Искусственный интеллект может сделать домашние упражнения на равновесие более эффективными
Ученые выяснили, что технологии искусственного интеллекта способны значительно повысить эффективность тренировок на равновесие у людей, проходящих физическую реабилитацию. К такому выводу пришла группа исследователей, опубликовавшая результаты работы в научном журнале Journal of NeuroEngineering and Rehabilitation.
Как показало исследование, пациентам достаточно использовать всего четыре носимых датчика, закрепленных на бедрах и в области верхней и нижней части спины, чтобы получать точную и своевременную обратную связь о качестве выполнения упражнений на равновесие в домашних условиях. Алгоритмы машинного обучения анализируют движения человека и в режиме реального времени оценивают сложность и корректность тренировок.
По словам руководителя исследования, профессора машиностроения Мичиганского университета Кэтлин Сиенко, созданная модель обучалась на данных с носимых сенсоров и научилась прогнозировать оценки, которые обычно выставляют физиотерапевты. На основе этих прогнозов система может рекомендовать наиболее подходящий уровень сложности упражнений для дальнейших занятий. Такая цифровая поддержка, по мнению авторов, особенно полезна в промежутках между визитами к специалисту или после завершения курса терапии, оплачиваемого страховыми программами.
Тренировки на равновесие играют ключевую роль в профилактике падений у пожилых людей, а также у пациентов с двигательными и сенсорными нарушениями, помогая им дольше сохранять самостоятельность. В клинических условиях физиотерапевты постоянно наблюдают за пациентами и корректируют нагрузку, однако при домашних занятиях такой контроль отсутствует, что снижает эффективность реабилитации.
Для разработки алгоритма ученые записали на видео выполнение упражнений разной сложности, используя сначала 13 датчиков, закрепленных на теле участников. Эти записи стали основой для обучения искусственного интеллекта распознавать уровень сложности поддержания равновесия. Затем видеоматериалы оценили практикующие физиотерапевты. Сравнение показало, что выводы ИИ совпадали с мнением специалистов почти в 90 процентах случаев. При этом выяснилось, что для сохранения высокой точности достаточно данных всего с четырех датчиков.
Исследователи отмечают, что подобные технологии особенно актуальны для людей, живущих в регионах с ограниченным доступом к физиотерапевтической помощи, включая сельские районы. В таких местах найти специалиста по реабилитации равновесия бывает крайне сложно, а использование ИИ может частично восполнить этот дефицит.
В то же время авторы подчеркивают, что перед массовым внедрением подобных решений необходимы дополнительные испытания. По их словам, важно тщательно изучить не только преимущества, но и возможные риски применения машинного обучения в сфере физиотерапии. Такие системы должны тестироваться на реальных данных и использоваться под контролем специалистов, чтобы потенциально опасные рекомендации можно было выявить до того, как они нанесут вред пациентам.
Как показало исследование, пациентам достаточно использовать всего четыре носимых датчика, закрепленных на бедрах и в области верхней и нижней части спины, чтобы получать точную и своевременную обратную связь о качестве выполнения упражнений на равновесие в домашних условиях. Алгоритмы машинного обучения анализируют движения человека и в режиме реального времени оценивают сложность и корректность тренировок.
По словам руководителя исследования, профессора машиностроения Мичиганского университета Кэтлин Сиенко, созданная модель обучалась на данных с носимых сенсоров и научилась прогнозировать оценки, которые обычно выставляют физиотерапевты. На основе этих прогнозов система может рекомендовать наиболее подходящий уровень сложности упражнений для дальнейших занятий. Такая цифровая поддержка, по мнению авторов, особенно полезна в промежутках между визитами к специалисту или после завершения курса терапии, оплачиваемого страховыми программами.
Тренировки на равновесие играют ключевую роль в профилактике падений у пожилых людей, а также у пациентов с двигательными и сенсорными нарушениями, помогая им дольше сохранять самостоятельность. В клинических условиях физиотерапевты постоянно наблюдают за пациентами и корректируют нагрузку, однако при домашних занятиях такой контроль отсутствует, что снижает эффективность реабилитации.
Для разработки алгоритма ученые записали на видео выполнение упражнений разной сложности, используя сначала 13 датчиков, закрепленных на теле участников. Эти записи стали основой для обучения искусственного интеллекта распознавать уровень сложности поддержания равновесия. Затем видеоматериалы оценили практикующие физиотерапевты. Сравнение показало, что выводы ИИ совпадали с мнением специалистов почти в 90 процентах случаев. При этом выяснилось, что для сохранения высокой точности достаточно данных всего с четырех датчиков.
Исследователи отмечают, что подобные технологии особенно актуальны для людей, живущих в регионах с ограниченным доступом к физиотерапевтической помощи, включая сельские районы. В таких местах найти специалиста по реабилитации равновесия бывает крайне сложно, а использование ИИ может частично восполнить этот дефицит.
В то же время авторы подчеркивают, что перед массовым внедрением подобных решений необходимы дополнительные испытания. По их словам, важно тщательно изучить не только преимущества, но и возможные риски применения машинного обучения в сфере физиотерапии. Такие системы должны тестироваться на реальных данных и использоваться под контролем специалистов, чтобы потенциально опасные рекомендации можно было выявить до того, как они нанесут вред пациентам.
Автор: Павлова Ольга
Вчера, 14:57
Вчера, 14:57
