基于多动作融合框架的简化康复练习FIM评分分类方法

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Skeleton-Based Multi-Action Fusion Framework for Binary Classification of FIM Score from Simplified Rehabilitation Actions

　　

摘要：

准确评估每位患者的身体状况对于个性化康复计划至关重要。功能独立性评定量表（FIM）被广泛用于此目的，能够对日常生活活动中的独立性进行全面定量评估。然而，FIM评估需要直接观察并基于复杂标准进行评分，这对临床医生和患者都带来了巨大负担。为应对这一挑战，我们提出了一种多动作融合框架，用于从简化康复练习中进行FIM评分分类。该框架基于一种骨架深度模型，结合了时空图卷积网络（STGCN）和双向注意力增强图卷积长短期记忆（AGCBiLSTM）模块。特定动作特征由独立模型提取并共同融合，在捕捉与动作相关的运动特征的同时，隐式地考虑了动作间关系。我们进一步研究了有效的融合策略（早期、中期和晚期融合）以及动作选择，以平衡跨动作和特定动作特征，同时尽量减少所需动作的数量。我们使用从277名康复患者捕获的10种简化练习的骨架数据评估了所提方法，重点关注FIM转移和运动项目。结果表明，晚期融合取得了最高的平衡准确率，比最佳单动作基线提高了6.65%。此外，五种站立姿势动作和坐姿上肢抬举的动作子集达到了与使用全部10种动作相当分类性能。通过将该动作子集与零填充相结合，我们在区分完全独立患者与需要协助或修改的患者方面达到了78.20%的平衡准确率。本文的代码可在 https://github.com/NyoRyorN/FIMFusionFramework 获取。