利用して、すべての運動タイプに適用できる単一のモデルをトレーニングする、ハードおよびソフト ネガティブ サンプルを使用した新しい教師あり対比学習フレームワークを紹介します。
このモデルは、時空間グラフ畳み込みネットワーク (ST-GCN) アーキテクチャを備えており、演習全体での汎用性の向上と全体的な複雑さの軽減を実証しました。
3 つの公的に利用可能なリハビリテーション運動評価データセット、UI-PRMD、IRDS、および KIMORE での広範な実験を通じて、私たちの方法は既存の方法を超え、リハビリテーション運動の質の評価における新たなベンチマークを設定することが証明されました。

要約(オリジナル)

Exercise-based rehabilitation programs have proven to be effective in enhancing the quality of life and reducing mortality and rehospitalization rates. AI-driven virtual rehabilitation, which allows patients to independently complete exercises at home, utilizes AI algorithms to analyze exercise data, providing feedback to patients and updating clinicians on their progress. These programs commonly prescribe a variety of exercise types, leading to a distinct challenge in rehabilitation exercise assessment datasets: while abundant in overall training samples, these datasets often have a limited number of samples for each individual exercise type. This disparity hampers the ability of existing approaches to train generalizable models with such a small sample size per exercise type. Addressing this issue, this paper introduces a novel supervised contrastive learning framework with hard and soft negative samples that effectively utilizes the entire dataset to train a single model applicable to all exercise types. This model, with a Spatial-Temporal Graph Convolutional Network (ST-GCN) architecture, demonstrated enhanced generalizability across exercises and a decrease in overall complexity. Through extensive experiments on three publicly available rehabilitation exercise assessment datasets, UI-PRMD, IRDS, and KIMORE, our method has proven to surpass existing methods, setting a new benchmark in rehabilitation exercise quality assessment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google