ACURe
Automatic Classification and Monitoring of Upper-limb Rehabilitation after Stroke
Målet med dette prosjektet er å måle pasientens rehabiliteringsbevegelser nøyaktig og objektivt, samt å bruke modellerings- og maskinlæringsteknikker for å vurdere pasientens tilstand og støtte klinikerne i beslutningsprosessen. Prosjektet har som mål å gi tilgang til persontilpassede data om progresjon og øke pasientens motivasjon under rehabilitering av slagpasienter.
Motivasjon
Årlig rammes mer enn 15 000 personer av hjerneslag i Norge, og antallet forventes å øke med 50 % i løpet av de neste årene på grunn av en aldrende befolkning. Tidlig behandling, tett oppfølging og overvåking samt motiverende rehabiliteringsinnsats er nært knyttet til å lykkes med å gjenvinne motoriske funksjoner etter hjerneslag. Det finnes en rekke kliniske tester (f.eks. Fugl-Meyer Assessment (FMA), Action Research Arm Test (ARAT), Wolf Motor Function Test (WMFT)) som kan brukes til å vurdere pasientenes funksjonsnivå kort tid etter hjerneslag, og til å klassifisere og overvåke pasientenes fremgang i rehabiliteringen.
I dag er terapeutens vurdering av pasientens funksjonelle bevegelser avhengig av terapeutens subjektive vurdering og skåring. Det er et stort potensial for mer automatisk og objektiv funksjonsvurdering av slagpasienter, både for klassifisering, for å bestemme den beste rehabiliteringsstrategien, og for oppfølging, for å følge nøye med på fremgangen og justere treningsplaner og vanskelighetsgrad for øvelser. Den nyeste forskningen på automatiske, objektive funksjonsvurderinger av slagrehabilitering viser at studier som enten bruker optiske målesystemer med bildeanalyse, eller studier som bruker bærbare sensorer (f.eks. Inertial Measurement Units (IMU)), kan automatisere deler av funksjonsvurderingsprosessen, men at de likevel ikke oppnår tilstrekkelig suksessrate når det gjelder klassifisering sammenlignet med terapeutens ekspertvurderinger.
Prosjektets formål og omfang
Det primære målet med prosjektet er å utvikle et automatisert system for estimering og vurdering av menneskelig bevegelse, spesielt skreddersydd for rehabilitering av slagpasienter. Dette systemet vil integrere data fra en rekke sensorer, ved hjelp av en datafusjonstilnærming og en muskel- og skjelettmodell for å generere omfattende bevegelsesestimater. De resulterende estimatene vil bli brukt til å analysere pasientens motoriske funksjon og rehabiliterings fremgang gjennom bruk av ML-algoritmer. En enkel oversikt over det foreslåtte systemet kan sees i fig. 1. Det forventede resultatet av denne forskningen er en ny tilnærming til utvinning og tolkning av bevegelsesdata som vil gi klinikerne innsikt som kan støtte dem i beslutningsprosessen.
Figur 1: Foreslått systemoversikt - Automatisk system for estimering og vurdering av menneskelig bevegelse for rehabilitering av slagpasienter
