《Scientific Reports》：Support vector machine algorithm-based wearable device in sports rehabilitation training for people with disabilities
编辑推荐：
本研究探討如何利用智慧可穿戴裝置提升身心障礙者的運動康復效果。針對傳統康復訓練存在反饋不及時、評估主觀等問題，研究團隊開發了基於支持向量機（SVM）演算法的可穿戴設備，並對159名南昌地區的身心障礙者進行了對照試驗。結果顯示，使用該設備的觀察組在關節活動度（ROM）、步態、軀幹姿態、日常活動能力（ADL）及生活品質（QoL）等多項指標上均有顯著提升，且訓練依從性和滿意度更高。此項研究證明了SVM演算法結合智慧優化技術（如人工蜂群優化ABC-SVM）可有效提高動作識別準確性，為發展個性化、智慧化的康復系統提供了新思路。
對於身心障礙者來說，科學有效的運動康復訓練是改善身體功能、提升生活獨立性與品質的關鍵。然而，傳統的康復模式常常面臨諸多挑戰：訓練過程多依賴治療師的經驗和主觀觀察，難以實現精準、量化的動作評估與即時反饋；訓練內容可能較為單一，無法根據個體的實時表現進行動態調整，影響了訓練的個性化與效率；此外，訓練通常局限於專業機構內，難以延伸至日常生活場景，制約了康復效果的持續性與泛化能力。如何在現有技術條件下，為身心障礙者提供一種更智慧、更便攜且能融入日常的康復輔助手段，成為康復工程領域一個亟待探索的方向。
正是在這樣的背景下，一項發表於《Scientific Reports》的研究為我們帶來了新的啟發。該研究聚焦於將先進的機器學習演算法與輕便的可穿戴感測器相結合，旨在開發一套能夠智慧輔助身心障礙者進行運動康復訓練的系統。研究團隊的核心思路是，利用可穿戴設備持續採集使用者的運動學數據，然後通過高效能的模式識別演算法對這些數據進行即時分析，從而準確識別使用者的動作模式、評估運動質量，並提供有針對性的指導與反饋。這項研究不僅探索了技術的可行性，更通過嚴謹的臨床對照試驗，實證了該方法對改善身心障礙者功能與生活品質的實際效果。
為了驗證基於支持向量機（SVM, Support Vector Machine）演算法的可穿戴裝置在運動康復中的應用價值，研究人員開展了一項隨機對照試驗。研究從中國南昌招募了159名身心障礙者作為參與者，並將他們隨機分為兩組：對照組接受常規康復訓練，而觀察組則在常規訓練基礎上，額外使用基於SVM演算法的智慧可穿戴設備進行輔助訓練。研究採用世界衛生組織殘疾評估量表（WHODAS）、世界衛生組織生活品質簡表（WHOQOL-BREF）和日常活動能力（ADL）量表，在干預前後對參與者的功能狀況與生活品質變化進行評估，並比較兩組的訓練依從性與滿意度。同時，研究詳細測量並比較了兩組在髖、膝關節活動度（ROM）、步態參數（步長、步寬、步行速度）以及軀幹姿態參數（如C7側向偏差、軀幹傾斜角、骨盆傾斜角等）上的差異。此外，研究還重點比較了三種SVM演算法——標準SVM、粒子群優化SVM（PSO-SVM）和人工蜂群優化SVM（ABC-SVM）——在動作模式識別任務中的分類性能。
干預前基線資料比較
在干預開始前，對照組與觀察組在WHODAS、WHOQOL-BREF和ADL的所有維度得分上均未顯示出統計學上的顯著差異（P> 0.05），表明兩組參與者的初始功能狀態與生活品質水平具有可比性。同樣，在關節活動度、步態參數以及軀幹姿態參數的基線測量上，兩組之間也不存在統計學顯著差異（P> 0.05）。
干預後功能與生活品質變化
經過一段時間的干預後，兩組參與者在多項指標上均表現出顯著改善（P< 0.05）。然而，觀察組的改善幅度顯著大於對照組。具體而言，在WHODAS量表中，觀察組在認知、移動、自我照護和社會參與維度的分數下降更為明顯；在WHOQOL-BREF量表中，觀察組在生理、心理、獨立性和環境領域的分數提升更為顯著；同時，觀察組的ADL得分增加也更為可觀（所有比較P< 0.05）。
干預後運動學參數變化
在運動功能方面，干預後兩組的髖關節和膝關節活動度均顯著增加（P< 0.05），且觀察組的增加幅度更為顯著（P< 0.05）。在步態方面，兩組的步長、步寬和步行速度也均有顯著改善（P< 0.05），而觀察組的改善程度同樣優於對照組（P< 0.05）。對於軀幹姿態參數，包括C7側向偏差、軀幹傾斜角、肩部傾斜角、骨盆傾斜角、胸椎後凸角和腰椎前凸角在內的所有指標，在干預後於兩組中均顯示出顯著改善（P< 0.05），且觀察組的改善更為顯著（P< 0.05）。
訓練依從性、滿意度及演算法性能
研究還發現，觀察組的訓練依從性和對訓練的滿意度均顯著高於對照組（P< 0.05）。在演算法性能比較中，人工蜂群優化SVM（ABC-SVM）演算法展現了最佳的分類性能，其在動作模式識別上的表現顯著優於粒子群優化SVM（PSO-SVM）和標準SVM演算法（P< 0.05）。
該研究得出結論，基於支持向量機（SVM）演算法的可穿戴裝置能夠更有效地改善身心障礙者的功能狀態、生活品質（QoL）和日常活動能力（ADL）。與常規康復訓練相比，整合了智慧可穿戴設備的訓練方案能帶來在關節活動度、步態效率和軀幹穩定性等多個運動學指標上更優越的進步。此外，智慧設備的互動性與即時反饋特性也顯著提高了參與者的訓練依從性和主觀滿意度。在技術層面，研究證實結合了智慧優化演算法（如人工蜂群優化ABC）的SVM模型能夠有效提升動作識別的準確率，這為增強康復系統的智慧化水平提供了關鍵的技術路徑。
這項工作的意義在於，它不僅從臨床效果上驗證了“演算法+可穿戴設備”模式在運動康復領域的應用潛力，而且通過演算法優化比較，指明了提升系統核心識別性能的具體技術方向。它標誌著康復訓練正從依賴經驗和固定程式的傳統模式，向數據驅動、即時反饋、個性化適配的智慧化模式演進，為未來開發更高效、更便捷、更貼合使用者需求的居家和社區康復解決方案奠定了堅實的基礎。
