A Point Cloud Transformer for Remote Monitoring and Automated Assessment of Physical Rehabilitation Exercises

Resumen Técnico: Un Transformador de Nube de Puntos para el Monitoreo Remoto y la Evaluación Automatizada de Ejercicios de Rehabilitación Física

Planteamiento del Problema
Los ejercicios de rehabilitación física son fundamentales para restaurar la función en pacientes con afecciones como la enfermedad de Parkinson y dolor de espalda. Sin embargo, una rehabilitación eficaz requiere una ejecución precisa, lo cual es difícil de mantener sin supervisión experta. Actualmente, aproximadamente el 90% de los pacientes realizan estos ejercicios en casa sin supervisión profesional, lo que deriva en una mala calidad del ejercicio, posibles lesiones y falta de motivación. La evaluación clínica tradicional depende de la inspección visual subjetiva, mientras que las soluciones automatizadas existentes enfrentan limitaciones significativas:

• Características diseñadas manualmente (Hand-crafted features): Dependen de la ingeniería manual por parte de expertos, lo que introduce sesgos y consume mucho tiempo.
• Redes Neuronales Convolucionales (CNNs): A menudo fallan al capturar información espacio-temporal de largo alcance crucial en los datos esqueléticos.
• Redes Convolucionales de Grafos Espacio-Temporales (ST-GCNs): Utilizan grafos predefinidos que son topológicamente similares entre fotogramas, fallando al mapear información semántica (como la longitud y dirección de los huesos) o al adaptarse a diferentes clases de acciones.
• Redundancia de Datos: Los datos brutos de los sensores (por ejemplo, de Kinect) suelen contener puntos espacialmente redundantes, ruidosos o incompletos, lo que crea un espacio de entrada excesivamente grande propenso al sobreajuste (overfitting).

Metodología
Los autores proponen un marco ligero y de extremo a extremo (end-to-end) que trata las coordenadas de las articulaciones esqueléticas como nubes de puntos y utiliza un Transformador de Nube de Puntos basado en Curvas con Atención Axial. La metodología consta de tres etapas principales:

1. Agregación de Puntos Basada en Curvas:

   • Para abordar la redundancia de datos y mejorar la representación de características, el modelo adapta una técnica de agregación basada en curvas (originalmente de CurveNet).
   • Agrupación de Curvas (Curve Grouping): Se seleccionan los puntos iniciales mediante un método de selección Top-K. Una política de "caminata" (walk policy) agrupa puntos vecinos en curvas basándose en un descriptor de estado aprendido y una probabilidad de Gumbel-softmax para evitar bucles.
   • Agregación de Curvas: El modelo aprende las relaciones intra-curva e inter-curva mediante el uso de pooling atento. Genera descriptores de curva y mapeos que se fusionan con la nube de puntos original. Este proceso aumenta la información de los puntos basándose en la posición y la geometría, asegurando representaciones de características distinguibles incluso para puntos en el mismo plano.

2. Transformador de Auto-Atención Axial:

   • La nube de puntos agregada se introduce en una arquitectura de transformador.
   • Para mejorar la eficiencia computacional (reduciendo la complejidad de $O(N^2)$ a una escala más manejable para datos multidimensionales), el modelo emplea Auto-Atención Axial.
   • El tensor de entrada se reorganiza para calcular la atención a lo largo de ejes específicos (por ejemplo, tiempo y espacio) de forma independiente. Esto permite al modelo capturar eficientemente las dependencias espacio-temporales e identificar la importancia relativa de articulaciones específicas sin el alto costo computacional de la auto-atención estándar.

3. Regresión y Calificación:

   • El sistema se entrena como una tarea de regresión para predecir una puntuación de evaluación cuantitativa (normalizada entre 0 y 1) que representa la similitud cinemática entre el desempeño del paciente y la ejecución de un experto.
   • El marco soporta secuencias de longitud variable sin requerir alineación temporal o segmentación.

Contribuciones Clave

• Representación Consciente de la Geometría: La adaptación de una estrategia de agregación de puntos basada en curvas de vanguardia a nubes de puntos de articulaciones esqueléticas, preservando la información estructural y cinemática.
• Mecanismo de Atención Eficiente: La integración de la auto-atención axial para modelar dependencias espacio-temporales y estimar la relevancia a nivel de articulación de manera eficiente, haciendo que el modelo sea computacionalmente ligero.
• Flexibilidad de Extremo a Extremo: El marco opera sin ingeniería de características manual, alineación temporal o requisitos de secuencias de longitud fija.
• Interpretabilidad: El sistema utiliza Gradientes Integrados para visualizar las atribuciones a nivel de articulación, resaltando qué partes específicas del cuerpo influyen en la calidad de la puntuación, ofreciendo así retroalimentación accionable a los usuarios.

Resultados Experimentales
El modelo fue evaluado en tres conjuntos de datos de referencia públicos: KIMORE (ejercicios para el dolor lumbar), UI-PRMD (fisioterapia general) e IRDS (rehabilitación general).

• Desempeño: El método propuesto alcanzó resultados de vanguardia (SOTA) o competitivos en todos los conjuntos de datos.
  • En UI-PRMD, logró puntuaciones de Desviación Absoluta Media (MAD) más bajas en comparación con las líneas base de GCN y CNN (por ejemplo, 0.008 MAD frente a 0.014 para Deep CNN en el Ejercicio 1).
  • En IRDS, alcanzó una alta precisión (Media 0.9819), superando a los métodos base de GCN y CNN.
  • En KIMORE, demostró un desempeño superior en las métricas MAD, RMSE y MAPE en comparación con ST-GCNs y otros enfoques de aprendizaje profundo.
• Eficiencia: El modelo demostró aceleraciones significativas en la inferencia. En una CPU de consumo, procesó los conjuntos de prueba en ~10 segundos, y en una NVIDIA RTX 3090, en ~1.09 segundos. Esto representa una aceleración de ~12.4x sobre las ST-GCNs base, permitiendo la retroalimentación en tiempo real.
• Robustez: La validación cruzada de Dejar un Sujeto Fuera (LOSO) confirmó la generalizabilidad y la invarianza anatómica del modelo, con desviaciones estándar bajas entre diferentes sujetos.
• Visualización: Las visualizaciones de t-SNE mostraron una agrupación clara entre ejercicios precisos, moderados e inexactos, y los mapas de atribución de características identificaron con éxito las articulaciones críticas para ejercicios específicos (por ejemplo, la columna y las muñecas para la rotación del tronco).

Significancia y Reivindicaciones
El artículo afirma que este marco ofrece una solución práctica para el monitoreo remoto y la rehabilitación en el hogar. Al combinar la agregación de curvas con la atención axial, el sistema maneja eficazmente el ruido y la redundancia de los datos brutos de los sensores mientras mantiene una alta precisión y un bajo costo computacional. Los autores enfatizan que la capacidad del modelo para proporcionar retroalimentación continua y cuantitativa, así como identificar errores de articulación específicos, lo hace adecuado para su despliegue en entornos con recursos limitados donde no hay hardware especializado disponible. El sistema está diseñado para ser escalable a secuencias de longitud variable y capaz de generalizarse a diferentes tipos de ejercicios sin calibración por usuario.

Limitaciones Reconocidas
Los autores señalan modestamente varias limitaciones:

• No se realizó una validación cruzada entre conjuntos de datos debido a las diferencias en los sensores, el conteo de articulaciones y las convenciones de puntuación entre los datasets.
• Las cifras de costo de comunicación son estimaciones analíticas; el despliegue en el mundo real requiere pruebas de jitter y pérdida de paquetes.
• Las restricciones computacionales impidieron escalar a variantes de modelos más grandes o visualizaciones de relación de características cruzadas más complejas.