Методы оценки состояния опорно-двигательного аппарата в телемедицинских системах физической реабилитации. Учебное пособие

69

-формирование комплекса восстановительных упражнений;

-инициализация выполнения повторений для каждого упражнения;

-сопровождение выполнения повторений для каждого упражнения при помощи голосового ассистента;

-оценка результатов повторений упражнений, завершение упражнений, завершение комплекса упражнений.

Мобильное приложение доступно для загрузки из магазинов мобильных приложений App Store [29-31]. Витрина мобильного приложения с QR-кодом для загрузки представлена на рисунке 24.

Рисунок 24 – Витрина мобильного приложения с QR-кодом для загрузки

Графический интерфейс онлайн-кабинета медицинского работника

Онлайн-кабинет выполнен в виде мобильного сайта, доступного для корректного просмотра на браузерах смартфонов и планшетов на любой операционной системе стационарного компьютера или ноутбука. Онлайн-кабинет включает в себя наличие встроенного комплекса восстановительных упражнений, синхронизируемых с

70

мобильным приложением и базой данных онлайн-кабинета, а также функции уведомления медицинского работника о проблемах у пациента с выполнением упражнений.

Структура графического интерфейса онлайн-кабинета медицинского работника представлена на рисунке 25.

а

б

Рисунок 25 – Структура графического интерфейса разработанного онлайн-кабинета:

а – аутентификация; б – создание комплекса упражнений;

71

в

Рисунок 25 – Окончание:

в – создание карточки упражнения

Как показано на рисунке 25, онлайн-кабинет имеет ряд графических экранных форм, которые позволяют в интуитивном режиме использовать все реализованные функциональные возможности, к которым относятся:

–идентификация пользователя (медицинского персонала);

–индивидуальная корректировка комплекса упражнений, в том числе дистанционно, для мобильного приложения пациента;

–дистанционное формирование новых комплексов восстановительных упражнений с учетом индивидуальных особенностей пациента;

–определение параметров двигательной активности для восстановительных упражнений, результатов повторений упражнений, завершения упражнений, завершения комплекса упражнений;

–дистанционный контроль процесса реабилитации [32].

Онлайн-кабинет доступен в сети Интернет [33].

В телемедицинской системе сопровождения физической реабилитации лечащий врач отслеживал результаты общей оценки качества выполнения комплекса, в том числе амплитуду движения, количество повторений, а также каждого упражнения в отдельности. Пример отображения результатов выполнения упражнений в онлайн-

72

кабинете показан на рисунке 26.

Рисунок 26 – Результаты выполнения упражнений

Согласно данным рисунка 26 результат использования системы сопровождения физической реабилитации заключается в том, что врачу предоставлялась возможность удаленного контроля и анализа процесса физической реабилитации, а также формирования новых комплексов восстановительных упражнений с учетом индивидуальных особенностей пациента.

Вывод врачей по результатам осмотра пациентов после использования телемедицинской системы: легкость и доступность системы существенно повысили заинтересованность в самостоятельном выполнении физической реабилитации в домашних условиях.

Кроме того, данные Интернет-ресурсов позволяют сделать вывод о существенном росте спроса на использование разработанного мобильного приложения. Графики скачивания пакета для установки представлены на рисунке 27.

73

а

б

Рисунок 27 – Динамика скачивания мобильного приложения

а– на ОС iOS; б – на ОС Android

Всоответствии с рисунком 27 указанный спрос характеризует заинтересованность людей в использовании мобильного приложения в целях дистанционной физической реабилитации, что подтверждает актуальность темы и обусловливает целесообразность дальнейшего развития исследований в рассматриваемом направлении. Так, определена необходимость расширения нозологической платформы для двигательной реабилитации всего опорно-двигательного аппарата.

Кроме того, среди 156 участников исследования был проведен опрос с целью определения необходимости расширения функциональных возможностей телемедицинской системы. Получены следующие результаты:

74

–64 % опрошенных указали на важность расширения канала взаимодействия со специалистом;

–61 % опрошенных указали на важность возможности заказа медицинских товаров из телемедицинской системы;

–58 % опрошенных указали на важность расширения функции контроля со стороны специалиста;

–52 % опрошенных указали на важность получения и/или продления рецептов на медикаменты из телемедицинской системы;

–72 % опрошенных указали на важность поддержки актуального состояния справочного материала;

–36 % опрошенных указали на важность предоставления функции взаимодействия (общения) с другими участниками проекта.

75

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1.Навойчик А.И. Общая биомеханика: тексты лекций. – Гродно: ГрГУ, 2000. – 61 с.

2.Донской Д.Д., Зациорский В.М. Биомеханика. М.: ФиС, 1979.–

264 с.

3.Дубровский В.И. Федорова В.Н. Биомеханика: учеб. пособие для сред. и высш. учеб. заведений. – М.: ВЛАДОС-ПРЕСС, 2003.

– 672 с.

4.Скворцов Д.В. Диагностика двигательной патологии инструментальными методами: анализ походки, стабилометрия: моногр. М.: Т.М. Андреева, 2007. – 640 с.

5.Батышева Т.Т., Скворцов Д.В., Труханов А.И. Современные технологии диагностики и реабилитации в неврологии и ортопедии. М.: Медика, 2005. 244 с.

6.Агаджанян Н.А., Быков А.Т., Труханов А.И. Современные технологии восстановительной медицины. – М.: Медицина, 2004. – 288 с.

7.Скворцов Д.В. Клинический анализ движений. Анализ походки. Иваново: НПЦ – «Стимул», 1996. – 344 с.

8.Каторкин С.Е., Яровенко Г.В. и др. Особенности биомеханических изменений опорно-двигательной системы при хронической лимфовенозной недостаточности нижних конечностей // Новости хирургии. 2010. Т. 18, № 6. С. 50-57.

9.Гаранин Е.О., Лысенко А.Ф. и др. Автоматизированный биомехатронный подход к реабилитации пациентов травматолого-ортопедического профиля // Молодой исследователь Дона. 2017. Т. 5, № 2. С. 46-51.

10.The Gold Standard in Gait Analysis for 26 years [Электронный ресурс] // GAITRite: сайт. 1994. URL: https://www.gaitrite.com/ (дата обращения: 24.12.2022).

11.AMTI Force and Motion [Электронный ресурс] // AMTI: сайт. 2013. URL: https://www.amti.biz/ (дата обращения: 24.12.2022).

12.Bertec [Электронный ресурс] // Bertec: сайт. 1993. URL: https://www.bertec.com/ (дата обращения: 24.12.2022).

13.Гамбурцев В.А. Гониометрия человеческого тела. – М.: Медицина, 1973.– 200 с.

14.Jonsson P. Comparison of Measurement Accuracy between Two Types of Wrist Goniometer Systems // Appl Ergon. 2001. Vol. 32, No. 6. p. 599-607.

76

15.Бернштейн Н.А. Физиология движений и активность. – М.: Наука, 1990. – 496 с.

16.Бернштейн Н.А. Очерки по физиологии движений и физиологии активности. М.: Медицина, 1966. – 349 с.

17.Анохин П.К. Очерки по физиологии функциональных систем. М.: Медицина, 1975. – 306 с.

18.Superior Motion Capture [Электронный ресурс] // Motion Capture Camera and Software Leader: сайт. 2022. URL: https://motionanalysis.com/ (дата обращения: 25.12.2022).

19.VICON [Электронный ресурс] // Motion Capture Camera and Software Leader: сайт. 1979. URL: https://www.vicon.com/ (дата обращения: 25.12.2022).

20.Qualisys [Электронный ресурс] // Motion Capture Camera and Software Leader: сайт. 1979. URL: https://www.qualisys.com/ (дата обращения: 25.12.2022).

21.The Enterprise VR Platform [Электронный ресурс] // Virtualware: сайт. 2004. URL: https://www.virtualwareco.com/ (дата обращения: 26.12.2022).Innovative Medical Systems [Электронный ресурс] // Habilect: сайт. 2015. URL: https://habilect.com/ (дата обращения: 26.12.2022).

22.Алпатов А.В., Ашапкина М.С., Чекушин А.А. Система поддержки выполнения реабилитационных упражнений для коленного сустава на базе смартфона // Международный научно-прикладной журнал «Биомедицинская радиоэлектроника». М.: Радиотехника, 2018. № 8. –C. 45-53.

23.Dam E.B., Koch M., Lillholm M. Quaternions, Interpolation and Animation // Denmark: Universitetsparken 1, 1998. 103 p.

24.Xsens [Электронный ресурс] // Movella: сайт. 2003. URL: https://www.movella.com/products/xsens#overview (дата обращения: 30.12.2022).

25.Патент на изобретение RU № 2692535 С1, МПК A61B 5/11, Способ реабилитации и восстановления двигательной активности под аудиовизуальным самоконтролем / Алпатов А.В., Ашапкина М.С. // Зарегистр. в реестре 25.06.2019 г.

26.Алпатов А.В., Ашапкина М.С. Разработка метрик для распознавания физических упражнений в системах удаленной реабилитации // Вестник РГРТУ. 2018. № 66. Часть 1. С. 139-146.

27.Alpatov A.V., Ashapkina M.S., Kolpakov A.V., Sablina A.V. Metric for Exercise Recognition for Telemedicine Systems // Proceedings

77

2019 8th Mediterranean Conference on Embedded Computing, MECO 2019. – Budva, 2019. p. 668-671.

28.Нефитнес – зарядка для колена [Электронный ресурс] // App Store: сайт. 2017. URL: https://apps.apple.com/ru/app/нефитнес-

зарядка-для-колена/id1423058234 (дата обращения: 14.02.2023).

29.Нефитнес – Здоровая спина [Электронный ресурс] // App Store:

сайт. 2020. URL: https://apps.apple.com/us/app/нефитнес-

здоровая-спина/id1527920277 (дата обращения: 14.02.2023).

30.Здоровая спина – упражнения для позвоночника. [Электронный ресурс] // Google Play: сайт. 2020. URL: https://play.google.com/store/apps/details?id=ru.biotechproducts.he althful (дата обращения: 14.02.2023).

31.Ashapkina M.S., Alpatov A.V., Sablina V.A. Online System for Involving Patients in Home-Base Rehabilitation Programs for the Knee Joint // Proceedings 2020 9th Mediterranean Conference on Embedded Computing, MECO 2020. – Budva, 2020. p. 730-733. DOI 10.1109/MECO4987.

32.Нефитнес Online [Электронный ресурс] // Сервис удаленной поддержки амбулаторной реабилитации и ЛФК: сайт. 2018.

URL: nefitnes.s3.web-creator.ru (дата обращения: 14.02.2023).

33.A. Agarwal and B. Triggs. 3D human pose from silhouettes by relevance vector regression. In Proc. CVPR, 2004. 2

34.Y. Amit and D. Geman. Shape quantization and recognition with randomized trees. Neural Computation, 9(7):1545–1588, 1997. 4

35.D. Anguelov, B. Taskar, V. Chatalbashev, D. Koller, D. Gupta. Discriminative learning of markov random fields for segmentation of 3D scan data. In Proc. CVPR, 2005. 2

36.S. Belongie, J. Malik, and J. Puzicha. Shape matching and object recognition using shape contexts. IEEE Trans. PAMI, 24, 2002. 4

37.L. Bourdev and J. Malik. Poselets: Body part detectors trained using 3D human pose annotations. In Proc. ICCV, 2009. 2

38.C. Bregler and J. Malik. Tracking people with twists and exponential maps. In Proc. CVPR, 1998. 1, 2

39.L. Breiman. Random forests. Mach. Learning, 45(1):5–32, 2001. 4

40.D. Comaniciu and P. Meer. Mean shift: A robust approach toward feature space analysis. IEEE Trans. PAMI, 24(5), 2002. 1, 5

41.P. Felzenszwalb and D. Huttenlocher. Pictorial structures for object recognition. IJCV, 61(1):55–79, Jan. 2005. 2

42.R. Fergus, P. Perona, and A. Zisserman. Object class recognition by unsupervised scale-invariant learning. In Proc. CVPR, 2003. 1

78

43.V. Ganapathi, C. Plagemann, D. Koller, and S. Thrun. Real time motion capture using a single time-of-flight camera. In Proc. CVPR, 2010. 1, 5, 7, 8

44.D. Gavrila. Pedestrian detection from a moving vehicle. In Proc. ECCV, June 2000. 7

45.D. Grest, J. Woetzel, and R. Koch. Nonlinear body pose estimation from depth images. In In Proc. DAGM, 2005. 1, 2

46.S. Ioffe and D. Forsyth. Probabilistic methods for finding people. IJCV, 43(1):45–68, 2001. 2

47.E. Kalogerakis, A. Hertzmann, and K. Singh. Learning 3D mesh segmentation and labeling. ACM Trans. Graphics, 29(3), 2010. 2

48.S. Knoop, S. Vacek, and R. Dillmann. Sensor fusion for 3D human body tracking with an articulated 3D body model. In Proc. ICRA, 2006. 1, 2

49.V. Lepetit, P. Lagger, and P. Fua. Randomized trees for real-time keypoint recognition. In Proc. CVPR, pages 2:775–781, 2005. 4

50.T. Moeslund, A. Hilton, and V. Kruger. A survey of advances in vision-based human motion capture and analysis. CVIU, 2006. 2

51.F. Moosmann, B. Triggs, and F. Jurie. Fast discriminative visual codebooks using randomized clustering forests. In NIPS, 2006. 4

52.G. Mori and J. Malik. Estimating human body configurations using shape context matching. In Proc. ICCV, 2003. 2

53.R. Navaratnam, A. W. Fitzgibbon, and R. Cipolla. The joint manifold model for semi-supervised multi-valued regression. In Proc. ICCV, 2007. 2

54.H. Ning, W. Xu, Y. Gong, and T. S. Huang. Discriminative learning of visual words for 3D human pose estimation. In Proc. CVPR, 2008. 2

55.R. Okada and S. Soatto. Relevant feature selection for human pose estimation and localization in cluttered images. In Proc. ECCV, 2008. 2

56.C. Plagemann, V. Ganapathi, D. Koller, and S. Thrun. Real-time identification and localization of body parts from depth images. In Proc. ICRA, 2010. 1, 2, 7

57.R. Poppe. Vision-based human motion analysis: An overview. CVIU, 108, 2007. 2

58.J. R. Quinlan. Induction of decision trees. Mach. Learn, 1986. 4

59.D. Ramanan and D. Forsyth. Finding and tracking people from the bottom up. In Proc. CVPR, 2003. 2