Des lunettes intelligentes aident à la réhabilitation après un AVC

L'accident vasculaire cérébral (AVC) est un gros souci de santé mondiale qui peut provoquer des problèmes graves, y compris la mort et le handicap. L'un des plus grands défis pour les personnes qui survivent à un AVC, c'est la difficulté à utiliser leurs mains. Ce problème rend difficile la réalisation des tâches quotidiennes et impacte leur qualité de vie. La thérapie de Réhabilitation est essentielle pour aider les survivants d'AVC à retrouver l'usage de leurs mains. Cependant, la réhabilitation traditionnelle nécessite souvent une aide constante de professionnels de santé, ce qui peut mettre à mal le système de santé.

Pour relever ce défi, on propose une nouvelle façon d'aider à la réhabilitation des mains en utilisant des Lunettes intelligentes. Ces lunettes peuvent enregistrer ce que voit le porteur, permettant des Exercices de réhabilitation à distance. Cet article détaille une étude sur l'utilisation de lunettes intelligentes pour soutenir les patients ayant subi un AVC dans leur parcours de réhabilitation.

#Le besoin de réhabilitation des mains

Environ 85 % des survivants d'AVC rencontrent des problèmes de fonction des mains. Cela signifie qu'ils ont du mal à effectuer des tâches de base impliquant leurs mains. L'incapacité d'utiliser leurs mains efficacement peut avoir un impact important sur leur vie quotidienne et leur bonheur général.

Pour améliorer la fonction des mains, les patients ayant subi un AVC ont besoin d'un processus de réhabilitation. Ce processus dépend souvent des professionnels de santé, créant ainsi une dépendance à un système déjà saturé. Avec le vieillissement de la population, la demande pour les services de réhabilitation continue d'augmenter, et il n'y a pas assez de professionnels médicaux pour satisfaire ce besoin. Par conséquent, il faut explorer des solutions alternatives, comme les technologies d'assistance.

#Lunettes intelligentes pour la réhabilitation à distance

Ces dernières années, les lunettes intelligentes sont devenues une technologie populaire. Dans cette étude, on se concentre sur des lunettes qui permettent d'enregistrer du point de vue du porteur. Ces lunettes offrent un avantage unique par rapport aux méthodes traditionnelles car elles peuvent capturer comment les patients réalisent leurs exercices de réhabilitation dans leur environnement quotidien, sans nécessiter des installations comme des caméras ou du matériel de réalité virtuelle.

Notre approche consiste à utiliser les vidéos enregistrées avec les lunettes intelligentes pour aider à la réhabilitation. En analysant ces vidéos, on peut reconnaître automatiquement les exercices effectués, évaluer leur qualité et compter le nombre de répétitions.

#Dataset REST-HANDS

Pour évaluer l'efficacité de notre approche, on a créé un dataset appelé REST-HANDS. Ce dataset est le premier du genre, composé de vidéos de personnes effectuant des exercices de mains capturées du point de vue du porteur avec des lunettes intelligentes. Il inclut une variété d'exercices, chacun étiqueté avec des détails comme le type d'exercice, sa Précision, et le nombre de fois qu'il a été répété.

Le dataset REST-HANDS contient une riche collection de vidéos, ce qui le rend plus grand que les datasets similaires. Il a été créé avec l'aide d'un physiothérapeute pour s'assurer que les exercices inclus soient appropriés pour la réhabilitation.

#Processus de collecte de données

Les vidéos pour le dataset REST-HANDS ont été enregistrées par neuf participants portant des lunettes intelligentes. Ces lunettes ont capturé leur point de vue à une résolution de 1264x1264 pixels. Les participants comprenaient des hommes et des femmes, âgés entre 24 et 88 ans, y compris un survivant d'AVC. La diversité des âges aide à rendre notre dataset plus représentatif de la population générale.

Pendant les enregistrements, les participants ont effectué des exercices chez eux, créant un environnement familier. Les exercices ont été expliqués à l'avance, et les participants les ont réalisés pendant 30 secondes. Pour maintenir les conditions de la vie réelle, ils n'ont pas été corrigés sauf s'ils faisaient des erreurs importantes.

#Étiquetage des données

L'étiquetage précis des données est crucial pour une analyse réussie. Chaque vidéo a été annotée manuellement par un professionnel de santé pour spécifier quels exercices étaient exécutés et comment ils étaient réalisés. Ce processus incluait :

1. Étiquetage du type d'exercice et de la durée: Le physiothérapeute a examiné chaque vidéo et a catégorisé les exercices en fonction de leurs mouvements. Des horodatages ont été ajoutés pour marquer quand chaque exercice a commencé et a fini.

2. Annotations de correction: Le physiothérapeute a attribué des étiquettes indiquant si chaque répétition était correcte ou incorrecte. Ce processus a permis des évaluations détaillées de la forme des exercices.

3. Annotations de comptage: Pour compter combien de fois chaque exercice a été réalisé, des segments spécifiques des vidéos ont été échantillonnés au hasard et étiquetés avec le nombre de répétitions.

Le dataset résultant contient des milliers de clips vidéo, permettant une analyse complète.

#Analyse des vidéos

Une fois le dataset REST-HANDS créé, on a utilisé des techniques avancées d'analyse vidéo pour évaluer les exercices enregistrés. Nos méthodes se concentraient sur trois tâches principales importantes pour la réhabilitation :

1. Reconnaissance des exercices: Identifier quel exercice est en cours d'exécution à partir de la vidéo.

2. Évaluation de la forme des exercices: Déterminer si l'exercice est réalisé correctement en fonction de critères établis.

3. Comptage des répétitions: Compter combien de fois chaque exercice est effectué.

Des modèles d'analyse vidéo de pointe ont été appliqués à chacune de ces tâches. Ces modèles sont conçus pour apprendre différents motifs dans les données vidéo, tenant compte des aspects spatiaux et temporels des mouvements.

#Résultats de l'étude

Les résultats de l'étude sont prometteurs. Grâce aux méthodes mises en place, on a atteint :

• Précision de la reconnaissance des exercices: On a identifié les exercices avec précision 98,55 % du temps.
• Précision de l'évaluation de la forme des exercices: La correction de la forme des exercices a été évaluée avec une précision de 86,98 %.
• Comptage des répétitions: L'erreur moyenne dans le comptage des répétitions n'était que de 1,33, ce qui indique un niveau élevé de précision dans le suivi de combien de fois les exercices ont été complétés.

Ces références montrent le potentiel d'utilisation des lunettes intelligentes et de l'analyse vidéo pour la réhabilitation des mains à distance.

#Défis et recherche future

Bien que les résultats soient encourageants, il reste encore des défis à relever. Certains exercices se sont révélés plus difficiles à analyser avec précision, surtout ceux avec des mouvements minimaux ou rapides. Ces observations soulignent la nécessité de recherches supplémentaires et de développement de méthodologies pour évaluer efficacement la forme des exercices et le comptage des répétitions.

Le dataset REST-HANDS est un pas en avant important dans la réhabilitation des mains à distance, fournissant des solutions indispensables pour répondre à la demande croissante de services de réhabilitation. À mesure que la technologie continue d'évoluer, il y a un grand potentiel pour des outils automatisés qui assistent les survivants d'AVC dans leur parcours de réhabilitation.

#Conclusion

La récupération après un AVC est un défi majeur, en particulier en ce qui concerne la fonctionnalité des mains. Notre étude explore l'utilisation de lunettes intelligentes pour aider les survivants d'AVC dans leur réhabilitation. En créant le dataset REST-HANDS et en appliquant des techniques avancées d'analyse vidéo, nous avons démontré une façon efficace de soutenir la réhabilitation des mains à distance.

Les résultats révèlent que les lunettes intelligentes peuvent jouer un rôle essentiel dans la fourniture d'outils nécessaires aux survivants d'AVC pour retrouver le contrôle de leurs mouvements de mains, aidant ainsi à améliorer leur qualité de vie.

En regardant vers l'avenir, nous espérons que la recherche continue mènera à des solutions innovantes qui rendent la réhabilitation plus accessible et efficace, soutenant finalement la population croissante des survivants d'AVC.