基于空间特征与图结构学习的康复训练评分预测模型研究

时间：2025年5月14日

来源：Engineering Applications of Artificial Intelligence

编辑推荐：

针对康复治疗中运动评估自动化需求，研究者提出融合二维卷积神经网络(CNN)与图神经网络(GNN)的C-GNN架构，通过图像分块图结构转化和RMSE关联构建，在KIMORE和UI-PRMD数据集上分别取得0.132和0.029的MAD评分，为资源受限地区提供高效康复评估方案。

康复治疗领域长期面临专业理疗师资源匮乏、评估成本高昂的全球性难题。以孟加拉国为例，每万人仅配备0.094名理疗师，远低于欧洲国家水平。传统LSTM-CNN模型在捕捉运动时空特征时存在局限，而现有虚拟训练系统依赖Kinect等设备采集的运动数据往往难以兼顾局部细节与整体协调性。为此，研究人员创新性地将图像处理与图结构学习相结合，开发出C-GNN混合架构，相关成果发表于《Engineering Applications of Artificial Intelligence》。

研究团队采用三项关键技术：1) 通过Gramian角场(GAF)和马尔可夫转移场(MTF)将时间序列转为二维特征；2) 图像分块后利用均方根误差(RMSE)构建图节点连接；3) 联合CNN特征提取与GNN关系推理的双通道架构。实验采用KIMORE和UI-PRMD两个康复运动基准数据集验证性能。

【AED结果】
训练曲线显示模型损失值快速收敛，验证损失稳定在0.15以下，表明特征提取模块具有良好泛化能力。潜在特征可视化证实模型能有效区分不同运动模式。

【结论】
C-GNN在两项测试中分别达到0.132和0.029的绝对偏差，显著优于传统方法。该架构突破性地实现图像局部特征与全局关系的协同学习，为帕金森病(PD)、脊髓损伤等复杂病症的康复评估提供新范式。未来通过引入SHAP解释性分析，可进一步推动临床转化应用。

讨论部分强调，该方法尤其适用于医疗资源分布不均地区，其自动化评估特性可降低80%以上的康复监测成本。研究同时揭示了图结构学习在运动医学中的普适价值，为多模态康复数据分析开辟了新方向。