エッジ AI リハビリ姿勢・動作分析：33キーポイント骨格と臨床運動力学評価

利用上の注意

臨床評価を支援するための計測補助ツールであり、医療診断機器ではありません。客観的かつ定量的な運動力学パラメータを提供することを目的としており、医師や理学療法士による専門的診断に代わるものではありません。

このソリューションでできること

システム構成とデータフロー図

エッジ AI リハビリ姿勢・動作分析システム構成図

深層学習による姿勢推定と臨床運動力学評価を4つの機能ドメインに分離してエッジ側で完結させています。エッジスマートカメラが映像取得と33点キーポイント推論を担当し、ヒステリシス状態遷移マシンがROM可動域計測と代償動作の防振判定を実行します。構造化データはWebSocketとRTSPで現場の大画面HUDへ即時出力され、MQTT/Webhook経由で病院の電子カルテ（EMR）システムとも連携可能です。生映像はカメラ外部へ一切流出せず、患者のプライバシーを保護します。

外来リハビリ室、デイケアセンター、在宅訓練などの現場において、肩関節外転やスクワット動作を行う患者に対し、エッジ一体型カメラが全身33点の骨格キーポイントをローカルでリアルタイム推論します。筋力不足に伴う肩甲骨のすくみ（肩すくめ）、体幹の側屈、膝の内折れなどの代償動作が発生した際、画面上のHUDが50ms以内に警告を表示し音声で是正を促すとともに、客観的な関節可動域（ROM）と有効反復回数を記録・集計します。

オープンソース実装：github.com/suharvest/rehab-posture-analysis
機器選定と導入手順：実機導入ガイド（ハードウェア選定とデプロイ手順）

33点解剖学骨格トポロジー
33点骨格モデルを独自再学習。親指/人差し指/小指および踵/つま先の支持三角形を補完し、従来の17点モデルで課題だった四肢末端の未トラッキングを解消。
ミリ秒精度の代償動作検知
3フレーム時系列防振と左右肩峰の高さ偏差比較（>12mm）により、肩すくめや膝の内折れ代償を正確に検出し、不正な回数稼ぎを防止。
生映像の外部流出ゼロ
取得された映像フレームはオンチップのSRAM/DRAM内で推論直後に破棄。出力されるのは座標JSONとアラートのみで、医療プライバシー基準に適合。
エッジ側 24.0 FPS リアルタイム動作
reCamera Pro（RV1126B 3 TOPS）上で 41.7ms の低遅延を達成。大画面HUDの描画追従にも残像や不自然な遅延が発生しません。

実機デモ表示

実機出力画面：訓練者の全身に33色のキーポイントと解剖学的骨格線がリアルタイム重畳され、左側に現在の可動域角度、右側に運動フェーズ・有効回数・動作品質スコアがリアルタイム表示されます。

reCamera Pro上でのリアルタイムリハビリ姿勢追跡：33キーポイント骨格トポロジーとHUD表示

画面には両腕手首、親指・人差し指・小指、下肢の踵・つま先を結ぶ完全なラインが含まれます。肩をすくめる代償動作が発生すると、肩の結線が赤色に変化してハイライト警告されます：

必要なハードウェア

現場では一体型スマートカメラを1台設置するか、既存カメラとエッジボックスを組み合わせて運用します。

	デバイス選定	スペックと構成	選定基準
	reCamera Pro (2GB) 4K大型センサー + 3 TOPS NPU	Rockchip RV1126B · 3 TOPS NPU 2GB LPDDR4	推奨第1候補。リハビリ外来、機能訓練施設。24 FPSの高フレームレートと33点骨格の滑らかな追跡を重視
	reCamera 2002 (8GB) 1/2.8" センサー + 1 TOPS TPU	SOPHGO SG2002 · 1 TOPS TPU 512MB DDR3	高コストパフォーマンス。地域デイケア、在宅リハビリ向け。低消費電力PoE給電での導入に最適

現場での導入手順

1. 設置仕様と撮影条件

設置高さ：1.2〜1.4 m（胸の高さの水平アングル）。見下ろし角は 0°〜5° 以内に抑え、天井からの急角度吊り下げは避けてください；
有効距離：立位全身訓練（スクワット、肩外転）はカメラから 2.0〜3.5 m、座位訓練は 1.5〜2.5 m；
照明条件：照度 ≥ 150 Lux。逆光となる窓正面の配置は避け、関節位置が視認しやすいフィット感のある運動着を推奨。

2. ソフトウェア導入：公式推奨ツールによるデプロイ

本ソリューションはSeeedの自動化デプロイエコシステムに対応しており、CLIツールの solution-cli を使用した自動選型診断とエッジ配信を推奨します。管理コンソールGUIからの操作にも対応しています。

実機導入ガイドを開く 🖱️

推奨手法：`solution-cli` による自動デプロイと環境診断（CLI）

solution-cli は、産業ソリューションおよびエッジAIデバイス向けの公式デプロイツールキットです（実機導入ガイド参照）。コンテナ手動設定不要で、わずか3ステップで配備が完了します。

# 1. solution-cli の確認とインストール（初回のみ）
npm install -g @seeed-studio/solution-cli
# または npx 経由で直接実行：npx @seeed-studio/solution-cli doctor

# 2. 環境診断とデバイススキャン（同一LAN内の reCamera を自動探索）
solution-cli doctor
solution-cli device scan

# 3. パッケージ情報の確認とエッジデバイスへの一括デプロイ
solution-cli hub get rehab_posture_analysis --locale en
solution-cli deploy --solution rehab_posture_analysis --target recamera --host 192.168.42.1

ヒント：Claude Code、Codex、Antigravity などのAIアシスタントをご利用の場合、組み込みの solution-cli スキルを活用して「接続されている reCamera Pro に rehab_posture_analysis をデプロイして」と指示することで、環境チェックと推論エンジンの登録を全自動で実行できます。

代替手法：GUIコンソールからのインストール（SenseCraft Web / App Center）

PCから reCamera の管理用ホットスポットまたはローカルIP（http://<camera_ip>）にアクセスします。
App Center で rehab_posture_analysis を検索します。
Install / Run をクリックすると、ビルド済みINT8モデルが自動取得され常駐起動します。
Open Live HUD をクリックして、ローカルディスプレイやタブレットでリハビリ画面を開きます。

アルゴリズム構成：33点骨格モデルと従来17点モデルの比較

1. 33点骨格トポロジー再学習の理由

一般的なCOCO 17点基準（0:鼻, 1-2:眼, 3-4:耳, 5-6:肩, 7-8:肘, 9-10:手首, 11-12:股関節, 13-14:膝, 15-16:足首）には、リハビリ評価における重大な制約があります：

手部末端の欠落：手首より先に点が存在しないため、前腕の回内・回外（Pronation/Supination）や手の把持開閉が判定できず、肩関節外転時の力点末端が正確に取れません；
足底支持三角形の消失：足首のみでは足底の接地ラインが作れず、スクワット訓練において下肢運動力学の最重要指標である「踵の浮き上がり代償」や「足部内反」を検知できません。

これに対応するため、運動力学データセットに基づき MediaPipe / BlazePose トポロジーに完全準拠した YOLO11n-Pose 33-Keypoint モデル を再学習しました：

                    0: 鼻先
              1-3: 左眼部   4-6: 右眼部
                 7: 左耳     8: 右耳
                 9: 左口角  10: 右口角
                         │
            11: 左肩 ────┴──── 12: 右肩
             │                  │
            13: 左肘           14: 右肘
             │                  │
            15: 左手首         16: 右手首
         ┌───┼───┐          ┌───┼───┐
     17:小指 19:人指 21:親指 18:小指 20:人指 22:親指
                         │
            23: 左股関節 ─┴──── 24: 右股関節
             │                  │
            25: 左膝           26: 右膝
             │                  │
            27: 左足首         28: 右足首
         ┌───┴───┐          ┌───┴───┐
     29:踵     31:つま先  30:踵     32:つま先

2. 従来17点モデル vs 33点再学習モデルの比較

評価軸	従来の COCO 17点モデル	自社再学習 33点モデル	臨床リハビリにおける効果
末端部位の分解能	手首・足首で切断	手部6点（親指/人差し指/小指）＋足部4点（踵/つま先）	指の伸展度を数値化でき、足底支持の力線が完全成立
代償動作検出率	約 68%（肩すくめ・踵浮きを見落としやすい）	94.2%（両肩峰の高さ偏差＋足底角度）	僧帽筋代償やスクワット時のアライメント崩れを高精度検出
エッジ演算遅延	35ms (RV1126B)	41.7ms (RV1126B INT8)	16点追加しても負荷増はわずか 6.7ms、24 FPS のリアルタイム性を維持
モデルサイズ (INT8)	3.8 MB	4.2 MB	極めて軽量で、512MB〜2GB のエッジ組込み環境に最適

開発者向け：拡張機能と2次カスケードモデル構造

本アーキテクチャは、2段階カスケード（Two-Stage Cascade）推論パイプライン をサポートしています。全身33点バックボーンをベースに、必要に応じて局所マイクロモデルを追加可能です：

パノラマ映像ストリーム (1080p)
   │
   ▼ [Stage 1: 全身骨格検出] YOLO11n-Pose 33点検出器
   │                         全身骨格と各関節の高信頼度 Bounding Box を出力
   │
   ├──▶ 分岐 A: [手指リハビリ拡張] 左右手首の ROI (128×128) をクリップ
   │                              21点 Hand-Landmark マイクロモデルを重畳（手指屈伸、握力球把持）
   │
   ├──▶ 分岐 B: [歩行・足部解析] 左右足首・足底の ROI (128×128) をクリップ
   │                              6点足底接地時系列分類器を重畳（扁平足評価、立脚期フェーズ）
   │
   └──▶ 分岐 C: [頭部・視線追従] 頭部・顔面の ROI (160×160) をクリップ
                                  Head-Pose 3Dオイラー角マイクロモデルを重畳（頸椎ROM、頭部前弯評価）

拡張実装の手順：

ROIの切り出し：keypoints_33 から手部点群 [15, 17, 19, 21] を取得し、外接矩形を 15% 拡張してテンソル化；
軽量推論の実行：RKNN / TPU 上の MobileNetV4 / ShuffleNet 軽量モデルへ入力（推論時間 4〜6ms）；
イベント統合：大動作（外転/スクワット）のタイムラインと同期し、「全身姿勢の正確性＋手指把持の達成」を複合判定。

性能と実測データ

リハビリ外来にて収録した 50組の正規動作および典型的な代償動作ビデオデータセットによる実測結果：

1. ハードウェア別性能

ハードウェア	モデルとランタイム	入力解像度	推論遅延	エンドツーエンド FPS	NPU/TPU 負荷
reCamera Pro	YOLO11n-Pose 33kpt INT8 (RKNN)	640×640	38.2 ms	24.0 FPS	~65%
reCamera 2002	YOLO11n-Pose 33kpt INT8 (CVI TPU)	512×512	62.5 ms	14.2 FPS	~82%

2. 運動力学評価の精度指標

可動域（ROM）計測誤差：ゴールドスタンダードである光学式モーションキャプチャ（VICON）比較で、外転角平均絶対誤差 (MAE) は ±2.1°；
病理的代償動作のリコール率：僧帽筋の肩すくめ代償 95.2%、膝関節内折れ代償 93.8%；
防振性能：3フレーム時系列防振により、軽微な体の揺れによる誤カウントの 98.6% を排除。

データインターフェースとプロトコル

1. ローカルリアルタイム HUD (WebSocket)

URL：ws://<camera_ip>:8124/ws/kinematics
ペイロード例：

{
  "timestamp": 1793339665120,
  "phase": "PEAK_HOLD",
  "valid_reps": 5,
  "rom_degrees": 92.4,
  "quality_score": 95.0,
  "compensation": {
    "detected": true,
    "type": "SHOULDER_SHRUG",
    "deviation_val": 14.2
  },
  "keypoints_33": [
    {"id": 0, "name": "nose", "x": 0.512, "y": 0.185, "conf": 0.94}
  ]
}

2. 病院 EMR / 電子カルテ連携 (MQTT)

Broker：mqtt://<camera_ip>:1883
Topic：rehab/telemetry/<camera_sn>/session
送信タイミング：1セット終了時、または継続的な代償動作検知時にトリガーされ、構造化された評価レポートを出力します。

このソリューションでできること​

システム構成とデータフロー図​

33点解剖学骨格トポロジー

ミリ秒精度の代償動作検知

生映像の外部流出ゼロ

エッジ側 24.0 FPS リアルタイム動作

実機デモ表示​

必要なハードウェア​

現場での導入手順​

1. 設置仕様と撮影条件​

2. ソフトウェア導入：公式推奨ツールによるデプロイ​

推奨手法：solution-cli による自動デプロイと環境診断（CLI）​

代替手法：GUIコンソールからのインストール（SenseCraft Web / App Center）​

アルゴリズム構成：33点骨格モデルと従来17点モデルの比較​

1. 33点骨格トポロジー再学習の理由​

2. 従来17点モデル vs 33点再学習モデルの比較​

開発者向け：拡張機能と2次カスケードモデル構造​

拡張実装の手順：​

性能と実測データ​

1. ハードウェア別性能​

2. 運動力学評価の精度指標​

データインターフェースとプロトコル​

1. ローカルリアルタイム HUD (WebSocket)​

2. 病院 EMR / 電子カルテ連携 (MQTT)​