[論文レビュー] Automatic Detection of Protective Behavior in Chronic Pain Physical Rehabilitation: A Recurrent Neural Network Approach.

Chongyang Wang, Temitayo Olugbade+4 more|arXiv (Cornell University)|Feb 24, 2019

Stroke Rehabilitation and Recovery参考文献 57被引用数 7

ひとこと要約

本研究では、ウェアラブルモーションおよび筋電図（EMG）データを用いて、慢性腰痛患者の機能的活動中の保護行動を自動的に検出するためのスタックドLSTMネットワークを提案する。モデルは、1人を除いた被験者を除外する交差検証（LOSO）を用いて平均F1スコア0.815を達成し、在宅での個別化されたリハビリテーション支援の強力な可能性を示している。

ABSTRACT

In chronic pain physical rehabilitation, physiotherapists adapt physical activity to patients' performance especially based on the expression of protective behavior, gradually exposing them to feared but harmless and essential everyday activities. As physical rehabilitation moves outside the clinic, physical rehabilitation technology needs to automatically detect such behavior as to provide similar personalized support. In this paper, we investigate the use of a Long Short-Term Memory (LSTM) network, referred to as stacked-LSTM, to detect events of protective behavior, based on wearable motion capture and electromyography data of healthy and chronic lower-back pain people engaged in five functional activities. Differently from previous works on the same dataset, we aim to continuously detect protective behavior within each activity rather than estimate the overall presence of such behavior. The stacked-LSTM reaches best mean F1 score of 0.815 with Leave-One-Subject-Out validation (LOSO), using low level features. Performances increase for some activities when modelled separately (mean F1 scores: bend-down=0.77, stand-on-one-leg=0.81, sit-to-stand=0.72, stand-to-sit=0.83, reach-forward=0.67). The performance reaches excellent level of agreement with the average experts' rating. As such, the results show clear potential for in-home technology-supported personalized physical rehabilitation.

研究の動機と目的

• 慢性腰痛患者の機能的活動中に、保護行動を自動的かつ継続的に検出することを目的とする。
• 患者行動にリアルタイムで適応する在宅型物理的リハビリテーション技術の開発を支援することを目的とする。
• 静的 presence/absence推定を超えて、微細で動的な保護行動を検出することで、個別化されたケアを向上させることを目的とする。
• 深層学習モデルの性能を、現実世界の環境における臨床的行動検出に向けたウェアラブルセンサーデータに適用して評価することを目的とする。

提案手法

• 健康および慢性腰痛を有する被験者からのウェアラブルセンサーデータの時間的依存性をモデル化するため、スタックドLSTMアーキテクチャを採用した。
• 5つの機能的活動中に得られたモーショングラフおよび筋電図（EMG）信号から抽出した低レベル特徴量を用いた。
• 被験者間での一般化性能を確保するため、1人を除いた被験者を除外する交差検証（LOSO）を適用した。
• タスク固有の行動パターンを反映させるために、各活動ごとに保護行動検出を別々にモデル化した。
• 各活動シーケンス内で、保護行動イベントを継続的に予測するようにモデルを訓練した。
• F1スコアを用いて性能を評価し、専門家によるアノテーション済みの真値と比較した。

実験結果

リサーチクエスチョン

• RQ1 スタックドLSTMのような深層学習モデルは、ウェアラブルセンサーデータからリアルタイムに保護行動を効果的に検出できるか？
• RQ2 機能的活動における継続的検出と、全体的な存在/不在推定とを比較した場合、どのような差異が生じるか？
• RQ3 1人を除いた被験者を除外する手法を用いて、多様な被験者を対象にトレーニングおよび検証した場合、モデルの性能はどの程度か？
• RQ4 立ち上がり・座りへの移行や前屈など、異なる機能的タスクにおいて、モデルの性能はどのように変動するか？
• RQ5 モデルの予測結果が、専門家による保護行動の臨床的評価とどの程度一致するか？

主な発見

• スタックドLSTMモデルは、1人を除いた被験者を除外する交差検証を用いて平均F1スコア0.815を達成し、優れた検出性能を示した。
• スコアが最も高かったのは、立ち上がり→座り（F1 = 0.83）および片脚立ちは（F1 = 0.81）であり、これらの運動では検出がより容易であると考えられる。
• 平均専門家評価との高い一致を示し、臨床的妥当性が裏付けられた。
• 各活動ごとに別々にモデル化することで、複数のタスクで性能が向上し、特に曲げ下ろし（F1 = 0.77）および立ち上がり→座り（F1 = 0.83）で顕著な結果が得られた。
• 低レベル特徴量の使用により、複雑な手作業による特徴表現の必要なく、効果的な検出が可能となった。
• これらの結果は、このようなモデルを在宅型、技術支援付きの物理的リハビリテーションシステムに実装する可能性が明確に示された。