通过交互式机器学习实现个性化物理治疗：为诊所内外支持设计的概念性基础设施

研究背景与问题

• 作者发现了什么问题或挑战？

  • 当前的机器学习(ML)技术在物理治疗中的应用大多集中于替代物理治疗师的角色，忽视了这一过程的复杂性和社会性。此外，现有的数据驱动方案往往未能提供对不同个体的个性化支持。
  • 缺乏能够支持在临床内外使用的、可持续的数据收集与反馈的个性化机器学习模型。尤其是，大规模、领域特定的数据集在实际治疗环境中难以获取，这导致了“先有鸡还是先有蛋”(hen-and-egg)的问题。
  • 患者在家中进行训练时可能由于动机不足或对动作正确性的焦虑而中断锻炼，进而影响疗效。

• 为什么这个问题很重要？

  • 物理治疗是一种高度个性化的实践，患者的康复效果强烈依赖于临床内外的训练协同。通过适当的技术支持，可以有效提高治疗方案的依从性和科学性。
  • 当前的替代治疗师模式未能妥善利用和支持人类在治疗过程中的专业技能和社会关系。
  • 针对多样化患者群体的个性化支持至关重要，尤其是在心理障碍（如对动作错误的恐惧）和情绪障碍（如缺乏动力）的背景下。

• 研究动机与相关工作：

  • 通过引入互动式机器学习(interactive ML)，探索能够在资源限制条件下个性化训练模型的可能性。
  • 试图解决ML技术在缺乏大规模数据集情况下的实际应用问题。例如，将ML应用于识别与修正患者动作，并同时收集提高模型性能所需的数据。

解决方案

• 作者提出了哪些方法或解决方案？

  • 提出了一种互动式机器学习为核心的概念基础设施设计，支持物理治疗师和患者在临床和非临床环境中的训练。
  • 在数据收集、个性化反馈以及患者与治疗师之间的社会性互动方面，识别了结合ML技术的多个机会点。
  • 通过使用基于穿戴设备的数据收集技术和联邦学习(federated learning)方法，解决数据隐私问题的同时逐步提升模型性能。

• 该解决方案的创新之处是什么？

  • 强调ML在物理治疗中的价值不仅在于提高效率，还在于支持和增强治疗师与患者之间的互动关系。
  • 探索了将互动式机器学习与迁移学习(transfer learning)结合起来的策略，该策略允许从无数据起步构建个性化模型，并逐步通过真实世界数据改进模型性能。
  • 提议使用触觉、听觉及视觉的多种反馈模式来提高患者对家庭训练的依从性，突破传统ML反馈设计的限制。

• 实施步骤是什么？使用了哪些关键技术？

  1. 数据收集：
     • 在临床内通过传感器收集患者的动作数据，对患者的动作模型进行初步个性化。
     • 在家庭训练中，设备继续收集数据支持进一步的模型优化。
  2. 模型个性化：
     • 使用互动式机器学习对初始数据进行个性化处理，训练模型识别患者的正确动作与错误动作。
     • 结合迁移学习，将个性化模型与通用基础模型进行结合，实现从个体化到普适化的模型扩展。
  3. 反馈设计：
     • 在家庭训练中提供即时反馈，包括动作指导、鼓励和错误修正提示。
     • 在临床内提供综合数据展示，支持治疗师与患者的共同反思和进展追踪。
  4. 隐私保护：
     • 采用联邦学习技术确保患者数据的私密性，同时支持普适化模型的构建。

研究成果

• 取得了哪些具体成果？

  1. 系统性整理了物理治疗作为分布式实践的特性，包括临床和非临床环境中的不同挑战和目标。
  2. 提出了支持临床与非临床循环的互动式机器学习模型的概念框架，与用户交互的可能模式（例如听觉反馈、触觉设备）进行了初步探索。
  3. 通过试验表明穿戴式传感器在捕获常见的动作分类任务中具有足够精度，达到了82.5%的准确率。

• 与现有解决方案相比，它有哪些优势？

  • 不同于现有专注于替代物理治疗师的解决方案，本研究体现了ML技术与临床实践之间的协作可能性，提升了对人类专业技能与实践情境的支持。
  • 互动式机器学习的引入为解决数据缺乏瓶颈提供了新的路径，使技术从无数据状态逐步走向可用。

• 实验或评估结果是什么？

  • 初步实验表明，当前的技术（如穿戴式IMU传感器和CNN模型）足以支持简单动作分类和错误识别。
  • 专家参与的设计工作坊揭示了各种感官反馈方式（视觉、听觉、触觉）的设计价值。

• 局限性与未来方向：

  • 局限性：
    • 当前研究仅处于概念与探索阶段，尚未开发出完整的产品。
    • 实验选取的运动类型有限（例如蹲起和台阶练习），未覆盖其他可能的复杂动作。
    • 未广泛涉及多样化患者人群的真实生活习惯。
  • 未来方向：
    1. 开发和部署基于互动式ML的应用程序与设备。
    2. 扩展研究范围，涵盖更多种类的锻炼和患者群体。
    3. 进一步探索实时反馈与长期数据积累的结合战略，提高患者的训练参与度及效果。
    4. 研究如何缓解潜在的技术过度使用或依赖问题，确保患者在适当情况下接受手动康复指导。

总结

本文提供了面向个性化物理治疗的框架与可能途径，通过互动式机器学习与多模态反馈设计，提出了支持患者与治疗师协作的技术应用。未来研究需致力于实现该框架并测试其实用性与人机交互潜力。