2019/01/31 14:31

AI能成为你的私人物理治疗助理吗？专家这么说……

物理治疗是康复治疗的一种重要方式，它可以帮助患者恢复因疾病或受伤造成的运动障碍，缓解疼痛，并预防新的损伤和慢性病。近日，爱达荷大学（University of Idaho）的研究人员开发了一套用深度神经网络来辅助物理治疗的AI系统。

▲物理治疗会通过一些运动训练帮助患者恢复运动能力（图片来源：123RF）

物理治疗体系在美国等发达国家已经相当成熟。在物理治疗师的帮助下，患者通过理疗、运动等非侵入医疗方式，可以恢复身体运动功能，提高工作能力和改善生活质量。同时，物理治疗不仅包括在康复机构的治疗，患者在家中和日常进行的康复训练也是康复过程中的重要一环。

问题恰好就出现在家中康复训练的环节。通常来说，患者需要在物理治疗师的领导下，进行数周治疗，并在家中坚持训练才能取得理想的康复效果。可是，由于无人指导，很多患者在家中的训练动作并不标准，延长了康复时间，甚至会造成二次伤害。

爱达荷大学计算机科学系的研究人员对现有的物理治疗评价方法进行了优化，并利用机器学习算法计算运动轨迹来评价患者的运动表现。他们希望借自动化的评价体系为患者提供更准确的训练反馈，提高康复效果。

研究者首先收集了10位身体健康的参与者的人体骨骼、关节和位移数据，并通过光学跟踪系统记录了十组训练动作的数据，其中标准姿势和不标准姿势的训练皆有。通过对运动轨迹的追踪和与标准训练轨迹的对比，研究人员得出了一套计算运动训练的评分体系，并将数据和对应的评分输入进神经网络进行训练。

为了对比不同神经网络的效用，研究人员一共用了三种神经网络模型进行训练：卷积神经网络（CNN）、递归神经网络（RNN）、整体嵌套网络（HNN）。研究人员会在神经网络得出计算分数后，对结果进行调整并反馈给神经网络再次进行计算。如此往复进行五轮后，研究人员发现深度神经网络的计算结果最为精确。

通过对康复运动的评分，AI可以弥补物理治疗师不能随时跟踪患者的缺憾，为患者的训练提供反馈。这能让患者更好地对运动训练进行自我检查，从而缩短康复时间。

不过，AI的本领尚不能完全满足需求。目前对神经网络的训练只选取了身体健康的人群作为样本，还无法根据病情来做出更个性化的追踪和评价。不过，研究者相信，现在的成果已经为AI在物理治疗领域的继续发展打下了基础。

物理治疗在我国尚处于发展期，卫计委也正在鼓励更多康复医疗机构发展落地。在目前供求尚不平衡的状况下，AI是否也有机会为中国的患者提供更多帮助呢？让我们拭目以待吧。

参考资料：

[1] Physical therapy has a new ally: AI. Retrieved Jan 31, 2019 from https://venturebeat.com/2019/01/30/physical-therapy-has-a-new-ally-ai/

[2] What is physical therapy? Retrieved Jan 31, 2019 from https://www.wcpt.org/what-is-physical-therapy

药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康，带你看全AI时代的智慧之光。

产业深度神经网络爱达荷大学医疗健康

相关数据

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

卷积神经网络技术

卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路，卷积神经网路需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据，它可以被认为是以一定时间间隔采样的一维网格，又如图像数据，其可以被认为是二维像素网格。

来源：Goodfellow, I.; Bengio Y.; Courville A. (2016). Deep Learning. MIT Press.维基百科

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

来源：机器之心 Techopedia