Autonomous Telerehabilitation via Skeletal Motion Prediction and Joint-Level Performance Assessment
Di cosa parla
Il lavoro descrive un sistema di telereabilitazione che, partendo da video RGB senza marcatori, riconosce esercizi e valuta la qualità dei movimenti. È composto da un modulo che giudica l'esecuzione e da uno che predice i movimenti a breve termine per confrontare le posizioni delle articolazioni osservate e attese, segnalando deviazioni spazialmente localizzate. Gli autori ipotizzano impieghi in robotica assistiva e riabilitazione domiciliare, e indicano integrazione completa e validazione clinica come passi successivi.
Cosa permette di osservare
Permette di esplorare se combinare riconoscimento e previsione del movimento può fornire feedback automatico agli utenti a casa e quali ostacoli restano per trasformare questa idea in dispositivi reali e test clinici.
Dalla fonte
Autonomous rehabilitation systems must not only recognize human motion but also provide structured feedback to support users without continuous therapist supervision. This paper presents a telerehabilitation pipeline that integrates skeleton-based exercise quality assessment and short-term motion prediction into a two-module system operating on marker-free RGB video. A self-attentive Bidirectional LSTM performs exercise quality classification using MMD-NCA metric learning, while a graph-based motion prediction module computes per-joint position errors between predicted and observed poses, generating spatially localized deviation signals. Each module is evaluated independently on established benchmarks: the classifier achieves 96.45% mean-class accuracy on squat sequences from the PROZIS dataset, and the adopted STARS predictor achieves a mean MPJPE of 75.8 mm at 560 ms on Human3.6M, out…