A Standardized Benchmark for Skeleton-Based Rehabilitation Assessment Using Deep Learning

Resumen Técnico: Un Benchmark Estandarizado para la Evaluación de la Rehabilitación Basada en Esqueletos mediante Aprendizaje Profundo

Planteamiento del Problema
La evaluación automatizada del movimiento humano es crítica para la rehabilitación, ya que ofrece una evaluación objetiva del progreso del paciente y de la ejecución de los ejercicios. Sin embargo, la evaluación del movimiento en rehabilitación difiere fundamentalmente del reconocimiento general de actividad humana. Mientras que el reconocimiento de actividad clasifica qué acción se está realizando (por ejemplo, caminar frente a correr), la evaluación de la rehabilitación evalúa la calidad de una acción específica, lo que requiere la detección de desviaciones sutiles de un movimiento ideal.

A pesar de los avances en el aprendizaje profundo y la extracción de esqueletos basada en video, el campo carece de benchmarks estandarizados, protocolos de evaluación consistentes y metodologías reproducibles. La investigación existente suele depender de un conjunto limitado de conjuntos de datos (notablemente KIMORE y UI-PRMD), utiliza protocolos experimentales inconsistentes (variaciones en la división de datos y métricas) y frecuentemente no libera el código fuente. Esta ausencia de un marco unificador impide la capacidad de comparar enfoques de manera objetiva, reproducir resultados o evaluar la generalizabilidad a través de diversas poblaciones y tipos de ejercicios.

Metodología
Para abordar estas brechas, los autores proponen un marco de benchmarking integral centrado en tres pilares:

1. Archivo Rehab-Pile: Los autores agregaron nueve repositorios públicos existentes en un archivo unificado llamado "Rehab-Pile". Este archivo trata cada ejercicio específico dentro de un repositorio como un conjunto de datos independiente, lo que resulta en un total de 60 conjuntos de datos:

   • 39 Conjuntos de Datos de Clasificación: Cubren tareas binarias y multiclase (por ejemplo, ejecución correcta frente a incorrecta, o tipos de error específicos).
   • 21 Conjuntos de Datos de Regresión Extrínseca: Cubren la predicción de puntuaciones continuas (por ejemplo, niveles de severidad o puntuaciones de desempeño).
   • Los datos consisten en secuencias de esqueletos (coordenadas de articulaciones) extraídas de flujos de video (RGB o RGB-D), capturados principalmente mediante sensores Kinect u OpenPose.

2. Marco de Evaluación Unificado: El estudio evalúa nueve arquitecturas de aprendizaje profundo a través de los 60 conjuntos de datos bajo un protocolo estrictamente estandarizado:

   • Arquitecturas: Los modelos abarcan cuatro categorías: basados en convolución (FCN, H-Inception, LITEMV, DisjointCNN), basados en recurrencia (MotionGRU, ConvLSTM), basados en auto-atención (VanTran, ConvTran) y basados en grafos (STGCN).
   • Preprocesamiento de Datos: Todas las secuencias se remuestrean a un recuento de fotogramas común por conjunto de datos, se normalizan mediante escalado min-máx (calculado únicamente con los datos de entrenamiento) y se convierten en un formato de serie temporal multivariante (aplanando los ejes de articulación y dimensión) para la mayoría de los modelos, excepto STGCN, que utiliza secuencias de esqueletos puras.
   • Protocolo Experimental: Se impone una división cruzada entre sujetos (cross-subject split) para evitar la fuga de datos. El número de pliegues (folds) se determina por el número de sujetos (5 pliegues para $\ge$10 sujetos, o dejar un sujeto fuera para menos de 10).
   • Ensamble: Para estabilizar los resultados, cada modelo se entrena cinco veces con diferentes inicializaciones aleatorias por cada pliegue, y las predicciones se promedian.
   • Métricas: La clasificación se evalúa utilizando Exactitud (Accuracy) y Exactitud Balanceada (Balanced Accuracy). La regresión utiliza el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE). La eficiencia se mide mediante el tiempo de entrenamiento/inferencia, el recuento de parámetros y los FLOPs.

3. Análisis Estadístico: Las comparaciones de rendimiento utilizan Matrices de Comparación Múltiple (MCM) y la Prueba de Rango con Signo de Wilcoxon para determinar la significancia estadística ($p < 0.05$) de las diferencias de rendimiento entre los modelos.

Resultados Clave
El extenso benchmarking arrojó los siguientes hallazgos:

• Rendimiento de Regresión: LITEMV (Light Inception with boosTing tEchniques MultiVariate) emergió como el modelo con mejor rendimiento estadísticamente significativo para la regresión extrínseca, superando a todos los competidores tanto en MAE como en RMSE. Los autores atribuyen esto al uso de Convoluciones Separables en Profundidad (DWSCs) y filtros diseñados a mano, que capturan eficazmente las correlaciones temporales y espaciales. ConvTran (un modelo de auto-atención con incrustación convolucional) ocupó el segundo lugar, lo que sugiere que las dependencias a largo plazo son cruciales para las tareas de regresión.
• Rendimiento de Clasificación: En las tareas de clasificación, LITEMV logró nuevamente la mayor exactitud promedio (75.49%) y la exactitud balanceada, aunque el margen sobre VanTran (Transformer Vanilla) no fue estadísticamente significativo ($p > 0.05$). MotionGRU ocupó el segundo lugar en exactitud balanceada, desempeñándose bien en conjuntos de datos desbalanceados. Notablemente, STGCN (Red de Convolución de Grafos Espacio-Temporales), aunque tuvo un desempeño razonable en regresión, quedó en último lugar en clasificación, lo que sugiere que las arquitecturas basadas en GCN pueden ser menos adecuadas para las tareas de clasificación de rehabilitación bajo estas condiciones.
• Compromiso entre Eficiencia y Rendimiento: LITEMV demostró el mejor compromiso general, ofreciendo un rendimiento de primer nivel con el menor número de parámetros y FLOPs. MotionGRU fue el más rápido para la inferencia, mientras que ConvTran fue el más rápido de entrenar. VanTran fue el más costoso computacionalmente debido a su escalado cuadrático de FLCEP con la longitud de la secuencia y sus múltiples capas de atención.
• Características de los Modelos: Los resultados indican que las CNN simples (FCN) y las LSTM estándar (ConvLSTM) tienen un rendimiento inferior en comparación con arquitecturas más especializadas. El éxito de LITEMV y ConvTran resalta la importancia de capturar tanto patrones temporales locales (vía convolución) como dependencias globales (vía atención o memoria recurrente).

Significancia y Reivindicaciones
El artículo afirma establecer una base sólida para la investigación futura en la evaluación de la rehabilitación automatizada al:

1. Estandarizar el Campo: Proporcionar el primer archivo unificado (Rehab-Pile) con 60 conjuntos de datos diversos y un protocolo de evaluación reproducible, permitiendo comparaciones justas entre estudios.
2. Identificar el Estado del Arte: Demostrar que LITEMV es actualmente la arquitectura más efectiva y eficiente para la evaluación de la rehabilitación basada en esqueletos, particularmente para tareas de regresión, mientras destaca el potencial de los modelos basados en Transformers para la clasificación.
3. Promover la Reproducibilidad: Liberar todos los conjuntos de datos agregados, el código fuente y los resultados experimentales detallados a la comunidad para fomentar la transparencia y acelerar el desarrollo de soluciones de rehabilitación fiables, accesibles y personalizadas.

Los autores enfatizan que, si bien LITEMV lidera actualmente, la tarea de clasificación sigue siendo un desafío (exactitud promedio ~75%), lo que indica la necesidad de una exploración continua de las arquitecturas de modelos para mejorar aún más el rendimiento.