Error-Guided Pose Augmentation: Enhancing Rehabilitation Exercise Assessment through Targeted Data Generation

要約

特に在宅施設では、患者の進歩を監視するためには、効果的なリハビリテーション評価が不可欠です。
既存のシステムは、データの不均衡や微妙な動きのエラーの検出困難などの課題にしばしば直面しています。
このペーパーでは、臨床的に関連する動きのミスをシミュレートすることにより、合成スケルトンデータを生成する方法であるエラーガイド付きポーズ増強（EGPA）を紹介します。
標準的な増強技術とは異なり、EGPAはリハビリテーションで観察される生体力学的エラーをターゲットにしています。
EGPAは、注意ベースのグラフ畳み込みネットワークと組み合わせて、複数の評価メトリック全体でパフォーマンスを向上させます。
実験は、最大27.6％の平均絶対誤差の減少と、45.8％の誤差分類精度の増加を示しています。
注意の視覚化は、モデルが臨床的に重要な関節と動きの段階に焦点を合わせ、精度と解釈性の両方を向上させることを学ぶことを示しています。
EGPAは、臨床および在宅リハビリテーションの両方のリハビリテーションコンテキストで、自動運動品質評価を改善するための有望なアプローチを提供します。

要約(オリジナル)

Effective rehabilitation assessment is essential for monitoring patient progress, particularly in home-based settings. Existing systems often face challenges such as data imbalance and difficulty detecting subtle movement errors. This paper introduces Error-Guided Pose Augmentation (EGPA), a method that generates synthetic skeleton data by simulating clinically relevant movement mistakes. Unlike standard augmentation techniques, EGPA targets biomechanical errors observed in rehabilitation. Combined with an attention-based graph convolutional network, EGPA improves performance across multiple evaluation metrics. Experiments demonstrate reductions in mean absolute error of up to 27.6 percent and gains in error classification accuracy of 45.8 percent. Attention visualizations show that the model learns to focus on clinically significant joints and movement phases, enhancing both accuracy and interpretability. EGPA offers a promising approach for improving automated movement quality assessment in both clinical and home-based rehabilitation contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google