基于关键点检测和时间序列分割的后中风康复自动时间分段方法：针对小数据集
计算机视觉与模式识别
2025-02-28 v1
摘要
康复是后中风患者不可或缺且关键的环节，既涉及身体层面，也涉及认知层面。中风主要发生在老年人群中，75% 的病例发生在65岁及以上人群，这凸显了在老龄化人口中需要针对性康复策略的迫切需求。尽管治疗师在评估康复进展和确保治疗效果方面发挥着关键作用，但当前的评估方法往往主观、一致性差且耗时，导致治疗方案调整延迟。本研究旨在提供一种一致且及时分析的解决方案，具体方法是对视频记录进行时间分段，以捕捉中风患者康复期间的详细活动。本研究的主要应用场景是临床评估日常桌面物体交互，这些交互对后中风的身体康复至关重要。为实现此目标，我们提出了一种框架，利用治疗期间运动的生物力学。我们的解决方案包含两个主要任务：2D 关键点检测用于跟踪患者的身体运动，以及1维时间序列时间分割用于分析这些运动随时间的变化。这种双重方法能够仅凭有限的真实数据即可实现自动标记，解决了患者运动变异性大和数据集有限的挑战。通过解决这些问题，我们的方法在实际物理治疗场景中展现出强大的潜力，显著提升康复评估的速度和准确性。
引用
@article{arxiv.2502.19766,
title = {Automatic Temporal Segmentation for Post-Stroke Rehabilitation: A Keypoint Detection and Temporal Segmentation Approach for Small Datasets},
author = {Jisoo Lee and Tamim Ahmed and Thanassis Rikakis and Pavan Turaga},
journal= {arXiv preprint arXiv:2502.19766},
year = {2025}
}