Desenvolvimento de um Sistema de Monitoramento de Exercícios Fisioterápicos com Auto-Encoder LSTM
Resumo
Este trabalho visa colaborar no monitoramento inteligente de exercícios fisioterápicos para fins de telereabilitação com uma solução de Visão Computacional baseada em Deep Learning com Auto-Encoders LSTM para classificação de vídeos de exercícios quanto à corretude de execução. Integrando técnicas não-invasivas de estimação de pose e de detecção de anomalias, a solução proposta contribui para o acompanhamento e feedback para pacientes remotos, o que pode colaborar positivamente na adesão ao tratamento.
Referências
Boukhennoufa, I., Zhai, X., Utti, V., Jackson, J., and McDonald-Maier, K. D. (2022). Wearable sensors and machine learning in post-stroke rehabilitation assessment: A systematic review. Biomedical Signal Processing and Control, 71:103197.
Brink, H., Richards, J. W., and Fetherolf, M. (2017). Real-World Machine Learning. Manning Publications, Estados Unidos.
Dorado, J., del Toro, X., Santofimia, M. J., Parreño, A., Cantarero, R., Rubio, A., and Lopez, J. C. (2019). A computer-vision-based system for at-home rheumatoid arthritis rehabilitation. International Journal of Distributed Sensor Networks, 15(9):1550147719875649.
Google (2023). Pose landmarker solution. Acesso em 24 de junho de 2023: [link].
Hellsten, T., Karlsson, J., Shamsuzzaman, M., and Pulkkis, G. (2021). The potential of computer vision-based marker-less human motion analysis for rehabilitation. Rehabilitation Process and Outcome, 10:11795727211022330.
Latreche, A., Kelaiaia, R., Chemori, A., and Kerboua, A. (2023). Reliability and validity analysis of mediapipe-based measurement system for some human rehabilitation motions. Measurement, 214:112826.
Lugaresi, C., Tang, J., Nash, H., McClanahan, C., Uboweja, E., Hays, M., Zhang, F., Chang, C.-L., Yong, M. G., Lee, J., et al. (2019). Mediapipe: A framework for building perception pipelines. arXiv preprint arXiv:1906.08172. Acesso em 26 de junho de 2023: [link].
OMS (2024). Rehabilitation. Disponível em [link]. Acesso em 24 de maio de 2024.
Prvu Bettger, J. and Resnik, L. J. (2020). Telerehabilitation in the age of COVID-19: An opportunity for learning health system research. Phys. Ther., 100(11):1913–1916.
Sigal, L. (2021). Human Pose Estimation, pages 573–592. Springer International Publishing, Cham.
Subtil, M. M. L., Goes, D. C., Gomes, T. C., and Souza, M. L. d. (2011). O relacionamento interpessoal e a adesão na fisioterapia. Fisioterapia em Movimento, 24(4):745–753.
ToInfinityAI (2023). Infiniterep dataset. [link].
Vakanski, A., Jun, H.-p., Paul, D., and Baker, R. (2018). A data set of human body movements for physical rehabilitation exercises. Data, 3(1):2.
Brink, H., Richards, J. W., and Fetherolf, M. (2017). Real-World Machine Learning. Manning Publications, Estados Unidos.
Dorado, J., del Toro, X., Santofimia, M. J., Parreño, A., Cantarero, R., Rubio, A., and Lopez, J. C. (2019). A computer-vision-based system for at-home rheumatoid arthritis rehabilitation. International Journal of Distributed Sensor Networks, 15(9):1550147719875649.
Google (2023). Pose landmarker solution. Acesso em 24 de junho de 2023: [link].
Hellsten, T., Karlsson, J., Shamsuzzaman, M., and Pulkkis, G. (2021). The potential of computer vision-based marker-less human motion analysis for rehabilitation. Rehabilitation Process and Outcome, 10:11795727211022330.
Latreche, A., Kelaiaia, R., Chemori, A., and Kerboua, A. (2023). Reliability and validity analysis of mediapipe-based measurement system for some human rehabilitation motions. Measurement, 214:112826.
Lugaresi, C., Tang, J., Nash, H., McClanahan, C., Uboweja, E., Hays, M., Zhang, F., Chang, C.-L., Yong, M. G., Lee, J., et al. (2019). Mediapipe: A framework for building perception pipelines. arXiv preprint arXiv:1906.08172. Acesso em 26 de junho de 2023: [link].
OMS (2024). Rehabilitation. Disponível em [link]. Acesso em 24 de maio de 2024.
Prvu Bettger, J. and Resnik, L. J. (2020). Telerehabilitation in the age of COVID-19: An opportunity for learning health system research. Phys. Ther., 100(11):1913–1916.
Sigal, L. (2021). Human Pose Estimation, pages 573–592. Springer International Publishing, Cham.
Subtil, M. M. L., Goes, D. C., Gomes, T. C., and Souza, M. L. d. (2011). O relacionamento interpessoal e a adesão na fisioterapia. Fisioterapia em Movimento, 24(4):745–753.
ToInfinityAI (2023). Infiniterep dataset. [link].
Vakanski, A., Jun, H.-p., Paul, D., and Baker, R. (2018). A data set of human body movements for physical rehabilitation exercises. Data, 3(1):2.
Publicado
21/07/2024
Como Citar
EVANGELISTA, Luís Henrique C.; FIGUEIREDO, Carlos Maurício S.; GUEDES, Elloá B..
Desenvolvimento de um Sistema de Monitoramento de Exercícios Fisioterápicos com Auto-Encoder LSTM. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 16. , 2024, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 101-110.
ISSN 2595-6183.
DOI: https://doi.org/10.5753/sbcup.2024.2662.
