基于力反馈的脑卒中患者腕部运动功能定量评估系统

　　脑卒中是由血管原因引起的中枢神经系统急性局灶性损伤引起的神经功能缺损，包括脑梗塞、脑出血等，是全世界范围内残疾和死亡的主要原因之一。脑卒中所引起的上肢运动功能障碍及腕部功能障碍严重影响了卒中患者的正常工作和生活。上肢运动功能的改善和康复是中风患者康复的核心要素，这可以极大地提高患者的康复治疗效果并减少残疾。目前，中风后上肢功能的康复训练以及结果评估的方法都得到了大量的研究和实验证明，上肢远端——腕部运动功能在康复训练及评估的研究领域却得到较少关注，脑卒中患者腕部运动功能的有效干预和康复研究对其生活质量的改善和最大限度的恢复中风后上肢整体功能具有极大的意义。 

　　基于触觉力反馈设备及机器学习算法设计了一种脑卒中患者腕部运动功能定量评估系统，其整体工作流程如图1所示。 

图1 基于力反馈的腕部功能定量评估系统工作流程 

　　如图2所示，为定量评估系统上位机控制软件的数据采集界面。红色框中显示的是在XY平面内的实时轨迹与实验任务给定的图形曲线的对比，黄色框中显示的是Novint Falcon的改造手柄在空间坐标系Z轴中的坐标变化，用于辅助受试者在实验过程中更好的操纵手柄完成实验任务；蓝色框中单独显示了实验中受试者实时运动轨迹；绿色框中展示了实验过程中的操作按钮和数据输出部分，包括数据保存按钮、停止实验按钮以及力反馈大小，手柄在XY坐标系中的位置坐标和任务执行的时间显示。 

 图2 上位机控制软件数据采集界面 

　　为了验证系统的有效性，招募脑卒中患者参与腕部运动功能评估的临床试验。其受试者参加试验的真实场景如图3所示，图3（d）展示了受试者在试验过程中运动绘制的实时轨迹与系统给定的曲线轨迹之间的对比展示。同时在试验过程中，邀请一位经验丰富的临床医生使用临床评估量表对患者的腕部运动功能评分并记录。 

　　图3 腕部运动功能评估的试验场景与轨迹对比展示 

　　在数据处理方面，首先进行滤波降噪等数据预处理，然后根据量化脑卒中患者相关运动功能的指标进行特征提取，包括峰值速度点数、平均速度、平均加速度、平均轨迹偏差以及轨迹重合度等。 

　　基于机器学习算法，通过建立脑卒中患者运动特征与量表评分之间的映射关系来进一步建立运动功能评估模型，研究选取了随机森林、支持向量机、K近邻以及BP神经网络等四种有监督的机器学习算法作为建立定量评估模型的回归算法。 

　　结果分析，如图4所示，轨迹重合度特征与量表评分之间的相关性最高为0.91，其次是平均轨迹偏差和平均速度两个运动特征。通过热力图可以看出本研究选取的七种特征参数与医生量表评分之间的相关性均大于0.5，即每一种特征与医生量表评分均具有较高的相关性，进一步表明选取在腕部运动功能评估中选取这些特征的有效性。 

　　图4 (a)运动特征与医生量表评分之间的Pearson相关性分析的热力图，(b)运动特征的Pearson相关性系数 

　　如图5所示，为四种基于机器学习算法的评估模型的预测得分与医生量表评分之间的对比图，通过四种模型的对比图可以看出，BPNN神经网络模型的评估效果最好，其预测得分的拟合曲线与量表评分的散点曲线基本重合，而表现稍差的基于支持向量机算法的评估模型在低分值（0-10）段的预测结果与实际的量表评分相比差距较大。 

　　图5 四种评估模型的预测得分与医生的量表评分对比 

　　研究中提出了一个基于力反馈与机器学习算法的中风患者腕部运动功能定量评估系统。招募了25名脑卒中患者和10健康志愿者进行临床实验。实验结果表明，基于BP神经网络的评估模型准确率最高为94.26%。通过进一步的Pearson相关性检验可知，四种模型的预测评分与康复医师的量表评分之间均具有显著的相关性，这也表明本文所提出的定量评估系统在临床上具有较高的应用前景，能够有效地评估脑卒中患者腕部运动功能。未来，本研究准备进一步探索将康复训练与临床评估相结合的策略和方案，同时还将在脑卒中患者腕部运动功能的康复训练方面进行更多的研究试验，并开展远程居家应用。