Interaktiv maskininlärning för personlig fysisk träning

I detta projekt undersöker projektgruppen hur maskininlärning kan bli ett integrerat verktyg för att stödja individanpassad fysioterapi i hemmet, utanför kliniken. Med utgångspunkt i vår tidigare forskning om verktyg för samlokaliserad träning, där tränare och elev samarbetar för att individanpassa träningen, går forskarna i detta projekt vidare och utnyttjar maskininlärning så att träningen kan fortsätta hemma.

Målet är att ge fysioterapeuter och patienter tillräcklig kontroll över verktygen för att de ska kunna anpassa dem efter individuella specifika behov. Det viktigaste är att 1) upprätthålla möjligheten att anpassa vad som anses vara ett "korrekt" utförande av träning, och 2) att utveckla interaktions- och förklaringsmekanismer för att interagera med de maskininlärningsbaserade representationerna, så att fysioterapeuter och patienter tillsammans kan anpassa dem efter individens förutsättningar.

Med ny interaktiv teknik – sensorer, aktuatorer och trådlös uppkoppling – blir det allt vanligare med kropps-, rörelse- och biosensor-baserad teknik. Kroppsrörelse är vårt primära sätt att interagera med världen, och i framtiden kommer detta även att inkludera flera typer av artificiell intelligens (AI)-baserade uppkopplade system. Detta gör forskning om design av rörelsebaserad AI kritisk, eftersom tekniska system bokstavligen omskapar användare genom att påverka muskler, nervsystemets reaktioner samt våra beteenden, upplevelser och känslor.

Frågeställningen är central i fysioterapi. Inom människa–datorinteraktion har forskningen om teknik som stöd för fysioterapi fokuserat på stöd och feedback i rehabiliteringsövningar som sker i det egna hemmet, utanför kliniken. Även om sådana övningar vanligtvis har ett normativt förhållningssätt till vad som anses vara korrekta sätt att utföra en viss övning, är i praktiken både vad som anses korrekt och hur rörelser bäst korrigeras, situations- och personberoende.

Den här typen av komplexa och situationsspecifika behov gör det svårt att använda standardmetoder för maskininlärning. Dagens teknik kan ofta bara känna igen en mycket begränsad uppsättning rörelser, och tenderar också att sätta begränsningar på exakt hur rörelsen ska utföras, ibland på sätt som kan vara onaturliga eller till och med riskabla för specifika användare. Tekniken kan också ha begränsningar på vem som kan använda den.