腦卒中患者運動功能自動化評定研究進展

劉朗，劉勇國，李巧勤，楊尚明，金榮疆，何霞

1.電子科技大學信息與軟件工程學院中醫(yī)知識與數(shù)據(jù)工程實驗室，四川成都市 610054；2.成都中醫(yī)藥大學養(yǎng)生康復學院，四川成都市 610075；3.四川省八一康復中心，四川成都市610035

腦卒中是世界范圍內(nèi)主要致死性疾病之一[1]。我國40 歲以上人群腦卒中患者達1242萬，每年新發(fā)患者超過270萬，存活人群中超過70%存在不同程度功能障礙[2]，包括運動、感覺、認知?心理、言語和吞咽障礙等[3]。運動功能障礙指患者的肌肉控制、移動能力或活動水平受限或完全喪失，常涉及患者單側(cè)或雙側(cè)面部、上肢和下肢，影響超過80%腦卒中患者[4]，是腦卒中患者最常見、最嚴重的功能障礙，嚴重影響患者的家庭和生活質(zhì)量[5]。運動康復是降低腦卒中患者致殘率最有效的方法，有助于改善患者運動功能，提升獨立生活能力，更好回歸家庭與社會[6]。腦卒中運動功能康復流程包含問診與臨床檢查、評定、治療及院外康復訓練等環(huán)節(jié)[7]。評定是康復治療的重要環(huán)節(jié)，通過評定了解患者功能障礙性質(zhì)和嚴重程度，至少在治療前、中、后期各進行一次[8]，根據(jù)最新評定結(jié)果制定康復治療目標和治療方案[9]。

腦卒中運動功能評定涉及運動控制、平衡、步態(tài)和關節(jié)活動度等方面[10]，臨床主要通過量表方式進行，常用量表包括Brunnstrom分期、Fugl?Meyer評定量表(Fugl?Meyer Assess?ment,FMA)、Tinetti平衡與步態(tài)量表、Berg平衡量表(Berg Bal?ance Scale,BBS)等[10?12]。該評定方式存在以下問題：①需專業(yè)評定師完成，評定過程耗時長[13?14]；②受評定師主觀影響，結(jié)果存在個體差異[15?16]；③評定量表選擇存在差異和通用性問題[17?18]。

近來，康復醫(yī)學正向個性化、精確化、遠程化、智能化發(fā)展，精準評定是腦卒中康復評定的必然趨勢[19]。為彌補傳統(tǒng)評定方法不足，方便家庭環(huán)境下康復評定開展，融合傳感器技術和機器學習實現(xiàn)運動功能自動化評定日益受到重視。傳感器用于感知患者運動過程的運動學及電生理學等信息，常用傳感器包括慣性測量單元(inertial measurement unit,IMU)、表面肌電圖(surface electromyography,sEMG)測試儀和深度傳感器等。由于傳感器信號存在噪聲，需要通過信號預處理，提取均值、方差等時域和頻域特征，向量化表示運動強度、范圍、頻率等信息，構建機器學習模型，自動獲得運動功能評定結(jié)果(圖1)。本文針對腦卒中運動功能評定領域運動控制、平衡、步態(tài)、關節(jié)活動度(range of motion,ROM)等方面，綜述腦卒中運動功能自動化評定的國內(nèi)外最新研究進展。

圖1 運功功能自動化評定流程

1 運動功能

腦卒中存在不同程度神經(jīng)系統(tǒng)損傷，導致肌張力升高，引發(fā)肢體運動控制功能障礙，常表現(xiàn)為肢體一側(cè)活動范圍受限或癱瘓[20]。運動控制功能評定內(nèi)容包括肌張力、靈活性、穩(wěn)定性、協(xié)調(diào)性和運動模式等[21]。引入深度視頻、IMU、sEMG 等傳感器技術進行客觀測量，通過統(tǒng)計分析和機器學習法進行自動化評定，有助于獲得客觀準確的評定結(jié)果。

Zhang 等[17]將IMU 固定于患側(cè)前臂，采集摸肩動作過程中的加速度，使用動態(tài)時間規(guī)整算法計算患者數(shù)據(jù)與正常人數(shù)據(jù)的歐式距離，再輸入K 近鄰分類器計算上肢Brunnstrom 分期，對21例腦卒中患者試驗，該自動化評定準確度82.1%。

Liparulo 等[18]提出基于幾何無約束隸屬函數(shù)的模糊核分類方法，采集三角肌中束單通道sEMG，提取最大振幅、平均振幅等時/頻域特征，自動化評定9 例不同程度腦卒中患者Brunnstrom分期，準確率92.47%。

Brunnstrom 分期體系具有評分簡單、耗時短、易被患者接受等優(yōu)點，在臨床獲得廣泛應用[22]，但存在敏感性差等不足。FMA 在Brunnstrom 分期基礎上對評定任務與評分規(guī)則進行細化，提高了信度和敏感性，但也增加了應用難度。Chiang 等[23]采集三角肌前束和中束、肱三頭肌長頭和外側(cè)頭、肱二頭肌、背闊肌和肱橈肌sEMG，引入隱馬爾可夫模型提取患者運動狀態(tài)特征，通過多變量自回歸模型自動化評定腦卒中患者運動功能，準確率90%。

Yu 等[24]設計遠程FMA 自動化評定框架，使用2 個加速度計和7 個柔性傳感器捕捉上肢、手腕和手指運動，提取傳感器信號的時域特征，利用極限學習機算法對運動數(shù)據(jù)自動分類并生成評分，24例患者試驗結(jié)果表明，自動化評定所得結(jié)果與傳統(tǒng)評定結(jié)果的決定系數(shù)達0.918。

Lee等[25]構建腦卒中患者上肢FMA 自動化評定系統(tǒng)，使用深度傳感器Kinect和力量電阻傳感器采集人體關節(jié)相對位置和手指抓握力量，將33項上肢評定任務分為5種類型，設計二進制邏輯分類算法以預測患者FMA 評定結(jié)果，結(jié)果顯示，系統(tǒng)能對79%評定任務進行自動化評定，評定時間比傳統(tǒng)評定方式減少85%，準確率達92%。

2 平衡功能

平衡與協(xié)調(diào)功能是人體保持姿勢與體位，完成各項日常生活活動的基本保證[26]。腦卒中患者感覺輸入、中樞整合、軀干控制等功能受損，影響平衡能力，增加跌倒風險[27?28]。靜態(tài)與動態(tài)平衡功能的臨床評估主要通過儀器和量表完成[29]。專業(yè)平衡測試儀器操作復雜，空間環(huán)境要求高。基于傳感器測量的自動化評定系統(tǒng)可提供客觀評定結(jié)果，且便于使用。

Simil? 等[30]通過腰部綁定三軸加速度計，采集受試者執(zhí)行3 項BBS 任務過程數(shù)據(jù)，使用K 近鄰算法進行相似性分類，實現(xiàn)BBS 評分，對54 例神經(jīng)疾病患者、老年人和健康年輕人進行試驗，自動評分平均誤差4.85分。

Badura 等[31]在患者背部、左右髖與腳踝共5 個位置綁定IMU，采集患者執(zhí)行14 項BBS 任務的加速度和角速度信號，提取時/頻域特征，分別構建Fisher線性判別分析器進行特征降維，再輸入多層感知機分類器獲得各任務評分，對64 例老年人試驗結(jié)果表明，BBS自動評分平均誤差1.55分。

Bacciu 等[32]使用Wii 平衡板采集患者執(zhí)行BBS 任務時前后左右四角重力分布數(shù)據(jù)流，患者無需佩戴附加設備，通過內(nèi)嵌儲備池計算范式的回聲狀態(tài)網(wǎng)絡對序列數(shù)據(jù)進行特征提取，輸出層估算BBS 得分，對21 例志愿者進行BBS 自動評分，平均誤差3.80分。

3 步態(tài)分析

步態(tài)異常為腦卒中患者常見功能障礙，是影響日常生活能力和生活質(zhì)量的主要因素。腦卒中發(fā)病6個月后，約50%～80%患者存在不同程度下肢功能障礙和步態(tài)異常[33]。步態(tài)分析對制定康復治療方案和評價療效具有重要參考意義[34]。臨床步態(tài)分析方法包括主觀量表法和定量步態(tài)分析。前者通過主觀方式評價步行能力，描述步態(tài)異常程度；后者需要價格昂貴的專業(yè)設備與場地，并且評定時間較長。借助便攜傳感器和高效數(shù)據(jù)分析，可快速獲得步態(tài)參數(shù)，為定量步態(tài)參數(shù)分析提供新思路。

Motiian等[35]提出基于深度傳感器Kinect的兒童步態(tài)周期自動分割方法，將最大似然估計、均勻尺度估計、非均勻尺度估計和子序列匹配相結(jié)合，解決幼兒群體骨骼跟蹤數(shù)據(jù)噪聲的高變異性問題，通過2～4 歲健康兒童步態(tài)分析，步行階段分割準確率高于90%。

Zhao 等[36]將IMU 固定于雙腳，搭建慣性導航系統(tǒng)進行步態(tài)分析，使用不等式約束的零速更新算法輔助慣性導航系統(tǒng)，識別步態(tài)周期階段并計算步態(tài)參數(shù)，該系統(tǒng)可準確計算步態(tài)周期中腳跟著地、站立、腳跟離地和搖擺期時間，有助于醫(yī)護人員制定治療計劃。

Tunca 等[37]提出一種IMU 步態(tài)分析系統(tǒng)，擴展零速更新和卡爾曼濾波算法，提取步幅、節(jié)律、周期、姿態(tài)時間、搖擺時間、姿態(tài)比、速度、最大/最小間隙和轉(zhuǎn)化率等步態(tài)指標，對16例健康人和6例神經(jīng)疾病患者進行分析，該系統(tǒng)獲得的步長和搖擺時間與基于紅外深度相機三維步態(tài)分析結(jié)果的相關性系數(shù)分別為0.98和1。

Eguchi等[38]結(jié)合激光距離傳感器(laser range sensor,LRS)和內(nèi)置壓力傳感器鞋墊進行步態(tài)分析，LRS 用于測量患者步幅、周期和步行速度，鞋墊內(nèi)置壓力傳感數(shù)據(jù)用于計算地面接觸力(ground contact force,GCF)和壓力中心(center of pressure,CoP)，通過直線行走試驗，與圖像運動捕捉技術相比，下肢運動跟蹤精度的均方根誤差≤50 mm；與足底力量測量板的CoP 數(shù)據(jù)相比，X、Y軸坐標CoP軌跡均方根誤差分別＜16 mm和＜5 mm。

4 ROM

ROM 是評定關節(jié)運動功能的重要指標[39]，系測量大關節(jié)在運動狀態(tài)下的活動角度，條目繁多，傳統(tǒng)采用量角器測量，十分費時，重復性差且精確度低，通常最小刻度值為5°[40]。

王杰[41]結(jié)合傳感器、嵌入式軟件、串口通信等技術，使用SCA100T?D02 傾角傳感器研發(fā)ROM 評定嵌入式系統(tǒng)計算ROM。將量角尺一條臂固定，旋轉(zhuǎn)綁定有傳感器的另一條臂，可實時獲取關節(jié)角度，經(jīng)4例受試者重復10次測量，與量角器測量結(jié)果相比，平均誤差約0.95°。

Lee 等[42]設計無線可穿戴上肢關節(jié)ROM 自動化測量系統(tǒng)，使用智能手機收集7 個IMU 的慣性運動數(shù)據(jù)，選取12 項FMA的評定任務，系統(tǒng)不僅能自動識別所測任務，還可計算關節(jié)最大活動角度，與量角器測量結(jié)果平均誤差0.82°。

葛云等[43?44]將光學定位設備NDI Polaris Spectra 應用于ROM 測量，將反光小球固定于人體骨性標志點，收集反光小球的三維坐標，使用最小二乘法擬合肢體運動軌跡和軸心，計算關節(jié)活動角度，測量平均誤差0.313°。

Neto 等[45]利用深度傳感器Kinect采集人體深度圖像，提取骨骼三維位置信息，計算上肢關節(jié)角度，實現(xiàn)動態(tài)、非接觸式ROM 評估關節(jié)，肩外展/內(nèi)收、肘屈/伸測量結(jié)果與量角器法無顯著性差異。

5 展望

當前，研究人員將傳感器技術與機器學習方法引入腦卒中運動功能自動化評定領域，研究工作仍處于起步階段，存在以下問題：①傳感器單一，而運動控制障礙常表現(xiàn)為身體多部位變化，且不同階段表現(xiàn)不同[19]，單一傳感器難以全面準確地反映；②平衡功能自動化評定多關注動態(tài)平衡，根據(jù)先驗知識提取傳感器數(shù)據(jù)時域、頻域靜態(tài)特征，忽略數(shù)據(jù)動態(tài)變化及相互間依賴關系，導致特征提取欠充分，影響評定結(jié)果的準確性；③臨床步態(tài)分析關注患者步態(tài)異常特征，而現(xiàn)有步態(tài)自動化評定工具主要識別步態(tài)行為并估算運動學參數(shù)，缺乏步態(tài)異常特征分析；④ROM 自動評估由于存在多個關節(jié)測量情況，多關節(jié)可穿戴式傳感器標記困難，深度視頻傳感器雖受患者干擾低，但存在視頻遮擋問題。

針對上述問題，腦卒中運動功能自動化評定可開展以下研究：①多源多模態(tài)數(shù)據(jù)獲取，如針對上肢運動控制，除結(jié)合人體運動學和機體構造，獲取IMU、肌電、握力等傳感器數(shù)據(jù)外，可考慮人口統(tǒng)計學、臨床診斷等信息，引入多模態(tài)數(shù)據(jù)融合與特征選擇方法開展特征融合與關鍵屬性選?。虎谠O計深度學習模型表示康復多變量時間序列特征，捕獲多傳感器數(shù)據(jù)間相互關系和時間維度演化特征；③引入模式挖掘技術開展臨床數(shù)據(jù)與步態(tài)異常特征關聯(lián)分析，輔助醫(yī)生制定個性化康復治療方案；④開展基于多源多維深度傳感器的運動關節(jié)三維空間運動捕捉，避免視頻遮擋問題，實現(xiàn)ROM非接觸式精準評定。

目前，腦卒中發(fā)病日益增加，傳統(tǒng)人工評定不能較好滿足日益增長的康復需求。運動功能自動化評定通過傳感器技術和機器學習方法建立運動功能障礙程度與數(shù)據(jù)模型的評估關系，經(jīng)過實驗和臨床驗證，獲得較好性能表現(xiàn)。后續(xù)腦卒中運動功能自動化評定將在傳感器便攜性、精準性、易操作性和深度人工智能技術的引入方面深入發(fā)展，在改善康復效果、降低醫(yī)療成本、減輕醫(yī)生負擔等方面扮演日益重要的角色，促進社區(qū)和家庭康復健康發(fā)展。