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。目前，上肢远端——腕部运动功能在康复训练及评估的研究领域得到较少关注，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。
近日，苏州医工所熊大曦团队提出了一种基于力反馈设备和机器学习算法的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
针对脑卒中患者运动功能评估无法实现客观、定量等问题，基于触觉力反馈、虚拟现实视觉反馈以及人工智能机器学习算法，团队提出了一种新的用于脑卒中患者腕部运动功能的定量评估方法。首先脑卒中患者通过操纵力反馈设备进行运动和动力学数据采集，然后对采集到的数据进行滤波降噪等数据预处理和运动学特征提取，进一步研究选取了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，并将评估模型的预测得分与临床医生的量表评分进行对比，从而获得准确率最高得定量评估模型。
为了验证系统的有效性，团队招募了25名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2所示，图2（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2 腕部运动功能评估的试验场景与轨迹对比展示
结果表明，在四种基于机器学习算法的定量评估模型中，BPNN（反向传播神经网络）神经网络模型的评估效果最好，准确率最高为94.26%，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回归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。如图3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。
图3 四种评估模型的预测得分与医生的量表评分对比
通过进一步的皮尔逊相关性检验可知，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。相关成果以“Quantitative Evaluation System of Wrist Motor Function for Stroke Patients Based on Force Feedback”发表于Sensors（IF：3.576）上，博士生丁康佳为第一作者。
附件下载：
