AI 기반 재활 모니터링을 위한 단일 및 다중 뷰 카메라 환경에서 환자 방향의 영향
Impact of Patient Orientation in Single- and Multi-View Camera Environments for AI-based Rehabilitation Monitoring
재활 운동의 자동 품질 평가는 비디오 데이터로부터의 정확한 인간 자세 추정(human pose estimation)에 크게 의존한다. 수많은 RGB 기반 자세 추정 방법이 제안되었지만, 임상적으로 중요한 움직임 오류를 검출하는 데 있어 카메라 배치가 미치는 영향은 아직 충분히 연구되지 않았다. 이러한 공백을 해결하기 위해, 우리는 다양한 카메라 각도에서 촬영된 올바른 재활 운동 수행과 잘못된 재활 운동 수행으로 구성된 데이터셋(dataset)인 REHAB26-ViewAngles를 소개한다. 또한, 우리는 알고리즘이 유효한 운동 반복과 잘못된 운동 반복을 구별하는 능력을 정량화하기 위한 새로운 분리도(separability) 지표를 제안한다. 이러한 도구를 사용하여, 우리는 다양한 RGB 기반 자세 추정 전략이 카메라 배치가 달라지는 상황에서 운동 품질 평가에 얼마나 적합한지를 분석한다. 구체적으로, 우리는 단일 카메라 2D 및 3D 자세 추정과 네 가지 다중 카메라 전략—두 개의 직교하는 2D 뷰의 조합, 3D 삼각측량(triangulation), 가중 3D 융합(fusion), 그리고 동기화된 두 대의 카메라로부터 특별히 학습된 AI 기반 자세 추정 트랜스포머(transformer) 모델—을 분석한다. 우리의 연구 결과는 최적으로 배치된 2D 카메라가 일반적으로 사용되는 0° 정면 뷰에 비해 분리도를 16.9% 향상시킬 수 있으며, 단일 카메라 3D 추정보다 자주 더 나은 성능을 보인다는 것을 보여준다. 또한 두 개의 뷰를 결합하면 정확도를 최대 13.1%까지 추가로 향상시킬 수 있다. 이러한 결과는 가정 및 임상 환경 모두에서 재활 모니터링을 배포하는 데 실질적인 지침을 제공한다.