ચળવળ અને મુદ્રા વિશ્લેષણ: વિડિઓ અને કૃત્રિમ બુદ્ધિ

નફો:

• વિડિયો-આધારિત પોઝ અંદાજ સાધનો માપી શકે છે તે સમજવું અને ફિઝીયોથેરાપીમાં તેઓ ક્યાં ખોટા છે
• ઓબ્ઝર્વેશનલ મૂલ્યાંકન અને વાસ્તવિક માપન સાથે AI-પ્રાપ્ત કોણ, સમપ્રમાણતા અને ગતિ ડેટાને ક્રોસ-વેલિડેટ કરવાની ક્ષમતા
• દર્દીની ગોપનીયતાનું રક્ષણ કરતી વખતે, માપનની ભૂલો અને મર્યાદાઓને જાણીને વિડિઓ વિશ્લેષણની જાણ કરવાની ક્ષમતા

શારીરિક ચિકિત્સકની આંખ દર્દી કેવી રીતે ચાલે છે, સ્ક્વોટ કરે છે, હાથ ઊંચો કરે છે તે જોઈને ઘણું બધું કહે છે. તાજેતરના વર્ષોમાં, આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) એ આ આંખને સમર્થન આપવા માટે એક નવું સાધન રજૂ કર્યું છે: પોઝ અંદાજ; સોફ્ટવેર કે જે માનવ શરીરના સાંધાઓને આપમેળે વીડિયો અથવા ફોટોમાં ચિહ્નિત કરે છે અને કોણ, અંતર અને સમપ્રમાણતાની ગણતરી કરે છે. તે ફોન કેમેરા વડે લીધેલા સ્ક્વોટિંગ વિડિયોમાંથી ઘૂંટણના ખૂણો અને વૉકિંગ વિડિયોમાંથી સ્ટેપ સપ્રમાણતાનો અંદાજ લગાવી શકે છે. આ એક શક્તિશાળી સહાય છે, પરંતુ તેમાં ગંભીર માપન ભૂલો પણ છે. આ એકમમાં તમે શીખી શકશો કે પોઝ અંદાજ શું માપી શકે છે, તે ક્યાં ખોટું છે અને તેનું આઉટપુટ સુરક્ષિત રીતે કેવી રીતે ચકાસવું.

પોઝ અંદાજ શું કરે છે અને તે શું કરી શકતું નથી?

પોઝ એસ્ટીમેશન ટૂલ્સ ઈમેજમાં બોડી પોઈન્ટ્સ (જેમ કે ખભા, કોણી, હિપ, ઘૂંટણ, પગની ઘૂંટી) શોધી કાઢે છે અને તેમાંથી જોઈન્ટ એન્ગલ, બોડી ટિલ્ટ અને સમપ્રમાણતા તફાવત જેવા મૂલ્યોની ગણતરી કરે છે. આ સમયાંતરે પુનરાવર્તિત હિલચાલની તુલના કરવા, દર્દીને દ્રશ્ય પ્રતિસાદ આપવા અને રફ સ્કેન આપવા માટે ઉપયોગી છે. ઉદાહરણ તરીકે, દર અઠવાડિયે દર અઠવાડિયે વધતી જતી દર્દીની સ્ક્વોટની ઊંડાઈનું વિઝ્યુઅલાઈઝ કરવું પ્રેરણાદાયક છે.

જો કે, પોઝ અંદાજ ક્લિનિકલ માપનને બદલતું નથી. જો કેમેરાનો કોણ બદલાય છે, તો કોણનું મૂલ્ય બદલાય છે; છૂટક કપડાં સાંધાને છુપાવે છે; ખરાબ પ્રકાશ મોડેલને મૂંઝવણમાં મૂકે છે; દ્વિ-પરિમાણીય (2D) વિડિયોમાંથી ત્રિ-પરિમાણીય (3D) ગતિને એક્સ્ટ્રાપોલેટ કરવું એ સ્વાભાવિક રીતે અચોક્કસ છે (રોટેશન અને ઊંડાઈ ખોવાઈ ગઈ છે). ગોનિઓમીટર (ક્લિનિકલ સાધન જે સંયુક્ત કોણ માપે છે) વડે માપન હજુ પણ સંદર્ભ છે. એક્સપોઝર અંદાજ તમને "આશરે" કહે છે; તે "ચોક્કસપણે" કહેતું નથી.

સાવધાન: પોઝ અંદાજથી પરિણમેલું કોણ મૂલ્ય સત્તાવાર ક્લિનિકલ માપન નથી. રિપોર્ટમાં લખતા પહેલા પ્રમાણભૂત શરતો હેઠળ ગોનીઓમીટર અથવા માન્ય પદ્ધતિથી પુષ્ટિ કરો. "AI said 47°" વાક્ય ક્લિનિકલ પુરાવા નથી.

માપન ભૂલના સ્ત્રોતો

પોઝ અંદાજની ચોકસાઈને અસર કરતા પરિબળોને જાણવું એ આઉટપુટને યોગ્ય રીતે વાંચવાની ચાવી છે.

ભૂલ સ્ત્રોત

અસર

ઘટાડો માર્ગ

કેમેરા એંગલ

કોણ મૂલ્ય નોંધપાત્ર રીતે બદલાય છે

કેમેરાને ગતિના પ્લેન પર સ્થિર અને લંબ રાખો

કપડાં

સંયુક્ત બિંદુને છુપાવે છે/પાળે છે

ચુસ્ત અથવા ફોર્મ-ફિટિંગ કપડાં, સીમાચિહ્નો

પ્રકાશ

મોડલ પોઈન્ટ ચૂકી જાય છે

સારી, સમાન લાઇટિંગ; પડછાયો નથી

2D-3D નુકશાન

ઊંડાઈ અને પરિભ્રમણ જોઈ શકતા નથી

નિર્ણાયક માપમાં મલ્ટી-એંગલ શૂટિંગ અથવા 3D સિસ્ટમ

અંતર/રિઝોલ્યુશન

ઓછું રિઝોલ્યુશન ભૂલ વધારે છે

સંપૂર્ણ શરીર દૃશ્યમાન, પર્યાપ્ત રીઝોલ્યુશન

પગલું દ્વારા પગલું: સુરક્ષિત રીતે વિડિઓનું વિશ્લેષણ

1. સંમતિ મેળવો. દર્દીને સમજાવો કે વિડિઓ લેવામાં આવશે, તે કેવી રીતે સંગ્રહિત કરવામાં આવશે અને તેનો હેતુ, અને સ્પષ્ટ સંમતિ મેળવો.
2. ધોરણને ઠીક કરો. ખાતરી કરો કે કેમેરાની સ્થિતિ, અંતર, લાઇટિંગ અને કપડાં દરેક માપ માટે સમાન છે (અન્યથા સરખામણી અર્થહીન બની જશે).
3. ખેંચો અને પ્રક્રિયા કરો. સાધન ચલાવો, આઉટપુટ કોણ/સપ્રમાણતા મૂલ્યો મેળવો.
4. અવલોકન સાથે ક્રોસ ચેક. શું તમારું પોતાનું ક્લિનિકલ અવલોકન AI સાથે સુસંગત છે? જો કોઈ વિસંગતતા હોય, તો અવલોકન પર આધાર રાખો, AI પર નહીં.
5. ગોનોમીટર વડે નિર્ણાયક મૂલ્યની પુષ્ટિ કરો. રિપોર્ટમાં સમાવવામાં આવેલ દરેક પાસાને પ્રમાણભૂત પદ્ધતિનો ઉપયોગ કરીને ચકાસવું આવશ્યક છે.
6. મર્યાદા સ્પષ્ટ કરીને જાણ કરો. જેમ કે "એક્સપોઝર અંદાજ, ભૂલના ±X માર્જિન સાથે." ગોપનીયતાનું રક્ષણ કરો.

ત્રણ નાના કેસ (સંખ્યામાં)

કેસ 1 - સ્ક્વોટ ફોલો-અપ. 28 વર્ષીય દર્દી, પેટેલોફેમોરલ પીડા. પ્રથમ સપ્તાહના એક્સપોઝર અંદાજમાં ઘૂંટણનું વળાંક 62° પર દર્શાવવામાં આવ્યું હતું, ગોનિઓમીટર 68° (6° તફાવત, કૅમેરો સહેજ બાજુમાં હતો) માપવામાં આવ્યો હતો. ફિઝિયોથેરાપિસ્ટે કેમેરાને સુધાર્યો, અને પછીના માપમાં તફાવત ઘટીને 2° થયો. 4 અઠવાડિયા પછી, પીડા-મુક્ત સ્ક્વોટિંગ ઊંડાઈ નોંધપાત્ર રીતે વધી; દર્દી માટે સાપ્તાહિક સરખામણી વિડીયો પ્રેરક હતો.

કેસ 2 — હીંડછા સમપ્રમાણતા ભ્રમણા. ઘૂંટણ બદલ્યા પછી 60 વર્ષીય દર્દી. પોઝ અનુમાન 18% સ્ટેપ લંબાઈ અસમપ્રમાણતાની જાણ કરી. પરંતુ દર્દીએ બેગી પેન્ટ પહેર્યું હતું અને કેમેરો કોરિડોરમાં હતો (કોણ નિશ્ચિત નથી). ચુસ્ત કપડાં અને નિશ્ચિત કેમેરા સાથે ફરીથી શૂટમાં, અસમપ્રમાણતા 7% હતી. પાઠ: ખરાબ પરિસ્થિતિઓ ભૂલને બમણી કરી શકે છે; જો પ્રથમ અયોગ્ય મૂલ્યના આધારે ક્લિનિકલ નિર્ણય લેવામાં આવ્યો હોય તો તે એક ભૂલ હશે.

કેસ 3 - શોલ્ડર એલિવેશન. 50 વર્ષની ઉંમરે ફ્રોઝન શોલ્ડર. 2D વિડિયો અપહરણને વધારે પડતો અંદાજ આપે છે કારણ કે હાથ આગળ હતો (હાથ બરાબર લેટરલ પ્લેનમાં ન હતો). ફિઝિયોથેરાપિસ્ટે ગોનોમીટર વડે 95° માપ્યું અને કહ્યું કે AI 112° છે. રિપોર્ટમાં ગોનોમીટર વેલ્યુ લખવામાં આવી હતી, AI વેલ્યુનો ઉપયોગ માત્ર ટ્રેન્ડ ટ્રેકિંગ માટે કરવામાં આવ્યો હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

અહીં, "પ્રોમ્પ્ટ" એ ટેક્સ્ટ છે જે સાધન અને પરિણામ બંનેનું અર્થઘટન કરે છે.

નબળા: "આ વિડિઓમાંથી, દર્દીના ઘૂંટણનો કોણ જણાવો અને રિપોર્ટમાં લખો."

માપનની સ્થિતિ, ભૂલના માર્જિન અને ચકાસણીની અવગણના કરે છે; ખોટી કિંમતને ઔપચારિક બનાવી શકે છે.

Güçlü: "આ પોઝ અંદાજ આઉટપુટમાં ઘૂંટણના વળાંક કોણ પર ટિપ્પણી કરો. કૅમેરા એંગલ, કપડાં અને 2D બાઉન્ડ્રીને કારણે ભૂલના સંભવિત સ્ત્રોતોની સૂચિ બનાવો. મૂલ્યને 'અંદાજિત' તરીકે લેબલ કરો અને સૂચવો કે તે ગોનીઓમીટરથી પુષ્ટિ થવી જોઈએ. ક્લિનિકલ નિર્ણયની ભલામણ કરો."

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

કાર્ય: એક્સપોઝર અંદાજ આઉટપુટનું અર્થઘટન કરો (ક્લિનિકલ માપન તરીકે નહીં). ડેટા: [કોણ/સપ્રમાણતા મૂલ્યો + શૂટિંગની સ્થિતિ: કૅમેરા, અંતર, પ્રકાશ, કપડાં] હું ઇચ્છું છું: (1) મૂલ્યોનો સારાંશ, (2) ભૂલના સંભવિત સ્ત્રોતો, (3) કયા મૂલ્યોને ગોનોમીટર પુષ્ટિની જરૂર છે, (4) "અંદાજિત" લેબલ. નિર્ણય ન લો, ફક્ત અર્થઘટન કરો અને ચકાસણી સૂચવો.

કાર્ય: પ્રમાણભૂત એક્વિઝિશન પ્રોટોકોલ ચેકલિસ્ટ તૈયાર કરો. સંદર્ભ: [ગતિ માપવામાં આવશે, દા.ત. સ્ક્વોટિંગ / શોલ્ડર એડક્શન / વૉકિંગ] હું ઇચ્છું છું: કૅમેરાની સ્થિતિ, અંતર, કોણ, લાઇટિંગ, કપડાં, અને પુનરાવર્તિતતા માટે આઇટમાઇઝ્ડ ચેકલિસ્ટ. તુલનાત્મક માપન માટે.

કાર્ય: બે અલગ-અલગ સત્રોમાંથી એક્સપોઝર ડેટાની તુલના કરો. ડેટા: સત્ર 1 [મૂલ્યો] / સત્ર 2 [મૂલ્યો] / શરતો સમાન છે: [હા/ના] હું ઇચ્છું છું: ફેરફારનો સારાંશ + ચેતવણી કે શું ફેરફાર માપની ભૂલ અથવા વાસ્તવિક પ્રગતિને કારણે હોઈ શકે છે. જો શરતો અલગ હોય, તો સરખામણીને અમાન્ય કરો.

કાર્ય: દર્દી માટે સાદી ભાષામાં શોધતા વિડિયો વિશ્લેષણનો અનુવાદ કરો. શોધવું: [તકનીકી કોણ/સપ્રમાણતા સારાંશ] નિયમ: પ્રેરક પરંતુ અલ્પોક્તિ, "અંદાજિત માપન" જણાવો, ભય પેદા કરશો નહીં, ફક્ત આગળનું પગલું સમજાવો.

ટીપ: એક્સપોઝર અંદાજનો સૌથી શક્તિશાળી ઉપયોગ એ વલણ છે, સંપૂર્ણ મૂલ્ય નહીં. એક જ પ્રમાણભૂત સ્થિતિમાં અઠવાડિયા દર અઠવાડિયે પરિવર્તન જોવાનું એક વખતના "ખાતરી" એંગલનો દાવો કરવા કરતાં વધુ વિશ્વસનીય અને પ્રેરણાદાયક છે.

વિઝ્યુઅલ પ્રતિસાદનું પ્રેરક મૂલ્ય

પોઝ અંદાજની માપનની ચોકસાઈ વિવાદાસ્પદ હોવા છતાં, દર્દીને વિઝ્યુઅલ પ્રતિસાદ આપવામાં તેનું મૂલ્ય મહાન છે. જ્યારે દર્દી તેમની સ્ક્વોટની ઊંડાઈ અથવા હાથની ઊંચાઈની અઠવાડિયે દર અઠવાડિયે વધતી જતી છબીઓ જુએ છે, ત્યારે તેઓ "તમે પ્રગતિ કરી રહ્યાં છો" ના અમૂર્ત વાક્ય કરતાં વધુ મજબૂત રીતે પ્રેરિત થાય છે. આ વર્તન વિજ્ઞાનના સિદ્ધાંત પર આધારિત છે કે મૂર્ત અને દૃશ્યમાન પ્રગતિ પ્રતિબદ્ધતામાં વધારો કરે છે. આ જ વિઝ્યુઅલનો ઉપયોગ દર્દીને ખોટી હલનચલન પેટર્ન દર્શાવવા માટે પણ થઈ શકે છે (દા.ત., ઘૂંટણ ઘસવું જ્યારે સ્ક્વોટિંગ થાય છે); જ્યારે દર્દી તેને બહારથી જુએ છે ત્યારે તેની પોતાની હલનચલન વધુ સરળતાથી સુધારવાનું શીખે છે. પરંતુ અહીં પણ નિયમ રહે છે: વિઝ્યુઅલનો ઉપયોગ પ્રેરક અને શિક્ષણ સાધન તરીકે કરો, ચોક્કસ ક્લિનિકલ માપનના દાવા તરીકે નહીં. દર્દીને કહેવું "આ અંદાજિત માપ છે, તે તમારો વલણ દર્શાવે છે" પ્રમાણિકતા અને વિશ્વાસ જાળવી રાખે છે.

ટીપ: દર્દીના પોતાના ઈતિહાસ સાથે સરખામણી કરવા પર વિઝ્યુઅલ ફીડબેકનો આધાર બનાવો, ચોક્કસ સંખ્યા પર નહીં. સંદેશ "છેલ્લા અઠવાડિયે કરતાં વધુ ઊંડો અને વધુ સંરેખિત" સંદેશ "બેન્ડ ઘૂંટણ 68°" કરતાં સલામત અને વધુ પ્રેરક બંને છે.

સામાન્ય ભૂલો

• ક્લિનિકલ માપન માટે AI કોણ ભૂલવું. દંભ અંદાજ અનુમાન છે; ગોનોમીટર એ સંદર્ભ છે.
• શરતો પ્રમાણભૂત નથી. અલગ-અલગ કેમેરા/લાઇટ/કપડાં સાથે શૂટ કરેલા વીડિયોની સરખામણી ભ્રામક છે.
• 2D મર્યાદા ભૂલી જવું. 2D વિડિયો પરિભ્રમણ અને ઊંડાઈને સંડોવતા હલનચલનમાં ગંભીર ભૂલો આપે છે.
• સંમતિ મેળવવી નહીં. દર્દીનો વિડિયો ખાસ ડેટા છે; સ્પષ્ટ સંમતિ અને સુરક્ષિત સંગ્રહ જરૂરી છે.
• અવલોકન અમાન્ય કરવા માટે. જો AI ક્લિનિકલ અવલોકન સાથે વિરોધાભાસી હોય, તો અવલોકન પર વિશ્વાસ કરો, પછી કારણની તપાસ કરો.
• અસુરક્ષિત રીતે વિડિઓ સ્ટોર કરી રહ્યાં છીએ. ક્લાઉડમાં ઓળખી શકાય તેવા દર્દીના વીડિયોને અસુરક્ષિત રાખવો એ KVKK ઉલ્લંઘન છે.

સારાંશમાં

વિડિયો-આધારિત પોઝ અંદાજ એ ગતિને ટ્રેક કરવા અને તેની તુલના કરવા અને દર્દીને દ્રશ્ય પ્રતિસાદ આપવા માટે મૂલ્યવાન સહાય છે; જો કે, કેમેરા એંગલ, કપડા, લાઇટિંગ અને 2D-3D નુકશાનને કારણે માપન ભૂલ થવાની સંભાવના છે. આઉટપુટને "અંદાજ" તરીકે ગણો, શરતોને પ્રમાણિત કરો, ગોનીઓમીટર વડે નિર્ણાયક મૂલ્યોની ચકાસણી કરો અને ટ્રેન્ડ ટ્રેકિંગ માટે સૌથી વધુ ઉપયોગ કરો. દર્દીનો વિડિયો ખાનગી ડેટા છે; મંજૂરી અને સલામત સંગ્રહ ફરજિયાત છે.

એપ્લિકેશન કાર્ય

ચળવળ પસંદ કરો (બેસવું, ખભાનું અપહરણ અથવા ચાલવું). બીજા નમૂના સાથે પ્રમાણભૂત શૂટિંગ ચેકલિસ્ટ બનાવો. ધારો કે સમાન હિલચાલને પ્રમાણભૂત રીતે એકવાર "શૂટ" કરવામાં આવી હતી, એકવાર જાણીજોઈને ખરાબ પરિસ્થિતિમાં (સાઇડ કેમેરા, છૂટક કપડાં), અને પ્રથમ ટેમ્પલેટ બે આઉટપુટ વચ્ચેના તફાવતનું અર્થઘટન કરે છે. ગોનીયોમીટર વડે કયા મૂલ્યની પુષ્ટિ કરવાની જરૂર છે તે ચિહ્નિત કરો.

ચેકલિસ્ટ

• [ ] મેં દર્દીના વીડિયો માટે સ્પષ્ટ સંમતિ મેળવી છે અને તેને સુરક્ષિત રાખ્યો છે.
• [ ] મેં શૂટિંગની શરતો (કેમેરા, અંતર, પ્રકાશ, કપડાં)ને પ્રમાણિત કર્યા છે.
• [ ] મેં AI એન્ગલને "અંદાજિત" તરીકે લેબલ કર્યું છે અને તેને સત્તાવાર માપન માન્યું નથી.
• [] મેં મારા ક્લિનિકલ અવલોકન સાથે ક્રોસ-ચેક કર્યું.
• [ ] મેં ગોનોમીટર વડે રિપોર્ટમાં સમાવવા માટેના નિર્ણાયક મૂલ્યોની પુષ્ટિ કરી છે.
• [ ] મેં એક્સપોઝર ડેટાનો ઉપયોગ મોટેભાગે ટ્રેન્ડ ટ્રેકિંગ માટે કર્યો છે, એક વખતનો ચોક્કસ દાવો કર્યો નથી.