基于深度学习的慢性疼痛保护性行为检测

在慢性疼痛康复中，物理治疗师根据患者所表现出的保护性行为来调整身体活动，使其逐步暴露于令人恐惧但无害且必需的日常活动中。随着康复移至诊所之外，技术应自动检测此类行为以提供类似支持。先前工作已表明在特定活动中自动保护性行为检测（PBD）的可行性。在本文中，我们利用从健康参与者和慢性疼痛患者收集的可穿戴动作捕捉与表面肌电数据，研究跨活动类型使用深度学习进行 PBD。我们将问题处理为在活动内连续检测保护性行为，而非估计其整体存在。最佳性能在留一受试者交叉验证下达到平均 F1 分数 0.82。当按活动类型建模保护性行为时，性能为弯腰平均 F1 分数 0.77、单腿站立 0.81、坐到站 0.72、站到坐 0.83、向前伸 0.67。该性能与专家平均评分性能达到极高一致性，表明其在家庭个性化慢性疼痛管理中的潜力。我们分析了表征我们方法的各种参数，以理解结果如何推广到其他 PBD 数据集和不同粒度的真值。