当物理治疗有了人工智能新帮手康复训练再也不

物理治疗有了人工智能新帮手 康复训练再也不怕没有医生指导偏离规范

每年有数百万人接受物理治疗(pt)，事实上，仅在美国就大约有900万人。平均而言，他们数周花费时间进行持续半小时至两小时的康复训练，只DuPont Zytel FR 95G25 V0NH和 DuPont Crastin FR 684NH是杜邦高性能材料事业部的最新无卤牌号有前几次训练通常由临床医生指导。超过90%的疗程是在家庭环境中进行的，一些研究表明，这将导致偏离规定的治疗，从而延长康复时间和增加医疗费用。

传统上，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，人工智能(ai)可能在使该过程透明化方面发挥着不可或缺的作用，从而激发合规性。

本周，他们发布在预印本服务器上的一篇新论文( 基于深度学习框架评估身体康复训练 )中描述了自己的工作。

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、稳健性和实用性。 研究人员写道， 在论文中，我们提出了一这里需求留意的是要用右手将摆杆的接头提住个基于深度学习的框架，用于自动评估身体康复锻炼的质量。

该框架包括抗干扰能力强(1)运动性能量化指标，(2)将运动性能指标映射为运动质量数值分数的得分函数，(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。

研究人员收集了由10名健康受试者的人体关节位置和位移序列组成的骨骼数据，这些受试者用光学跟踪系统记录了10项康复训练，并进目前市场上有些拉力实验机丝杆是用T形普通丝杆行了10次重复，包括正确和错误的。然后，他们计算了两种常用的康复评估指标：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计算，而后者考虑了关于运动模型的重复。)他们接下来使用自动编码器来减少维数 - 即减少数据中随机变量的数量 - 并定义评分函数使得运动质量分数中的性能度量值在0和1之间。

例如，患者呈现出88%的运动质量评分很容易理解。 论文的作者解释说， 它还可以使患者根据收到的质量分数自我监测。其次，质量分数用于[神经络]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络 - 卷积神经络(cnn)、递归神经络(rnn)和由子络组成的整体嵌套络(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络预测的质量得分之间的平均偏差。

卷积神经络在三个测试中表现最好，在所有测试中标准差最低，只有两个测试例外。

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。 他们仍然相信这为未来的工作奠定了基础。

据我们所知，[我们的]是第一项实施深度神经络评估康复表现的工作。 他们说。