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

Resumo Técnico: Um Transformer de Nuvem de Pontos para Monitoramento Remoto e Avaliação Automatizada de Exercícios de Reabilitação Física

Definição do Problema
Exercícios de reabilitação física são críticos para restaurar a função em pacientes com condições como a doença de Parkinson e dor lombar. No entanto, uma reabilitação eficaz exige execução precisa, o que é difícil de manter sem supervisão especializada. Atualmente, aproximadamente 90% dos pacientes realizam esses exercícios em casa sem supervisão profissional, levando à baixa qualidade do exercício, potencial risco de lesão e falta de motivação. A avaliação clínica tradicional baseia-se na inspeção visual subjetiva, enquanto as soluções automatizadas existentes enfrentam limitações significativas:

• Características manuais (Hand-crafted features): Dependem de engenharia manual por especialistas, introduzindo viés e sendo demoradas.
• Redes Neurais Convolucionais (CNNs): Frequentemente falham em capturar informações espaço-temporais de longo alcance cruciais em dados esqueléticos.
• Redes Neurais Convolucionais em Grafos Espaço-Temporais (ST-GCNs): Utilizam grafos predefinidos que são topologicamente semelhantes entre os quadros (frames), falhando em mapear informações semânticas (como comprimento e direção dos ossos) ou em se adaptar a diferentes classes de ação.
• Redundância de Dados: Dados brutos de sensores (ex: Kinect) frequentemente contêm pontos espacialmente redundantes, ruidosos ou incompletos, criando um espaço de entrada excessivamente grande e propenso ao overfitting.

Metodologia
Os autores propõem um framework leve de ponta a ponta que trata as coordenadas das articulações esqueléticas como nuvens de pontos e utiliza um Transformer de Nuvem de Pontos Baseado em Curvas com Atenção Axial. A metodologia consiste em três estágios primários:

1. Agregação de Pontos Baseada em Curvas:

   • Para lidar com a redundância de dados e melhorar a representação de características, o modelo adapta uma técnica de agregação baseada em curvas (originalmente da CurveNet).
   • Agrupamento de Curvas (Curve Grouping): Os pontos iniciais são selecionados via um método de seleção Top-K. Uma política de "caminhada" (walk policy) agrupa pontos vizinhos em curvas baseando-se em um descritor de estado aprendido e uma probabilidade Gumbel-softmax para evitar loops.
   • Agregação de Curvas: O modelo aprende relações intra-curva e inter-curva usando pooling de atenção. Ele gera descritores de curva e mapeamentos que são fundidos com a nuvem de pontos original. Este processo aumenta a informação do ponto com base na posição e geometria, garantindo representações de características distinguíveis mesmo para pontos no mesmo plano.

2. Transformer de Autoatenção Axial:

   • A nuvem de pontos agregada é alimentada em uma arquitetura transformer.
   • Para melhorar a eficiência computacional (reduzindo a complexidade de $O(N^2)$ para uma escala mais gerenciável para dados multidimensionais), o modelo emprega Autoatenção Axial.
   • O tensor de entrada é rearranjado para calcular a atenção ao longo de eixos específicos (ex: tempo e espaço) de forma independente. Isso permite que o modelo capture eficientemente dependências espaço-temporais e identifique a importância relativa de articulações específicas sem o alto custo computacional da autoatenção padrão.

3. Regressão e Pontuação:

   • O sistema é treinado como uma tarefa de regressão para prever uma pontuação de avaliação quantitativa (normalizada entre 0 e 1) representando a similaridade cinemática entre o desempenho do paciente e a execução de um especialista.
   • O framework suporta sequências de comprimento variável sem exigir alinhamento temporal ou segmentação.

Principais Contribuições

• Representação Consciente da Geometria: A adaptação de uma estratégia de agregação de pontos baseada em curvas de última geração para nuvens de pontos de articulações esqueléticas, preservando informações estruturais e cinemáticas.
• Mecanismo de Atenção Eficiente: A integração da autoatenção axial para modelar dependências espaço-temporais e estimar a relevância do nível de articulação de forma eficiente, tornando o modelo computacionalmente leve.
• Flexibilidade de Ponta a Ponta: O framework opera sem engenharia de características manuais, alinhamento temporal ou requisitos de sequência de comprimento fixo.
• Interpretabilidade: O sistema utiliza Gradientes Integrados para visualizar atribuições ao nível de articulação, destacando quais partes específicas do corpo influenciam a pontuação de qualidade, oferecendo assim feedback acionável aos usuários.

Resultados Experimentais
O modelo foi avaliado em três conjuntos de dados de referência públicos: KIMORE (exercícios de dor lombar), UI-PRMD (fisioterapia geral) e IRDS (reabilitação geral).

• Desempenho: O método proposto alcançou resultados de estado da arte (SOTA) ou competitivos em todos os datasets.
  • No UI-PRMD, alcançou pontuações de Desvio Médio Absoluto (MAD) menores em comparação com baselines baseados em GCN e CNN (ex: 0,008 MAD vs. 0,014 para Deep CNN no Exercício 1).
  • No IRDS, alcançou alta precisão (Média 0,9819), superando os métodos baseline de GCN e CNN.
  • No KIMORE, demonstrou desempenho superior nas métricas MAD, RMSE e MAPE em comparação com ST-GCNs e outras abordagens de aprendizado profundo.
• Eficiência: O modelo demonstrou acelerações significativas de inferência. Em uma CPU de consumo, processou conjuntos de teste em ~10 segundos, e em uma NVIDIA RTX 3090, em ~1,09 segundos. Isso representa uma aceleração de ~12,4x sobre os baselines ST-GCN, permitindo feedback em tempo real.
• Robustez: A validação cruzada Leave-One-Subject-Out (LOSO) confirmou a generalização e a invariância anatômica do modelo, com baixos desvios padrão entre diferentes sujeitos.
• Visualização: Visualizações t-SNE mostraram agrupamentos claros entre exercícios precisos, moderados e imprecisos, e os mapas de atribuição de características identificaram com sucesso as articulações críticas para exercícios específicos (ex: coluna e pulsos para rotação de tronco).

Significância e Alegações
O artigo afirma que este framework oferece uma solução prática para monitoramento remoto e reabilitação domiciliar. Ao combinar a agregação baseada em curvas com a atenção axial, o sistema lida efetivamente com o ruído e a redundância dos dados brutos de sensores, mantendo alta precisão e baixo custo computacional. Os autores enfatizam que a capacidade do modelo de fornecer feedback contínuo e quantitativo e identificar erros específicos de articulação o torna adequado para implantação em ambientes com recursos limitados onde hardware especializado não está disponível. O sistema é projetado para ser escalável a sequências de comprimento variável e capaz de generalizar para diferentes tipos de exercícios sem calibração por usuário.

Limitações Reconhecidas
Os autores notam modestamente algumas limitações:

• Não foi realizada validação entre datasets devido às diferenças em sensores, contagem de articulações e convenções de pontuação entre os datasets.
• As figuras de custo de comunicação são estimativas analíticas; a implantação no mundo real requer testes para jitter e perda de pacotes.
• Restrições computacionais impediram a escala para variantes de modelos maiores ou visualizações de relação entre características mais complexas.