From Video to Clinical Insight: Computer Vision-Based Detection of Upper Limb Compensation Strategies Following Stroke Utilizing SAM3D Body

Het herstel na een beroerte is vaak een verhaal van aanpassing. Wanneer het commandocentrum van de hersenen voor de arm beschadigd is, vindt het lichaam vaak een alternatieve route om de taak te voltooien. Als een persoon niet met de hand naar voren kan reiken omdat de schouderspieren zwak zijn, kan diegene het hele bovenlichaam naar voren buigen of de schouder hoog optillen om de hand dichter bij een beker te brengen. Deze "compensatoire bewegingen" stellen de persoon in staat de taak te voltooien, maar ze kunnen slechte gewoonten worden die voorkomen dat de arm ooit weer leert om correct te bewegen. Decennialang hebben therapeuten vertrouwd op hun eigen ogen om deze sluiproutes tijdens klinische bezoeken op te merken, waarbij ze keken naar een patiënt die naar een object reikt en noteerden of de ruggengraat boog of de schouder optrok. Deze methode is echter beperkt tot de weinige uren die een patiënt in een ziekenhuis doorbrengt, wat het moeilijk maakt om vooruitgang bij te houden of subtiele veranderingen op te merken wanneer de patiënt weer thuis is.

Een team van onderzoekers heeft nu een manier ontwikkeld om deze verborgen bewegingen te zien met niets meer dan een standaard videocamera en een computerprogramma. Door een machine te leren de specifieke hoeken van het lichaam te herkennen, creëerden zij een systeem dat automatisch kan signaleren wanneer een beroeroverlevende deze compensatiestrategieën gebruikt. Het doel was niet om de therapeut te vervangen, maar om hen een hulpmiddel te geven dat rond de klok werkt, waardoor een eenvoudige video-opname wordt omgezet in een gedetailleerd rapport over hoe het lichaam beweegt. Deze aanpak biedt een pad naar het monitoren van herstel in de echte wereld, waar patiënten leven en oefenen, in plaats van alleen in de gecontroleerde omgeving van een laboratorium.

De onderzoekers richtten zich op drie veelvoorkomende manieren waarop het lichaam compenseert tijdens een eenvoudige taak: uitreiken om een waterfles op te pakken en deze naar de mond te brengen. De eerste is het optillen van de schouder weg van de zijkant van het lichaam. De tweede is het naar voren buigen van het bovenlichaam. De derde is het zijwaarts leunen van het bovenlichaam. Om de computer te leren deze te herkennen, rekruteerden het team zesentwintig mensen die tussen één en zes maanden voorafgaand aan de studie een beroerte hadden gehad. Elke deelnemer zat aan een tafel en voerde de reiktaak tien keer uit met de sterkere arm en tien keer met de zwakkere arm. Een tabletcamera legde elke beweging van voren vast.

In plaats van sensoren aan de huid te bevestigen of patiënten speciale pakken te laten dragen, gebruikte het team een geavanceerd computer vision-model genaamd SAM3D Body. Deze software analyseert de videoframes frame voor frame om een driedimensionaal skelet van het lichaam van de persoon op te bouwen, waarbij de positie van de ruggengraat, schouders, ellebogen en polsen in de ruimte wordt gevolgd. De onderzoekers berekenden vervolgens specifieke hoeken voor elke beweging. Om bijvoorbeeld het optillen van de schouder te meten, berekende de computer de hoek tussen de bovenarm en de ruggengraat. Om leunen te meten, mat het hoe ver de ruggengraat afweek van een rechte verticale lijn. Ze keken naar de maximale hoek die werd bereikt, de gemiddelde hoek die werd vastgehouden en hoeveel de hoek veranderde vanaf de startpositie.

Om er zeker van te zijn dat de computer de juiste dingen leerde, bekeken drie menselijke experts — artsen en therapeuten — de video's en labelden elke poging als wel of niet vertonend van een compensatoire beweging. Zij kwamen het voor het overgrote deel van de proeven eens over de labels. De onderzoekers trainden vervolgens een machine learning-algoritme, een type computerprogramma dat patronen leert van gegevens, om deze labels te voorspellen op basis uitsluitend van de berekende hoeken door de camera. Ze testten het systeem met een rigoureuze methode waarbij de computer werd getraind op gegevens van vijfentwintig mensen en vervolgens werd gevraagd de bewegingen van de zesentigste persoon te voorspellen, een proces dat werd herhaald totdat elke deelnemer was getest. Dit zorgde ervoor dat het systeem deze bewegingen kon herkennen bij een nieuw persoon die het nog nooit eerder had gezien.

De resultaten toonden aan dat de computer deze bewegingen met hoge betrouwbaarheid kon identificeren. Voor de schouderlift-strategie was het systeem ongeveer 95,5% van de tijd correct. Voor het zijwaarts leunen was het 87,5% van de tijd correct. De voorwaartse buigbeweging was het moeilijkst te detecteren, met een nauwkeurigheid van 75,6%, maar het algemene succespercentage over alle drie de typen was sterk. De onderzoekers ontdekten dat het systeem het beste werkte voor mensen met ernstigere beperkingen. Bij deze patiënten waren de compensatoire bewegingen groot en duidelijk, waardoor ze gemakkelijk door de computer te spotten waren. Voor mensen met mildere beperkingen waren de bewegingen subtieler en dichter bij normale bewegingspatronen, wat het iets moeilijker maakte om te onderscheiden. Dit suggereert dat het hulpmiddel bijzonder nuttig is voor de patiënten die de meeste hulp nodig hebben, aangezien hun grotere bewegingen de bewegingen zijn die het systeem het meest betrouwbaar vangt.

De studie onthulde ook waarom sommige bewegingen moeilijker te detecteren waren dan andere. Het voorwaartse buigen van de romp is afhankelijk van dieptewaarneming — hoe ver het lichaam naar de camera toe of ervan af beweegt. Omdat het systeem een enkele camera gebruikte, moest het de diepte schatten, wat inherent moeilijker is dan het meten van zijwaartse of op-en-neer bewegingen op een plat scherm. Deze technische beperking verklaart waarom de detectie van het voorwaartse buigen minder nauwkeurig was dan de detectie van de schouder of het zijwaarts leunen. Ondanks dit onderscheidde het systeem succesvol tussen de aangedane arm en de gezonde arm, waarbij het liet zien dat de zwakkere arm consequent grotere compensatoire hoeken veroorzaakte.

De onderzoekers benadrukken dat deze technologie is ontworend om te assisteren, niet om de menselijke beoordeling te vervangen. In een praktische setting zou het systeem fungeren als een filter, door uren aan video te beoordelen en alleen de specifieke pogingen te markeren waar een compensatoire beweging waarschijnlijk voorkwam. Een therapeut zou dan alleen die gemarkeerde momenten kunnen beoordelen, waarbij hij misschien een 3D-reconstructie van het lichaam over de video ziet om de bevinding te bevestigen. Dit zou therapeuten tijd besparen en hen in staat stellen zich te concentreren op de meest relevante gegevens. Het systeem zou ook gebruikt kunnen worden voor monitoring op afstand, waardoor patiënten de taak thuis met een tablet kunnen uitvoeren en de gegevens naar hun zorgteam kunnen sturen. Dit zou een continu beeld van herstel bieden, waarbij zichtbaar wordt of een patiënt verbetert of dat hij tussen klinische bezoeken terugvalt in oude gewoonten.

Hoewel het huidige systeem krachtige computers vereist om de video te verwerken, merken de onderzoekers op dat toekomstige verbeteringen het snel genoeg kunnen maken om op standaard mobiele apparaten te draaien. Ze erkennen ook dat real-world omstandigheden, zoals slechte verlichting of rommelige achtergronden, het systeem zouden kunnen uitdagen, en dat er meer gegevens nodig zijn om de nauwkeurigheid voor mensen met milde beperkingen te verfijnen. Echter, de kernbevinding blijft staan: het is mogelijk om een enkele videocamera en geavanceerde software te gebruiken om objectief te meten hoe een beroeroverlevende beweegt. Door een eenvoudige video om te zetten in een precieze meting van lichaamshoeken, opent dit werk de deur naar een toekomst waarin revalidatie niet alleen een reeks klinische bezoeken is, maar een continue, op gegevens gebaseerde reis naar herstel.