Resumen
Este artículo revisa la aplicación de sensores de visión en la monitorización de ejercicios de rehabilitación en el hogar.
Los sensores pueden capturar datos precisos sobre el esqueleto del paciente durante el ejercicio, lo que permite la monitorización automática de la actividad.
Se revisan los métodos de aprendizaje automático utilizados para analizar los datos del esqueleto, y se discuten los desafíos asociados.
El artículo destaca la importancia de la retroalimentación para mejorar la eficacia de la rehabilitación y sugiere áreas para futuras investigaciones en este campo.
Avances en tecnología de monitoreo y aprendizaje profundo en fisioterapia
La rehabilitación en casa es un aspecto crucial en la recuperación de pacientes, y los fisioterapeutas buscan constantemente mejorar sus métodos de monitoreo y tratamiento. Este artículo analiza los últimos avances en tecnología de monitoreo basada en sensores de visión y la aplicación de inteligencia artificial y aprendizaje profundo en la evaluación y retroalimentación del rendimiento del paciente.
La revisión de la literatura destaca la importancia de la monitorización de ejercicios físicos y cómo la implementación de sensores visuales y técnicas de Deep Learning pueden ayudar a los pacientes y fisioterapeutas a evaluar el rendimiento y mejorar los resultados. Estas tecnologías permiten una mayor precisión en los programas de monitoreo, lo que a su vez ayuda a los pacientes a recuperar la fuerza muscular y mejorar el equilibrio de manera más efectiva.
Como clínica de fisioterapia, es esencial estar al tanto de las últimas tendencias y tecnologías para proporcionar el mejor cuidado a nuestros pacientes. La integración de estas tecnologías en nuestros programas de rehabilitación es una forma de mejorar aún más los resultados de nuestros pacientes y mantenernos a la vanguardia en el campo de la fisioterapia.
Abstract original
Artificial Intelligence for skeleton-based physical rehabilitation action evaluation: A systematic review
Performing prescribed physical exercises during home-based rehabilitation programs plays an important role in regaining muscle strength and improving balance for people with different physical disabilities. However, patients attending these programs are not able to assess their action performance in the absence of a medical expert. Recently, vision-based sensors have been deployed in the activity monitoring domain. They are capable of capturing accurate skeleton data. Furthermore, there have been significant advancements in Computer Vision (CV) and Deep Learning (DL) methodologies. These factors have promoted the solutions for designing automatic patient's activity monitoring models. Then, improving such systems' performance to assist patients and physiotherapists has attracted wide interest of the research community. This paper provides a comprehensive and up-to-date literature review on different stages of skeleton data acquisition processes for the aim of physio exercise monitoring. Then, the previously reported Artificial Intelligence (AI) - based methodologies for skeleton data analysis will be reviewed. In particular, feature learning from skeleton data, evaluation, and feedback generation for the purpose of rehabilitation monitoring will be studied. Furthermore, the associated challenges to these processes will be reviewed. Finally, the paper puts forward several suggestions for future research directions in this area.
| Autores | Sara Sardari Sara Sharifzadeh Alireza Daneshkhah Bahareh Nakisa Seng W Loke Vasile Palade Michael J Duncan |
| revista | Comput Biol Med |
| DOI | 10.1016/j.compbiomed.2023.106835 |