《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Development and Validation of a Wearable Intelligent Telerehabilitation Device for Postoperative Rehabilitation of Chronic Ankle Instability Using a Portable Integrated Sensors System and Few-Shot Learning Algorithm
编辑推荐：
本刊推荐：为解决慢性踝关节不稳（CLAI）术后康复评估成本高、依赖主观临床判断的难题，研究人员开展了基于便携式压力鞋垫与惯性测量单元（IMU）的智能远程康复设备研究。通过集成小样本学习（Few-Shot Learning）算法，在102例患者数据中实现康复阶段评估准确率0.89、F1分数0.90，较传统机器学习模型准确率提升至少0.17。该研究为康复医学领域数据稀缺问题提供了创新解决方案，推动智能医疗发展。
踝关节扭伤是运动损伤中最常见的类型之一，每年全球有数百万人深受其扰。其中约30%-40%的患者会发展为慢性踝关节不稳（CLAI），表现为持续性疼痛、反复扭伤感和姿势控制能力下降。若未及时干预，可能进一步引发骨软骨损伤甚至创伤性关节炎。为增强踝关节稳定性，患者常需接受踝关节外侧稳定手术，而术后长达6-12个月的康复过程更是决定能否重返运动场的关键。然而，传统的康复评估主要依赖康复治疗师的主观判断和患者自述功能量表，不仅耗时耗力，还存在评估标准不统一的痛点。
在此背景下，远程康复技术应运而生，通过视频会议、移动应用等手段为患者提供远程指导。但现有可穿戴设备多存在价格高昂、操作复杂等局限，且缺乏对康复进展的智能预测能力。更关键的是，康复领域的数据采集难度大、样本量小，使得传统机器学习模型难以发挥优势。为此，清华大学与北京大学第三医院的研究团队独辟蹊径，将源于计算机视觉领域的小样本学习（Few-Shot Learning）算法引入康复医学，研制出一套集便携硬件与智能算法于一体的远程康复评估系统。
研究人员采用便携式集成传感器系统，包含一对嵌有8个FSR传感器的足底压力鞋垫和两个惯性测量单元（IMU），通过柔性印刷电路板（FPCB）集成传感模块，硬件成本控制在175美元。系统通过蓝牙传输数据至手机应用，采样频率达100Hz。在算法层面，创新性地采用原型网络（Prototypical Network）框架，通过无监督伪标签生成任务增强模型泛化能力，利用少量标注样本进行微调。研究纳入102例接受踝关节稳定术的CLAI患者，由20年资历的临床专家根据肌力、关节活动度（ROM）、视觉模拟评分（VAS）和肢体对称指数（LSI）等指标将患者分为三个康复阶段组别。
关键技术方法包括：1）基于压力鞋垫与IMU的多模态数据采集系统；2）针对小样本场景设计的原型网络框架，支持3-way 1-shot/4-query任务配置；3）通过伪标签生成与AdamW优化器提升模型稳定性；4）使用来自北京大学第三医院的102例患者队列进行模型训练与验证。
系统可靠性验证
通过6例患者重复进行五项生物力学测试（行走、单腿站立、跑步、下楼梯、跳跃落地），计算组内相关系数（ICC）。结果显示所有动作的ICC值均高于0.95，证明系统在动态和静态场景下均具有优异的重测信度。
康复阶段评估算法性能
在3-way（三分类）任务中，小样本学习模型在查询样本数=4的设置下达到最佳性能：准确率0.89、召回率0.88、精确率0.89、F1分数0.90。与传统机器学习模型对比，小样本学习使准确率提升至少0.17（如MLP模型基线为0.72），F1分数提升0.13。值得注意的是，患者自我评估准确率仅约70%，凸显了该系统的临床辅助价值。
多架构模型对比
研究对比了全连接网络（MLP）、一维卷积神经网络（1D-CNN）和长短期记忆网络（LSTM）三种嵌入网络。其中基于ResNet架构的1D-CNN表现稳定，而AdamW优化器相比SGD能更快收敛，适应高维特征学习需求。
该研究首次将小样本学习算法应用于康复评估场景，成功破解了医疗康复领域高质量数据稀缺的困境。通过低成本硬件与创新算法的结合，不仅实现了对CLAI患者康复阶段的精准量化评估，更建立了一套可扩展至其他运动损伤康复的技术范式。值得注意的是，系统仅通过行走测试数据即达到临床可用精度，若加入单腿站立、跳跃等更多生物力学测试参数，性能有望进一步提升。
研究也存在一定局限性：如单一专家标注可能引入偏差，未采用主成分分析（PCA）等特征降维方法，以及模型可解释性不足等。未来工作可探索多中心数据验证、多模态数据融合等方向。这项发表于《IEEE Transactions on Neural Systems and Rehabilitation Engineering》的成果，为智能康复设备的小样本学习应用提供了重要范例，有望推动远程康复技术向个性化、精准化方向发展。
