Mänsklig hållningsigenkänning och automatisk poängsättning för idrottsrehabilitering

Smartare stöd för återhämtningsövningar

Alla som genomgått sjukgymnastik vet hur svårt det är att upprepa samma rörelser korrekt, dag efter dag, ofta utan att veta om de är ”tillräckligt bra”. Denna studie presenterar en datorbaserad assistent som övervakar rehabiliteringsövningar via en kamera, tolkar kroppshållning i realtid och automatiskt bedömer hur väl varje rörelse matchar en terapeutgodkänd standard. Målet är att ge patienterna omedelbar, objektiv återkoppling och avlasta vårdpersonalen, samtidigt som rehabiliteringen blir mer precis och mer motiverande.

Varför det spelar roll att följa varje led

Modern idrottsrehabilitering bygger i hög grad på hur noggrant vi kan observera och mäta kroppsrörelser. Traditionella bedömningsmetoder förlitar sig på en terapists öga och erfarenhet, vilket är värdefullt men också subjektivt och tidskrävande. Små fel i hållningen, som en lätt vriden knäställning eller en begränsad axelvinkel, kan sakta ner återhämtningen eller till och med orsaka nya problem, och de är lätta att missa under hektiska mottagningsbesök. Författarna menar att ett digitalt ”andra par ögon” som spårar ledpositioner bildruta för bildruta skulle kunna ge mer konsekventa bedömningar, stödja distansvård och hjälpa till att skräddarsy övningsprogram efter varje persons framsteg.

En digital coach i tre delar

Systemet som författarna byggt fungerar som en pipeline med tre huvudsteg. Först spelar en kamera in personen som utför rehabiliteringsövningar, såsom knäböj, utfall eller armlyft efter ryggoperation. Ett hållningsspårningsverktyg kallat BlazePose omvandlar varje videobildruta till en skelettmodell bestående av 33 nyckelpunkter—höfter, knän, axlar med mera—och fångar hur kroppen är ordnad och rör sig över tid. Därefter analyserar en maskininlärningsmetod känd som random forest mönster i dessa nyckelpunkter och avgör vilken typ av rörelse som utförs och om hållningen verkar normal eller avvikande. Detta hjälper systemet att känna igen många olika övningstyper i verkliga förhållanden, där bakgrunder kan vara röriga och kroppsdelar tillfälligt skymda.

Hur systemet lär sig att bedöma som en expert

Att känna igen en hållning är bara halva problemet; den andra halvan är att graderar hur väl den överensstämmer med en "gulstandard"-rörelse. För detta tillsätter forskarna en särskild typ av parade neurala nätverk som är skickliga på att jämföra saker. Nätverket tränas på par av rörelseexempel: ett från en standardmall och ett från en patient. Det lär sig att mäta hur lika de två är genom att titta på ledpositioner och vinklar över tid. Ett likhetsmått omvandlar sedan denna jämförelse till ett kvalitetsresultat, ungefär som en digital version av en expert som betygsätter mot en checklista. Rörelser som följer standardmallen nära får höga poäng, medan de som avviker för mycket flaggas som undermåliga, vilket gör att systemet kan peka ut vilka övningar som behöver korrigeras.

Sätta den digitala assistenten på prov

För att avgöra om deras verktyg är redo för praktisk användning testade författarna det på två stora samlingar av rörelsedata: en med många vardagliga poser och en annan som fokuserade på yoga och träningsövningar. De jämförde sitt integrerade system med enklare alternativ som antingen använde en grundläggande klassificerare eller en tidsbaserad neuralt nätverk ensam. I dessa tester kände den nya metoden igen kroppshållningar med upp till 98 % noggrannhet, höll felet i uppskattade ledvinklar under ungefär 6 % och producerade rehabiliteringspoäng som överensstämde starkt med expertliknande bedömningar. Den kördes också tillräckligt snabbt—i storleksordningen några till ett par dussin millisekunder per bildruta—för att stödja återkoppling i realtid under träningspass.

Vad detta innebär för patienter och terapeuter

Enkelt uttryckt visar studien att en kamera plus smart programvara pålitligt kan "se" hur människor rör sig, klassificera varje övning och bedöma dess kvalitet på sätt som stämmer väl överens med mänskliga experter. Systemet behöver fortfarande testas i mer varierade miljöer och med olika patientgrupper, men det visar redan att automatiserad hållningsspårning och poängsättning kan bli ett kraftfullt hjälpmedel inom idrottsrehabilitering. Om det förfinas och distribueras i stor skala kan verktyg som detta ge patienterna tydligare vägledning, uppmuntra dem med omedelbar återkoppling och frigöra terapeuter att fokusera på högre nivåbeslut—vilket i slutändan kan förbättra återhämtningsresultat och livskvalitet.

Citering: 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

Nyckelord: idrottsrehabilitering, mänsklig hållningsuppskattning, automatisk rörelsepoängsättning, teknik för fysioterapi, datorseende inom vården