智能医生系统为你的居家康复动作打分

物理康复治疗需要患者完成成百上千次的重复练习。为了节省大量的时间和高昂的临床费用，患者往往需要在家中自行完成大部分的康复训练。居家训练最大的痛点在于：没有专业医生的指导，患者很难知道自己的动作是否达标。为了解决这一难题，这篇研究提出了一种全新的实时动作评估方法。巧妙地结合“运动学建模”与“模糊推理”技术，能够实时且精准地为患者的康复动作提供类似人类专家的反馈。

以往的便携式动作追踪系统虽然能起到一定的辅助作用，但它们无法提供实时的反馈，给出的信息极其有限。更重要的是，传统系统往往设定一个死板的“容差范围”，只要动作超出这个范围就会被判定为“错”，在范围内就是“对”。真实的临床医生在评估时，绝不会给出非黑即白的结论。他们会根据患者的综合表现，给出“优秀”、“很好”、“好”、“一般”或“差”等更为人性化和细致的评价。为了让计算机也能模拟这种人类医生的主观评估体系，研究团队引入了“模糊推理（Fuzzy Inference）”技术。

患者（Patient）进行训练时，系统会通过动作捕捉设备（Motion Tracking）实时获取骨骼与关节数据。系统会提取这些实际测量数据，计算它们与理想模型之间的“相似度”（Similarity Calculation）。 这些表示相似度的数据会被当作输入值，送入模糊推理系统（Fuzzy Inference）的“大脑”中进行综合运算。最后，系统会生成直观的分类评价，将其实时反馈给患者（Feedback to Patient）。

为了让系统知道什么是“标准动作”，研究人员利用可扩展标记语言（XML）为每个康复动作制定了三类严格的“运动学规则”：

动态运动规则：规定了特定关节或身体部位（如手臂或腿）在运动过程中的参考轨迹。

静态姿势规则：用于规范那些在训练中必须保持静止的身体部位。

运动不变性规则：规定了在整个动作周期内必须遵守的强制性限制条件。例如，在某些动作中，移动的腿必须始终保持在某一个特定的解剖平面内。

在捕捉到患者的动作后，系统会计算实际动作与上述三类规则之间的误差（距离），图3详细描绘了系统如何像医生一样“思考”：系统将动态规则、静态规则和不变性规则这三个维度的误差作为独立的输入项（Inputs 1, 2, 3）。接着，系统内置了一组模糊逻辑规则（Fuzzy Rules）。例如，系统设定：“如果所有规则的输入都是优秀的，那么当前动作的执行就是优秀的”。通过将这些输入数据与规则进行聚合和去模糊化处理（Aggregate & Defuzzification），系统最终输出一个综合的动作质量评级。

为了验证系统的可靠性，研究团队在“髋关节外展（Hip Abduction）”和“起坐训练（Sit to Stand）”这两个常见的康复动作上进行了测试。在髋关节外展的测试中，系统要求患者不仅要将腿向外侧抬起，还要保证腿不能偏离身体的冠状面。实验中，测试者前三次动作非常标准，但在后两次故意将腿偏离了正确的平面，违反了“运动不变性规则”。面对这种情况，系统没有粗暴地直接报错，而是按照模糊推理的逻辑，客观平稳地将前三次评为“好”或“很好”，而将后两次不规范的动作降级评为“一般（Fair）”。

学者介绍：赵文兵，美国克利夫兰州立大学电气与计算机工程系教授。研究主要集中在可靠分布式系统、区块链与容错计算，同时开展面向智能健康的应用研究，包括人体动作识别、计算机视觉以及人机交互相关技术。

ORCID：0000-0002-3202-1127

DOI：10.1515/jaiscr-2015-0014

已收藏 0

点赞 0