Rozpoznawanie pozycji ciała i automatyczne wykrywanie oceny w rehabilitacji sportowej

Inteligentniejsze wsparcie przy ćwiczeniach rekonwalescencyjnych

Każdy, kto przechodził fizjoterapię, wie, jak trudno jest powtarzać te same ruchy poprawnie, dzień po dniu, często nie mając pewności, czy są one „wystarczająco dobre”. W badaniu przedstawiono komputerowego asystenta, który obserwuje ćwiczenia rehabilitacyjne za pomocą kamery, rozumie pozycję ciała w czasie rzeczywistym i automatycznie ocenia, jak dobrze każdy ruch odpowiada standardowi zatwierdzonemu przez terapeutę. Celem jest zapewnienie pacjentom natychmiastowej, obiektywnej informacji zwrotnej oraz odciążenie personelu medycznego, przy jednoczesnym uczynieniu rehabilitacji bardziej precyzyjną i motywującą.

Dlaczego obserwacja każdego stawu ma znaczenie

Nowoczesna rehabilitacja sportowa opiera się w dużej mierze na tym, jak dokładnie potrafimy obserwować i mierzyć ruchy ciała. Tradycyjne metody oceny zależą od oka i doświadczenia terapeuty, co jest cenne, ale także subiektywne i czasochłonne. Małe błędy w postawie, takie jak lekko skręcone kolano czy ogranicony kąt w barku, mogą opóźnić powrót do zdrowia lub nawet spowodować nowe problemy, a jednocześnie łatwo je przeoczyć podczas zatłoczonych sesji w klinice. Autorzy argumentują, że cyfrowa „druga para oczu”, śledząca pozycje stawów klatka po klatce, mogłaby zapewnić bardziej spójne oceny, wspierać opiekę zdalną i pomagać dostosowywać plany ćwiczeń do postępów każdej osoby.

Trójfazowy cyfrowy trener

System opracowany przez autorów działa jak potok z trzema głównymi etapami. Najpierw kamera rejestruje osobę wykonującą ćwiczenia rehabilitacyjne, takie jak przysiady, wykroki czy unoszenia ramion po operacji kręgosłupa. Narzędzie śledzące pozycję o nazwie BlazePose przekształca każdą klatkę w model szkieletowy składający się z 33 punktów kluczowych — biodra, kolana, barki i tak dalej — rejestrując ułożenie ciała i jego ruch w czasie. Następnie metoda uczenia maszynowego znana jako random forest analizuje wzorce w tych punktach kluczowych i decyduje, jaki rodzaj ruchu jest wykonywany oraz czy postawa wygląda na prawidłową czy nieprawidłową. To pozwala systemowi rozpoznawać wiele różnych typów ćwiczeń w warunkach rzeczywistych, gdzie tło jest złożone, a części ciała mogą być chwilowo zasłonięte.

Jak system uczy się oceniać jak ekspert

Rozpoznanie pozycji to tylko połowa problemu; druga połowa to ocena, jak bardzo odpowiada ona „złotemu standardowi” ruchu. W tym celu badacze dodają specjalny rodzaj sparowanej sieci neuronowej, która dobrze radzi sobie z porównywaniem. Sieć jest trenowana na parach przykładów ruchu: jednym z szablonu standardowego ćwiczenia i jednym od pacjenta. Uczy się mierzyć, jak podobne są te dwa przykłady, analizując pozycje stawów i kąty w czasie. Miara podobieństwa przekształca to porównanie w wynik jakości, coś w rodzaju cyfrowej wersji oceny eksperta według listy kontrolnej. Ruchy ściśle odpowiadające szablonowi otrzymują wysokie oceny, podczas gdy te odbiegające znacznie są oznaczane jako niezgodne ze standardem, co pozwala systemowi wskazać, które ćwiczenia wymagają korekty.

Próba pola dla cyfrowego asystenta

Aby sprawdzić, czy ich narzędzie nadaje się do praktycznego użycia, autorzy przetestowali je na dwóch dużych zbiorach danych ruchu: jednym zawierającym wiele codziennych pozy, a drugim skupiającym się na ćwiczeniach jogi i fitnessu. Porównali swój zintegrowany system z prostszymi alternatywami, które albo używały podstawowego klasyfikatora, albo samej sieci czasowej. W tych testach nowa metoda rozpoznawała pozycje ciała z dokładnością sięgającą 98%, utrzymywała błąd w estymowanych kątach stawów poniżej około 6% i generowała oceny rehabilitacyjne zgodne z ocenami w stylu eksperckim. Działała też wystarczająco szybko — w zakresie od kilku do kilkudziesięciu milisekund na klatkę — aby wspierać informację zwrotną w czasie rzeczywistym podczas sesji treningowych.

Co to oznacza dla pacjentów i terapeutów

Mówiąc prościej, badanie pokazuje, że kamera plus inteligentne oprogramowanie mogą wiarygodnie „widzieć”, jak poruszają się ludzie, oznaczać każde ćwiczenie i oceniać jego jakość w sposób spójny z opiniami ekspertów. Chociaż system wymaga jeszcze testów w bardziej zróżnicowanych warunkach i na różnych grupach pacjentów, już wykazuje, że automatyczne śledzenie pozy i ocenianie może stać się potężnym wsparciem w rehabilitacji sportowej. Jeśli zostanie dopracowany i szeroko wdrożony, narzędzia takie mogą dawać pacjentom jaśniejsze wskazówki, motywować ich natychmiastową informacją zwrotną i uwalniać terapeutów do podejmowania decyzji na wyższym poziomie — co ostatecznie może poprawić wyniki rekonwalescencji i jakość życia.

Cytowanie: Peng, X., Mao, X. & Fang, X. Human pose recognition and automated scoring detection for sports rehabilitation. Sci Rep 16, 13545 (2026). https://doi.org/10.1038/s41598-026-43294-1

Słowa kluczowe: rehabilitacja sportowa, estymacja pozycji ciała, automatyczne ocenianie ruchu, technologia fizjoterapii, wizja komputerowa w ochronie zdrowia