Rehabilitation Exercise Quality Assessment through Supervised Contrastive Learning with Hard and Soft Negatives

运动康复计划已被证明在提高生活质量、降低死亡率和再入院率方面非常有效。利用人工智能算法进行虚拟康复训练，使患者能够独立在家完成锻炼，AI算法分析锻炼数据，向患者提供反馈并更新临床医生的进展情况。这些计划通常会开出多种类型的锻炼，这导致康复锻炼评估数据集面临一个明显的挑战：虽然总体训练样本丰富，但每种单独的锻炼类型的样本数量通常很有限。这种差异影响了现有方法训练具有如此小的每种锻炼样本量的通用模型的能力。针对这个问题，我们的论文引入了一种新的监督对比学习框架，使用硬负样本和软负样本，有效地利用整个数据集来训练适用于所有锻炼类型的单个模型。这个模型采用了空间-时间图卷积网络（ST-GCN）架构，展示了锻炼之间增强的通用性和整体复杂度的降低。通过对三个公开的康复锻炼评估数据集（爱达荷大学物理康复运动数据（UI-PRMD），IntelliRehabDS（IRDS）和运动的运动学评估和临床评分的远程监测（KIMORE））进行广泛的实验，我们的方法已经显示出超越现有方法的能力，创造了康复锻炼评估准确性的新基准。

本论文旨在解决康复锻炼评估数据集中每种运动类型样本数量有限的问题，通过引入一种新的监督对比学习框架来训练适用于所有运动类型的模型。

论文提出的监督对比学习框架包含硬负样本和软负样本，能够有效地利用整个数据集来训练适用于所有运动类型的模型，通过空间-时间图卷积网络（ST-GCN）架构实现了增强的泛化能力和降低的复杂度。

论文使用三个公开的康复锻炼评估数据集进行了广泛的实验，证明了该方法在康复锻炼评估准确性方面优于现有方法，并在该领域设立了新的基准。

最近的相关研究包括：'A Comprehensive Survey on Graph Neural Networks'、'Learning from Demonstrations Using Graph Neural Networks with Interaction-aware Reward Function'、'A Survey on Deep Learning for Multimodal Data Fusion'等。