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

Sintesi Tecnica: Un Transformer per Nuvole di Punti per il Monitoraggio Remoto e la Valutazione Automatica degli Esercizi di Riabilitazione Fisica

Definizione del Problema
Gli esercizi di riabilitazione fisica sono critici per il ripristino delle funzioni in pazienti con condizioni come la malattia di Parkinson e il mal di schiena. Tuttavia, una riabilitazione efficace richiede un'esecuzione precisa, che è difficile da mantenere senza una supervisione esperta. Attualmente, circa il 90% dei pazienti esegue questi esercizi a casa senza supervisione professionale, portando a una scarsa qualità dell'esercizio, potenziali infortuni e mancanza di motivazione. La valutazione clinica tradizionale si basa sull'ispezione visiva soggettiva, mentre le soluzioni automatizzate esistenti affrontano limitazioni significative:

• Caratteristiche artigianali (Hand-crafted features): Si affidano all'ingegneria manuale da parte di esperti, introducendo bias e richiedendo molto tempo.
• Reti Neurali Convoluzionali (CNN): Spesso non riescono a catturare informazioni spazio-temporali a lungo raggio cruciali nei dati scheletrici.
• Reti Convoluzionali su Grafi Spazio-Temporali (ST-GCN): Utilizzano grafi predefiniti che sono topologicamente simili tra i frame, fallendo nel mappare le informazioni semantiche (come la lunghezza e la direzione delle ossa) o nell'adattarsi a diverse classi di azione.
• Ridondanza dei Dati: I dati grezzi dei sensori (ad esempio, da Kinect) contengono spesso punti spazialmente ridondanti, rumorosi o incompleti, creando uno spazio di input eccessivamente ampio e incline all'overfitting.

Metodologia
Gli autori propongono un framework leggero ed end-to-end che tratta le coordinate dei giunti scheletrici come nuvole di punti e utilizza un Transformer per Nuvole di Punti basato su Curve con Attenzione Assiale. La metodologia si compone di tre fasi principali:

1. Aggregazione di Punti basata su Curve:

   • Per affrontare la ridondanza dei dati e migliorare la rappresentazione delle caratteristiche, il modello adatta una tecnica di aggregazione basata su curve (originariamente derivata da CurveNet).
   • Raggruppamento delle Curve (Curve Grouping): I punti di partenza vengono selezionati tramite un metodo di selezione Top-K. Una politica di "cammino" (walk policy) raggruppa i punti vicini in curve basandosi su un descrittore di stato appreso e una probabilità Gumbel-softmax per evitare cicli.
   • Aggregazione delle Curve: Il modello apprende le relazioni inter-curva e intra-curva tramite pooling attentivo. Genera descrittori di curva e mappature che vengono fusi con la nuvola di punti originale. Questo processo aumenta l'informazione dei punti basandosi sulla posizione e sulla geometria, garantendo rappresentazioni di caratteristiche distinguibili anche per punti sullo stesso piano.

2. Transformer con Auto-Attenzione Assiale:

   • La nuvola di punti aggregata viene inserita in un'architettura transformer.
   • Per migliorare l'efficienza computazionale (riducendo la compless o la complessità da $O(N^2)$ a una scala più gestibile per dati multidimensionali), il modello impiega l'Auto-Attenzione Assiale (Axial Self-Attention).
   • Il tensore di input viene riorganizzato per calcolare l'attenzione lungo assi specifici (ad esempio, tempo e spazio) in modo indipendente. Ciò consente al modello di catturare efficientemente le dipendenze spazio-temporali e identificare l'importanza relativa di specifici giunti senza l'elevato costo computazionale della standard self-attention.

3. Regressione e Punteggio:

   • Il sistema è addestrato come un compito di regressione per predire un punteggio di valutazione quantitativo (normalizzato tra 0 e 1) che rappresenta la somiglianza cinematica tra la performance del paziente e l'esecuzione di un esperto.
   • Il framework supporta sequenze di lunghezza variabile senza richiedere l'allineamento temporale o la segmentazione.

Contributi Chiave

• Rappresentazione Consapevole della Geometria: L'adattamento di una strategia di aggregazione di punti basata su curve all'avanguardia alle nuvole di punti dei giunti scheletrici, preservando le informazioni strutturali e cinematiche.
• Meccanismo di Attenzione Efficiente: L'integrazione dell'auto-attenzione assiale per modellare le dipendenze spazio-temporali e stimare l'importanza a livello di giunto in modo efficiente, rendendo il modello computazionalmente leggero.
• Flessibilità End-to-End: Il framework opera senza ingegneria manuale delle caratteristiche, allineamento temporale o requisiti di sequenza a lunghezza fissa.
• Interpretabilità: Il sistema utilizza i Gradienti Integrati (Integrated Gradients) per visualizzare le attribuzioni a livello di giunto, evidenziando quali parti specifiche del corpo influenzano la qualità del punteggio, offrendo così un feedback azionabile agli utenti.

Risultati Sperimentali
Il modello è stato valutato su tre dataset benchmark pubblici: KIMORE (esercizi per il mal di schiena lombare), UI-PRMD (fisioterapia generale) e IRDS (riabilitazione generale).

• Performance: Il metodo proposto ha raggiunto risultati allo stato dell'arte (SOTA) o competitivi in tutti i dataset.
  • Su UI-PRMD, ha ottenuto punteggi di Deviazione Media Assoluta (MAD) inferiori rispetto ai baseline basati su GCN e CNN (ad esempio, 0.008 MAD rispetto a 0.014 per Deep CNN su Esercizio 1).
  • Su IRDS, ha raggiunto un'elevata precisione (Media 0.9819), superando i metodi baseline GCN e CNN.
  • Su KIMORE, ha dimostrato una performance superiore nei parametri MAD, RMSE e MAPE rispetto agli approcci ST-GCN e altri metodi di deep learning.
• Efficienza: Il modello ha dimostrato significativi incrementi di velocità di inferenza. Su una CPU di classe consumer, ha elaborato i set di test in circa 10 secondi, e su una NVIDIA RTX 3090 in circa 1.09 secondi. Ciò rappresenta un'accelerazione di circa 12.4x rispetto ai baseline ST-GCN, consentendo un feedback in tempo reale.
• Robustezza: La validazione incrociata Leave-One-Subject-Out (LOSO) ha confermato la generalizzabilità e l'invarianza anatomica del modello, con basse deviazioni standard tra i diversi soggetti.
• Visualizzazione: Le visualizzazioni t-SNE hanno mostrato un chiaro raggruppamento tra esercizi accurati, moderati e inaccurati, e le mappe di attribuzione delle caratteristiche hanno identificato con successo i giunti critici per specifici esercizi (ad esempio, colonna vertebrale e polsi per la rotazione del tronco).

Significatività e Rivendicazioni
Il documento sostiene che questo framework offre una soluzione pratica per il monitoraggio remoto e la riabilitazione domiciliare. Combinando l'aggregazione basata su curve con l'attenzione assiale, il sistema gestisce efficacemente il rumore e la ridondanza dei dati grezzi dei sensori mantenendo un'alta precisione e un basso costo computazionale. Gli autori sottolineano che la capacità del modello di fornire un feedback continuo e quantitativo e di identificare errori specifici dei giunti lo rende adatto alla distribuzione in ambienti con risorse limitate dove l'hardware specializzato non è disponibile. Il sistema è progettato per essere scalabile a sequenze di lunghezza variabile e capace di generalizzare attraverso diversi tipi di esercizi senza calibrazione per utente.

Limitazioni Riconosciute
Gli autori notano con modestia alcune limitazioni:

• Non è stata eseguita una validazione cross-dataset a causa delle differenze in sensori, conteggio dei giunti e convenzioni di punteggio tra i dataset.
• Le cifre sui costi di comunicazione sono stime analitiche; la distribuzione nel mondo reale richiede test per jitter e perdita di pacchetti.
• I vincoli computazionali hanno impedito la scalabilità verso varianti di modelli più grandi o visualizzazioni di relazioni tra caratteristiche più complesse.