Hệ thống Deep Learning đánh giá tiến trình phục hồi chức năng dựa trên Markerless Motion Analysis sử dụng nền tảng OpenCap

1. Giới thiệu

Trong thực hành lâm sàng, biên độ vận động khớp (Range of Motion – ROM) và chất lượng chuyển động phục hồi chức năng vẫn thường được đánh giá bằng thước đo thủ công hoặc cảm quan của bác sĩ. Cách làm này vừa tốn thời gian, vừa mang tính chủ quan, và gần như không hỗ trợ theo dõi tiến trình phục hồi một cách định lượng qua nhiều buổi tập.

Các hệ thống motion capture marker-based trong phòng lab cho độ chính xác cao nhưng chi phí rất lớn, khó triển khai rộng rãi. Những công cụ miễn phí như Kinovea vẫn yêu cầu đo góc từng video bằng tay và không tích hợp cơ chế theo dõi tiến trình dài hạn.

Gần đây, các nền tảng phân tích chuyển động không gắn marker như MediaPipe, OpenPose và đặc biệt là OpenCap đã cho phép trích xuất động học 3D từ video điện thoại. Tuy nhiên, việc tích hợp các công cụ này vào một hệ thống tự động, dễ hiểu cho bác sĩ vẫn còn là khoảng trống nghiên cứu.

2. Mục tiêu đề tài

3. Pipeline hệ thống

Quy trình tổng quát của hệ thống bao gồm các bước chính sau:

1. Thu thập dữ liệu: Sử dụng 2 điện thoại iOS (tripod) và OpenCap web app để ghi hình bài tập (squat, gait…).
2. Xử lý Markerless & Động học 3D: Sử dụng computer vision & musculoskeletal simulation để ước lượng quỹ đạo khớp, lực và moment.
3. Trích xuất đặc trưng: Chuẩn hóa dữ liệu, lọc nhiễu, tính toán biên độ, symmetry index.
4. Mô hình Deep Learning đánh giá: Áp dụng LSTM/Transformer để:
   • Phân loại chuyển động tự nhiên / bất thường.
   • Hồi quy chỉ số Recovery Score.
   • Dự báo xu hướng cải thiện.
5. Dashboard & Báo cáo: Hiển thị đồ thị trực quan hỗ trợ ra quyết định lâm sàng.

4. Ý nghĩa và tiềm năng

Hệ thống được kỳ vọng sẽ giúp chuẩn hóa đánh giá phục hồi chức năng theo hướng định lượng, giảm phụ thuộc vào thiết bị phòng lab đắt đỏ. Về lâu dài, đây sẽ là nền tảng trợ lý số (Digital Assistant) hỗ trợ bác sĩ và bệnh nhân tối ưu hóa kế hoạch tập luyện.