[논문 리뷰] Automatic Detection of Protective Behavior in Chronic Pain Physical Rehabilitation: A Recurrent Neural Network Approach.

Chongyang Wang, Temitayo Olugbade외 4명|arXiv (Cornell University)|2019. 02. 24.

Stroke Rehabilitation and Recovery참고 문헌 57인용 수 7

한 줄 요약

이 연구는 웨어러블 동작 및 근전도 데이터를 사용하여 만성 요통 환자의 기능적 활동 중 보호 행동을 자동으로 탐지하기 위해 스택드(Long Short-Term Memory, LSTM) 신경망을 제안한다. 모델은 이탈리아-한 명의 참가자를 제외한 교차검증(leave-one-subject-out validation)을 통해 평균 F1 스코어 0.815를 달성하여, 개인 맞춤형 홈 기반 물리 치료 지원의 강력한 잠재력을 보여준다.

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.

연구 동기 및 목표

• 만성 요통 환자의 기능적 활동 중 보호 행동을 자동으로 연속적으로 탐지할 수 있도록 하는 것.
• 환자의 행동에 실시간으로 적응하는 홈 기반 물리 치료 기술의 개발을 지원하는 것.
• 정적 존재 여부 추정을 넘어서는 미세하고 동적인 보호 행동을 탐지함으로써 개인 맞춤형 치료를 향상시키는 것.
• 딥 러닝 모델이 실생활 환경에서 임상적 행동 탐지에 대해 웨어러블 센서 데이터를 얼마나 잘 활용하는지 평가하는 것.

제안 방법

• 건강한 사람과 만성 요통 환자로부터 수집한 웨어러블 센서 데이터의 시간적 의존성을 모델링하기 위해 스택드-LSTM 아키텍처를 사용하였다.
• 다섯 가지 기능적 활동 동안 동작 캡처 및 근전도(EMG) 신호에서 추출한 저수준 특징을 사용하였다.
• 참가자 간의 일반화 능력을 확보하기 위해 이탈리아-한 명의 참가자를 제외한 교차검증(leave-one-subject-out cross-validation)을 적용하였다.
• 작업 특이적 행동 패턴을 반영하기 위해 각 활동별로 별도로 보호 행동 탐지 모델을 구축하였다.
• 각 활동 시퀀스 내에서 보호 행동 이벤트를 연속적으로 예측하도록 모델을 훈련시켰다.
• 전문가가 애너테이션한 참조값과 비교하여 성능을 평가하기 위해 F1 스코어를 사용하였다.

실험 결과

연구 질문

• RQ1 스택드-LSTM과 같은 딥 러닝 모델이 웨어러블 센서 데이터로부터 실시간으로 보호 행동을 효과적으로 탐지할 수 있는가?
• RQ2 기능적 활동에서 연속적인 보호 행동 탐지 방식이 전반적인 존재 여부 추정 방식과 비교해 어떻게 다를까?
• RQ3 이탈리아-한 명의 참가자를 제외한 검증 방식을 사용해 다양한 개인의 데이터를 기반으로 훈련 및 평가했을 때 모델의 성능는 어떠한가?
• RQ4 스탠드 투 스티팅 또는 프론트워드 레이즈와 같은 다양한 기능적 작업에서 모델 성능는 어떻게 변할까?
• RQ5 모델의 예측 결과가 전문가가 평가한 보호 행동 수준과 얼마나 일치하는가?

주요 결과

• 스택드-LSTM 모델은 이탈리아-한 명의 참가자를 제외한 검증을 통해 평균 F1 스코어 0.815를 달성하여 뛰어난 탐지 성능를 보였다.
• 스탠드 투 스티팅(F1 = 0.83)과 한쪽 다리로 서기(F1 = 0.81)에서 성능가 가장 높았으며, 이는 이러한 운동에서 보다 잘 탐지될 수 있음을 시사한다.
• 모델은 평균 전문가 평가와 뛰어난 일치도를 보이며 임상적 타당성을 입증하였다.
• 각 활동별 별도 모델링이 여러 작업에서 성능 향상을 이끌었으며, 벤드다운(F1 = 0.77)과 스탠드 투 스티팅(F1 = 0.83)에서 뚜렷한 성과를 보였다.
• 저수준 특징의 사용으로 복잡한 수작업 특징 표현 없이도 효과적인 탐지가 가능했다.
• 결과적으로 이러한 모델을 홈 기반 기술 지원 물리 치료 시스템에 구현하는 데 명백한 가능성을 입증하였다.