《BMC Biomedical Engineering》：Performance of a wearable movement tracking system in detecting hypomobility in acute ischemic cerebrovascular events
编辑推荐：
本研究推荐一篇探讨可穿戴运动加速监测系统在急性缺血性卒中/TIA患者中应用的前瞻性研究。该系统通过持续采集双上肢加速度数据，结合贝叶斯变点检测与可解释XGBoost模型，实现了对低活动性（Hypomobility）新发或恶化的高精度实时预警（AUC 0.975），展现了在临床资源有限环境下实现自动化监测、缩短干预延迟并改善患者预后的巨大潜力。
背景
急性缺血性脑血管事件，包括缺血性卒中与短暂性脑缺血发作，是全球主要的健康问题，也是导致长期残疾的主要原因之一。低活动性作为卒中的常见后果，严重损害患者的功能独立性与生活质量。在关键治疗时间窗内及时识别运动缺陷，对于启动干预、改善预后至关重要。然而，评估运动功能的传统方法，如临床观察和标准化量表，往往具有主观性且耗时。这些局限性凸显了在急性缺血性脑血管事件患者中，对客观、可靠、高效的工具来支持早期诊断和运动损伤监测的迫切需求。尽管基于传感器的监测技术已有进展，但一个关键的未满足需求仍然存在：即针对急性缺血性脑血管患者新发或恶化低活动性发作的集成、实时、客观的自动化检测系统，尤其是在资源有限、仅能进行间歇性评估（每日2-3次）的环境中，诊断可能被延迟1-3天。本研究的主要目标是评估一种新型可穿戴运动加速监测系统的性能，该系统集成了贝叶斯变点检测与XGBoost机器学习模型，旨在及时检测急性缺血性卒中/短暂性脑缺血发作患者中新出现或恶化的低活动性。
方法
本研究是一项前瞻性研究，旨在评估运动追踪系统的性能。设备由国际大学（越南国立大学胡志明市）电气工程学院开发。数据在芹苴中心总医院卒中护理科收集。研究获得了芹苴中心总医院伦理委员会的批准。这是一项观察性研究，因此不适用临床试验编号。
运动追踪系统
该系统基于加速度的运动追踪设备通过一个在云服务器上收集、传输和处理数据的系统运作。核心传感器是MPU6050加速度计，这是一个集成了3轴加速度计和3轴陀螺仪的模块，能够与可编程设备接口。它能够以可配置范围（±2 g，±4 g，±8 g，±16 g）测量加速度，具有16位分辨率，在±2 g时灵敏度为16,384 LSB/g，典型噪声为400 μg/√Hz，温度漂移为±0.01 g/°C。数据通过用户身份模块传输到云服务器，确保可靠连接。数据每2分钟发送一次，每次传输包含120个样本。云服务器实时存储、处理和分析数据，并具备通过短消息服务或电话（通过Twilio服务）自动发送警报的功能。该系统架构整合了传感、数据采集、传输和基于云的处理。
参与者
患者入选标准包括：年龄≥18岁，在症状出现24小时内诊断为急性缺血性卒中或短暂性脑缺血发作（经临床检查和神经影像学[计算机断层扫描或磁共振成像]证实），且在本次事件前功能状态良好。排除标准包括：存在妨碍在双腕使用运动追踪设备的状况、伴随头部或脊髓损伤、与卒中无关的运动异常、参与前24小时内饮酒，或使用影响运动或意识的药物。
数据收集
符合条件的患者（或其法定代表）提供同意后，将运动追踪设备佩戴于双腕。设备以100 Hz频率记录运动加速度，每秒存储最大加速度值（单位：*981 m s-2）。数据收集是连续的，设备电池每24小时更换一次以确保不间断监测。每名患者至少贡献12小时，最多72小时的数据。收集的数据包括人口统计学特征、卒中严重程度（通过临床和神经影像学评估）、从发病到入院的时间、合并症、入院时的临床和实验室检查结果、接受的具体治疗、卒中病因以及院内结局。
结局指标
主要结局指标是随访期间低活动性的恶化或新发，通过双上肢肌力评估。上肢肌力每日通过美国国立卫生研究院卒中量表（NIHSS）上肢运动评分（其中0分表示正常，4分表示完全瘫痪无可见运动）和徒手肌力分级量表（其中5级表示正常，0级表示完全瘫痪无可见运动）进行评估。低活动性定义为NIHSS运动评分增加≥1分或肌力等级下降≥1级。每名患者的移动能力水平由在急诊护理和卒中治疗方面拥有超过5年经验的卒中专家评估。研究中每名患者自始至终由同一位医生进行评估。低活动性发作的确定是回顾性的，结合患者或照顾者报告、临床检查以及左右手信号幅度（来源于1分钟简单移动平均值）差异增加的分析。
统计分析
数据处理与变点检测：连续缺失值超过60分钟的运动加速度数据被排除在分析之外。研究组的定量特征以中位数和四分位数范围表示，定性特征以频率和百分比表示。每只手腕的加速度数据被转换为1分钟和15分钟的简单移动平均值，分别记为右手（1分钟RSMA，15分钟RSMA）和左手（1分钟LSMA，15分钟LSMA）指标。计算这些移动平均值之间的差值（Delta_1min_SMA）和比值（Ratio_1min_SMA）。使用贝叶斯变点检测方法识别Delta_1min_SMA和Ratio_1min_SMA随时间发生的显著变化，该方法基于季节性调整数据（如果数据持续时间至少48小时）并过滤最近6小时。在检测到的变点周围±30分钟的窗口内对各项指标进行趋势分析，以量化运动数据的变化率，并应用线性模型计算各项指标的斜率。
机器学习模型与类别不平衡处理：开发了一个XGBoost模型来预测低活动性，使用的预测因子包括可能的患侧、二元分类变量Class、移动平均值的斜率以及选定的交互项。应用合成少数类过采样技术（SMOTE）处理数据不平衡问题，将少数类过采样300%，并将多数类欠采样至少数类大小的150%，创建一个用于训练的平衡数据集。选择XGBoost作为分类算法基于多种考虑。
模型训练、评估与可解释性：模型的主要结局是临床证实的低活动性。模型通过5折交叉验证进行训练，并通过网格搜索调整超参数以最大化曲线下面积（AUC）。scale_pos_weight参数设置为阴性实例与阳性实例比值的两倍，以增强对阳性组的敏感性。模型性能在平衡数据集的折外预测上进行评估，并计算灵敏度、特异度、阳性预测值、阴性预测值和F1分数及其95%置信区间。通过SHAP（SHapley Additive exPlanations）分析进行模型可解释性，量化每个特征对个体预测的方向性贡献。
结果
2023年4月至2025年2月期间，共有85名患者入组研究。随访期间，3名患者的运动数据记录出现错误，其数据被排除在分析之外。因此，最终分析纳入82名患者。其中，76名患者（92.7%）患有缺血性卒中，6名患者（7.3%）患有短暂性脑缺血发作。女性患者为26名（31.7%）。中位随访时间为26.9小时（IQR：24.6-46.5）。随访期间出现低活动性的患者为15名（18.3%）。
经过SMOTE技术处理类别不平衡并使用5折交叉验证训练的XGBoost模型，通过网格搜索优化超参数，最终配置为学习率0.1、最大深度6、200轮提升等。模型区分急性缺血性脑血管事件患者低活动性与非低活动性的能力通过ROC曲线评估，其AUC为0.975（95% CI：0.965-0.985）。在五个折中，平均AUC为0.975（标准差0.003）。为优化分类，选择了一个阈值以在保证灵敏度至少为0.95的同时最大化特异度。确定的平均最佳截断值为0.587，在折中平均灵敏度为0.969，平均特异度为0.900。在此阈值下，模型正确识别了96.9%的低活动性病例，同时保持了90.0%的特异度。从混淆矩阵得出的整体模型性能指标如下：灵敏度0.966，特异度0.900，阳性预测值0.896，阴性预测值0.968。此外，模型达到了0.930的F1分数，表明在精确度和召回率之间取得了平衡的权衡。
基于增益的特征重要性分析显示，“交互项：Class_Delta × Slope_Delta_Ratio_SMA_1min”是最具影响力的预测因子，其次是短期斜率。SHAP分析进一步提供了可解释性，证实了交互项的主导作用，并揭示了特征值的定向影响，同时提升了“可能的患侧”在定向不对称中的重要性。
讨论
发病到给药时间和发病到穿刺时间是影响缺血性卒中患者治疗结局的关键因素之一。从症状发作到再灌注治疗的时间越短，患者的恢复潜力越大。在医院环境中，对缺血性卒中患者低活动性的监测完全依赖于医疗团队的警惕性。然而，在越南医院，需要监测的患者数量往往超过可用的医疗人力资源。因此，一些低活动性恶化或新出现的患者可能无法被及时发现，从而降低了患者的恢复机会。本研究中开发的运动追踪系统旨在识别经历低活动性恶化或新出现活动障碍的急性缺血性脑血管患者。本研究的发现表明，该诊断模型使用七个预测因子（可能的患侧、1分钟RSMA斜率、15分钟RSMA斜率、1分钟LSMA斜率、15分钟LSMA斜率，以及交互项），能够有效识别急性缺血性脑血管事件患者的低活动性。
近期集成了人工智能和机器学习的可穿戴传感器技术在筛查卒中风险因素和监测功能恢复方面显示出潜力。这些系统能够持续、无创地评估心房颤动、心率变异性和步态表现等参数。尽管如此，专门为诊断急性卒中事件而设计的腕戴式系统的研究仍然很少。
本研究的另一项优势在于强调了贝叶斯变点分析在检测手部加速度数据中运动衍生指标的变点方面的效用，从而能够训练一个有效区分急性缺血性脑血管事件患者低活动性与非低活动性的XGBoost模型。该可穿戴运动追踪系统通过在检测到指示低活动性事件的变点时，自动通过电话和短信通知注册联系人，进一步增强了临床适用性，从而支持实时运动状态监测和及时的治疗干预。
尽管这些发现凸显了显著的优势，但也揭示了一些需要考虑的局限性。本研究的一个主要局限性是低活动性的发生率较低（18.3%，15/82名患者），尽管采用了SMOTE过采样、scale_pos_weight调整和5折交叉验证等缓解策略，仍可能影响模型的泛化能力并增加过拟合风险。需要更大规模的研究来验证这些发现。
结论
总而言之，我们开发了一种新型可穿戴加速度追踪系统，该系统集成了贝叶斯变点检测与可解释的XGBoost模型，用于精确、实时地识别急性缺血性脑血管患者中新出现或恶化的低活动性。利用连续的双上肢数据，该系统实现了优异的性能指标，能够实现早期预警。这些发现强调了其在资源有限环境中的临床价值，自动化的短信/电话通知可以减少临床医生的工作负担，最大限度地减少干预延迟，并通过及时的康复优化患者结局。
