《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Quantitative Assessment of Upper Limb Multi-modal Feature Fusion Under Task-Oriented Movement
编辑推荐：
为解决脑卒中后偏瘫患者上肢运动功能临床评估主观性强、缺乏客观量化指标的问题，研究人员开展了“任务导向运动下的上肢多模态特征融合量化评估”研究。该研究创新性地融合运动学与表面肌电信号(sEMG)特征，通过奇异值分解(SVD)和相似性度量量化运动协同与肌肉协同效应，并构建多模态融合分类模型。结果表明，该方法分类准确率达90.75%，且评估结果与Fugl-Meyer评估(FMA)量表分数显著相关(r=-0.81, p=0.0147)，为临床康复提供了客观、敏感的量化工具。
脑卒中作为一种急性脑血管疾病，是导致成年人长期残疾的主要原因之一。据统计，约80%的脑卒中幸存者会出现上肢运动功能障碍，严重影响其日常生活能力和生活质量。在临床康复实践中，医生通常依赖Fugl-Meyer评估(FMA)、Wolf运动功能测试(WMFT)和Brunnstrom分期等量表来评估患者的运动功能恢复情况。然而，这些评估方法在很大程度上依赖于康复医师的主观经验和视觉观察，缺乏客观、量化的分析指标，且对细微的功能变化不够敏感。因此，开发能够客观、定量评估上肢运动功能的新方法，对于精准制定康复计划和监测康复进展至关重要。
近年来，运动捕捉技术和肌肉生理学研究的显著进展为上肢功能评估提供了技术基础。以往的研究多集中于利用运动捕捉技术获取上肢运动学数据，通过分析关节运动轨迹来识别异常运动模式。但这种方法存在明显局限：它忽视了运动过程中肌肉的内在活动。脑卒中等运动障碍疾病会破坏中枢神经系统(CNS)的下行传导通路，导致肌肉激活异常，进而引起异常的运动行为和肌肉协调模式，表现为肌力下降、收缩时序异常和同步性降低等。肌肉活动和运动学数据实际上为人类运动功能提供了互补的视角。因此，综合考量运动学和肌肉特性，对于全面理解上肢功能状态及其内在机制变得尤为重要。
为了更客观、全面地评估脑卒中后偏瘫患者的上肢运动功能状态，一项发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究提出了一种新颖的基于多模态特征融合的评估方法。该研究由Keping Liu、Guang Liu、Zhifei Zhai、Baozhen Nie、Xiaoqin Duan、Changxian Xu和Zhongbo Sun*合作完成。
研究人员为开展此项研究，主要应用了以下几项关键技术方法：首先，设计了模拟伸手和抓取目标瓶子的任务导向运动范式，并搭建了同步采集运动学数据（使用NOKOV度量光学三维运动捕捉系统，采样率100 Hz）和表面肌电信号（sEMG，使用8通道BIOPAC采集系统，采样率2000 Hz）的数据采集平台。其次，对采集的原始数据进行预处理，包括运动学数据的归一化、sEMG信号的带通滤波（20-200 Hz）、全波整流、降采样（至100 Hz）以及低通滤波（截止频率15 Hz）。接着，从预处理后的数据中提取特征，包括手腕运动轨迹偏离标准轨迹（基于最小加加速度原理生成）的均值（MV）和标准差（SD），以及sEMG信号的均值绝对值（MAV）和标准差（SD）。然后，利用奇异值分解（SVD）和相似性度量指数（Q）分别对运动协同（基于五个关节角：肩关节屈曲/伸展、内收/外展、内旋/外旋，肘关节屈曲/伸展，腕关节屈曲/伸展）和肌肉协同（基于8块肌肉：前旋肌套、肱桡肌、肱三头肌外侧头、后三角肌、肱二头肌、前三角肌等）进行量化。最后，构建了基于机器学习的评估模型，比较了随机森林（RF）、支持向量机（SVM）、K近邻（KNN）和反向传播神经网络（BPNN）四种算法在单模态（运动学或肌肉水平）基分类器、聚合分类器（融合基分类器输出和协同量化特征）以及多模态融合模型（融合运动学和肌肉水平最优聚合分类器的输出）中的性能，并设计了基于概率的运动功能评估分数（MFAS）机制。研究纳入了8名脑卒中后偏瘫患者（平均年龄62.7±10.7岁）和8名健康受试者（平均年龄30.5±4.5岁）进行对比实验。
定量协同效应分析结果
研究首先对所有受试者的运动协同和肌肉协同进行了量化分析。结果显示，脑卒中患者组与健康对照组在完成目标导向运动时，其运动协同（Qk）和肌肉协同（Qm）的量化值存在显著差异。具体表现为健康受试者的协同量化值更接近理想状态（Q值更小），而患者组的Q值普遍较大，表明其协同运动模式存在异常。这一结果证实了量化运动协同和肌肉协同可以作为评估上肢功能状态的客观生物标志物。
定性分类性能
为了验证基于单模态生理数据（肌肉水平和运动学水平）评估上肢运动功能的有效性，研究比较了四种机器学习算法构建的分类模型性能。
- •
sEMG基分类器性能：在基于sEMG信号的基分类器中，KNN算法取得了最高的分类准确率（80.35%）。当融合肌肉协同量化特征（Qm）构建聚合分类器后，最优分类器（KNN）的准确率提升至83.24%，准确率提高了2.89%。接收者操作特征曲线（ROC）曲线下面积（AUC）值也表明融合肌肉协同特征后分类性能得到改善。
- •
运动学基分类器性能：在基于运动学特征的基分类器中，RF算法表现最佳，准确率达到83.24%。融合运动协同量化特征（Qk）后，最优聚合分类器（RF）的准确率进一步提升至85.55%，提升了2.31%。ROC曲线分析同样支持这一结论。
- •
多模态融合模型性能：研究进一步构建了多模态特征融合模型，将运动学水平最优聚合分类器（KOAC）和肌肉水平最优聚合分类器（EOAC）的输出进行融合。结果表明，RF融合模型的性能最优，总体分类准确率达到90.75%。相较于单模态的KOAC（85.55%）和EOAC（83.24%），多模态融合模型的分类准确率分别提高了5.20%和7.51%。其他评估指标（精确度、召回率、F1分数）以及AUC值（0.95）均显示多模态融合模型具有优越的分类性能，能够更全面、准确地识别病理性和正常运动模式。
相关性分析
为了验证所提出定量评估方法的有效性，研究分析了模型输出的运动功能评估分数（MFAS）与临床标准Fugl-Meyer评估（FMA-UE）分数之间的相关性。结果显示，基于运动学最优聚合分类器（KOAC）、基于sEMG最优聚合分类器（EOAC）和最优多模态融合分类器（OFMC）得出的MFAS分数均与FMA分数呈显著负相关（p值均小于0.05）。其中，多模态融合模型（OFMC）的评估结果与FMA分数的相关性最强（相关系数r = -0.81, p = 0.0147）。这表明本研究提出的评估方法能够有效反映患者的上肢运动功能损伤程度，与临床金标准具有良好的一致性。
该研究的讨论部分指出，本研究的目标是开发一种智能方法，用于脑卒中患者运动缺陷的定量分析。通过设计具有适当挑战性的目标导向任务，成功实现了运动过程中运动学数据和sEMG信号的同步采集。利用SVD和相似性指数对运动协同和肌肉协同进行量化，并融入评估模型，显著提升了分类性能。多模态评估模型利用了不同运动特征的互补性，不仅提高了分类准确性，也增强了临床相关性，其生成的定量评分与临床标准测试分数显著相关。然而，研究也承认存在一些局限性，例如对于Brunnstrom分期I-III级的严重功能障碍患者，难以独立完成无支撑的上肢运动，未来的实验任务需要进一步调整和优化以适应更严重残疾患者的需求。此外，扩大患者队列、优化SVD分解中使用的协同维度数量也是未来的工作方向。
综上所述，这项研究提出了一种融合运动学、sEMG信号以及运动-肌肉协同相似性度量特征的上肢功能评估方法，并在脑卒中后康复期的上肢运动障碍定量分析中展现出极佳的性能。该方法的突出贡献在于强调了运动水平和肌肉水平上病理协同激活特征的重要性。协同量化实验结果表明，运动协同和肌肉协同的量化结果可作为可靠的标志物，辅助评估偏瘫患者的上肢功能状态。此外，本研究提出的多模态融合方案在区分病理性和正常运动方面表现出色，总体准确率达到90.75%，且其模型输出分数与FMA分数显著相关。这些令人鼓舞的结果表明，所提出的评估框架可以为临床决策提供有价值的客观信息支持。未来计划修改实验任务以适应严重受损的脑卒中后患者，并增加受试者和患者数量以证实其临床效用。
