[论文解读] 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 7

一句话总结

本研究提出一种堆叠长短期记忆（LSTM）网络，利用可穿戴运动和肌电图（EMG）数据，自动检测慢性下腰痛患者在功能性活动中的保护性行为。通过留一被试者交叉验证，该模型实现了0.815的平均F1分数，展示了其在家庭环境中实现个性化物理康复支持的强大潜力。

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.

研究动机与目标

• 实现对慢性下腰痛患者在功能性活动中保护性行为的自动、连续检测。
• 支持开发能够实时适应患者行为的家用物理康复技术。
• 通过检测超越静态存在/不存在估计的细微、动态保护性行为，提升个性化护理水平。
• 评估深度学习模型在真实世界环境中，对可穿戴传感器数据进行临床行为检测的性能。

提出的方法

• 采用堆叠LSTM架构，对健康个体及慢性下腰痛患者可穿戴传感器数据中的时间依赖性进行建模。
• 使用在五项功能性活动期间从动作捕捉和肌电图（EMG）信号中提取的低层次特征。
• 应用留一被试者交叉验证（LOSO），以确保在不同参与者间具有稳健的泛化能力。
• 针对每项活动分别建模保护性行为检测，以考虑任务特异性的行为模式。
• 训练模型以在每个活动序列中连续预测保护性行为事件。
• 使用F1分数评估性能，并与专家标注的真实标签进行比较。

实验结果

研究问题

• RQ1 像堆叠LSTM这样的深度学习模型能否有效实现实时从可穿戴传感器数据中检测保护性行为？
• RQ2 与全局存在性估计相比，保护性行为的连续检测在功能性活动中的表现如何？
• RQ3 当使用留一被试者法在多样化个体间进行训练和验证时，模型的性能如何？
• RQ4 模型在不同功能性任务（如起立-坐下或前伸）中的表现有何差异？
• RQ5 模型的预测与专家对保护性行为的临床评分在多大程度上一致？

主要发现

• 通过留一被试者交叉验证，堆叠LSTM模型实现了0.815的平均F1分数，表明其具有出色的检测性能。
• 在起立-坐下（F1 = 0.83）和单腿站立（F1 = 0.81）任务中表现最佳，表明这些动作的保护性行为更易检测。
• 模型与平均专家评分高度一致，验证了其临床相关性。
• 对每项活动分别建模提升了多个任务的性能，其中弯腰（F1 = 0.77）和起立-坐下（F1 = 0.83）表现尤为突出。
• 使用低层次特征实现了有效检测，无需复杂的手工特征工程。
• 结果明确表明，此类模型在家庭环境中技术赋能的物理康复系统中具有明确的可行性。