Desenvolvimento de um Sistema de Monitoramento de Exercícios Fisioterápicos com Auto-Encoder LSTM

  • Luís Henrique C. Evangelista UEA
  • Carlos Maurício S. Figueiredo UEA
  • Elloá B. Guedes UEA

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.
Publicado
21/07/2024
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.