基于 HRNet 的康复监测系统
这篇研究论文介绍了创新的基于 Kinect 的远程康复系统（KiReS），支持任何地方的物理疗法会话，能节省医疗费用，并提高需要康复的用户的生活质量。该系统具有知识提取功能和虚拟沉浸功能，通过选择适当的锻炼方法来康复患者，并提供方便、高效和用户友好的远程康复体验。
Jan, 2024
本文介绍了一种新型机器人神经康复训练系统，结合了康复设备、信号分类方法、监督式机器学习模型以及社交互动代理人作为用户界面，能够根据患者特定需求进行训练并让患者进行独立康复训练。
Jun, 2022
本文讨论了如何设计、开发和评估一款针对个人化康复的社交机器人锻炼教练系统，该系统集成了神经网络模型和基于规则的模型以监控和评估患者的锻炼，能够根据个人患者的数据实时生成个性化的纠正反馈以提高康复效果，在中风幸存者的数据集上得到了验证，并展示了在实际测试中的应用前景和局限性。
May, 2023
通过统计分析及机器学习方法，我们研究了康复运动对中风患者后期功能能力的改善，以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录（EHRs）数据和自由文本康复疗程笔记的数据集，共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理（NLP）算法提取了康复运动的数据，并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC（基本移动和应用认知）评分。通过对 AM-PAC 评分的变化进行分类，我们采用最小临床重要差异（MCID）为基准，使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼，我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外，我们开发了五个机器学习模型 —— 逻辑回归（LR）、Adaboost（ADB）、支持向量机（SVM）、梯度增强（GB）和随机森林（RF）—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中，我们确定了三种康复运动，在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外，成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。
May, 2024
通过整合交互式的社交感知虚拟助理到神经康复机器人框架中，本研究的主要目标是重现与面对面康复会议相关的社交方面。我们还进行了一项可行性研究，测试了健康患者对该框架的反应，初步结果表明参与者表现出了适应系统的倾向。值得注意的是，在所提出的锻炼中，交互式助理的存在并没有分散注意力，而是积极地促进了用户的参与度。
Jun, 2024
本研究介绍一种基于规则的自然语言处理算法，可以从非结构化的电子健康记录中标注中风患者的治疗过程，与几个小型机器学习模型进行比较，并发现我们的算法在提取足够数据可用的一半概念方面表现优异，并且每个概念的个别运动描述可以分配二进制标签，f-score 不低于 0.75。
Mar, 2023
通过引入一种新的监督对比学习框架，该框架结合了硬负样本和软负样本，利用整个数据集训练一种适用于所有运动类型的单个模型，从而提高了运动评估的泛化能力，并降低了总体复杂性，我们的方法在多个数据集上展示了胜过现有方法的结果，创立了康复运动评估准确性的新的基准。
Mar, 2024
通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变，本文提出了一个算法流程，可以实时检测和纠正运动技术问题，并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实时推荐系统将帮助锻炼者纠正潜在的错误，使得自我练习成为可行的同时降低锻炼伤害的风险。
Oct, 2023
本文提出了一种基于骨骼关节的新方法，用于分割和计数患者进行的康复运动，通过分析运动数据以提供反馈以及向临床医生报告进展情况，以实现准确的运动分析，并保护隐私，从而有助于有效提供虚拟康复计划。
Apr, 2023