TNSRE：使用新型可穿戴惯性和肌动图传感器组合量化中风后的运动功能

中风是全球第二大死亡原因，也是导致早逝或残疾的第二大原因。中风运动功能的标准临床评定量表广泛用于监测受试者的改善和确定康复要求。这些评定量表也构成了量化运动功能的金标准方法。常见的应用包括评估新的康复计划、药物和病变症状研究。Fugl-Meyer评估（FMA）是最常用且得到广泛验证的标准临床评分量表之一。该量表的一个子部分仅用于评估上肢（FMA-UE）。该部分检查上肢的各个组成部分，这些组成部分可以单独使用，也可以通过协同和非协同运动组合使用。根据在0到2范围内的执行情况，为每个运动部件/任务分配一个定性评级。该范围包括无运动/功能（0）、部分运动/功能（1）和完全运动/功能（2）。

尽管全球康复和研究都依赖于标准临床评分量表，但这些方法仍存在一些局限性，如评估的主观性、评估所需的时间。基于传感器的“自动化”系统被提出作为量化中风后运动功能的替代方法。测量手和腕部运动功能的一种新的有趣方式是肌电测量。研究发现，这种方式在区分中风损害方面显示出良好的潜力。此外，肌电图可用于捕获在手部和腕部起功能作用的下臂肌肉的活动。肌电图（EMG）的应用已被证明在将手和手腕功能分类为自动传感器系统的一部分时表现良好。然而，EMG在此类传感器系统中的应用在实践中受到各种因素的限制。

本研究中开发的系统提出了一种新的包含机械肌图（MMG）的方法，作为肌电图的替代方法。MMG在临床应用中的验证不如EMG广泛，但它有几个优点，适合在可穿戴系统中使用。这些包括可重用性、更高的信噪比、具有更独立于皮肤阻抗变化的鲁棒信号以及易于应用。过去的工作已经实施了MMG诊断帕金森病的运动功能障碍，量化手功能并平行跟踪手臂运动和肌肉活动。在本研究中，通过计算MMG信号的特征来记录手和手腕的功能，这些特征根据中风的严重程度显示出统计上的不同。本文发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》.

从查林十字医院（英国伦敦）招募了64名受试者。这些受试者具有以下特点：性别：33男31女,年龄：66.3±13.8岁（33-95岁）,FMA-UE评分：42.7±18.1（范围0-60）,中风后天数：9.3±15.3（范围2-90天）。使用Fugl-Meyer评估（FMA-UE）的运动功能部分，在中风的急性或亚急性阶段进行上肢运动功能评估。该量表作为各种子成分和整体上肢功能的敏感测量手段得到了很好的验证。评估由两名经验丰富的检查员进行（一名负责监督传感器系统，另一名负责评估临床分数）。

系统流程图

使用一组内部数据记录器板来传输从受试者收集的所有传感器数据。这些电路板配备了惯性测量单元（IMU）传感器（瑞士STMicroelectronics），用于记录三轴加速计、陀螺仪和磁强计数据。此外，该板还包含一组ADC引脚，用于从外围设备进行记录，以及用于在线数据传输的蓝牙模块。这些电路板之前已被验证用于方向计算，并已在多个大型临床研究中实施。数据记录器板的外壳以特定形状进行3D打印，以暴露外围ADC引脚，并使3D打印的柔性树脂带能够连接到对象上。中风后运动功能自动系统的一个新功能是增加MMG传感器来测量肌图数据。采集MMG传感器数据并与数据记录器板同步。MMG的时间序列响应与EMG大致相似，不同之处在于被测对象是肌肉的振动而不是电活动。数据通过蓝牙发送到平板电脑，平板电脑运行定制的GUI记录数据。惯性数据是从每个数据记录器板上的IMU收集的。放置MMG以捕获外源性指屈肌（指深屈肌和指浅屈肌）和腕屈肌（桡侧腕屈肌）的肌肉活动。

MMG响应图

在FMA-UE的运动功能部分的每个任务期间收集传感器数据。本节的21项运动任务均作为本研究的一部分进行。因为无法使用传感器系统进行测量。在本研究中，可以方便地将FMA-UE的任务分为粗大运动任务（涉及上臂或下臂段的任务）或手/手腕任务（仅涉及手和/或手腕的任务）。这是因为粗运动任务可以使用惯性传感器捕获，而手/腕运动任务只能使用MMG数据捕获。本研究计算的数据类型可分为惯性数据、MMG数据或基于方向的数据。惯性和MMG数据在特征计算之前使用零相位IIR Butterworth滤波器进行数字滤波。时间和频率惯性特征是从那些在以前的自动可穿戴运动功能系统中被证明是有效的特征中选择的。MMG特征主要从Phinyomark等人提出的用于肌电信号分类的列表中选择。

本研究试图以两种主要方式建立中风后上肢运动功能的先前自动化系统：（1）整合MMG传感，以实现手/腕运动任务的分类；（2）开发一个模型，该模型将标准临床评分的预测输出与一系列细粒度特征相结合。并提供了运动功能的连续测量，而不是临床评分提供的广泛离散值。FMA-UE的粗运动任务分类平均准确率为75%。精度范围也相对较低，最小值为71%，最大值为81%，表明分类器精度较高。分类不太清楚的任务是那些涉及更复杂或几个运动阶段的任务，包括“协调速度”（71%）、屈肌协同（75%）和“手到腰椎”（72%）任务。所有临床评估均在床边进行（在许多情况下，仅在中风后几天），这可能对所有任务的分类准确性产生负面影响。决定在床边进行测试，以便结果能够更好地反映系统在临床实践中的表现。

与粗大运动任务相比，仅使用MMG衍生特征分类的手/腕运动任务的总体分类准确率较低，为62%。这种表现的下降可能是由于这些任务中涉及的小动作比粗大运动任务更难以量化。另一个原因可能是，MMG衍生特征对运动功能评级的敏感性低于惯性。MMG传感器在该应用中的应用仍处于初级阶段，因此，未来可能会提出更强大的MMG数据分类功能。总的来说，这些早期的结果表明了一种比惯性传感更容易应用的模式的前景，并且不会受到与肌电图相关的皮肤阻抗和鲁棒性问题的影响。

对本研究开发的三级分类模型的F1分数的评估表明，该模型很难预测中等评级分数。粗运动和手/腕运动任务的F1平均分分别为0.44和0.34。F1分数低的最后一个原因是数据集不平衡，因为数据中没有很好地表示此标签。最后两个限制的最佳解决方案是收集额外的训练数据，以便分类器能够更好地对这些标签进行分类。中风后运动功能的现有自动化系统已被各种各样地提议作为家庭康复辅助工具，或作为监测受试者改善或研究应用的临床试验的替代品。本研究开发的系统旨在确保临床医生和受试者的检测过程尽可能贴合。与以前的许多自动化系统不同，评估可以在床边进行，甚至对于卧床的受试者也是可能的。

总之，这项工作为广泛临床采用惯性MMG传感器进行卒中后临床运动评估提供了基础。

L. Formstone, W. Huo, S. Wilson, A. McGregor, P. Bentley and R. Vaidyanathan, "Quantification of Motor Function Post-Stroke Using Novel Combination of Wearable Inertial and Mechanomyographic Sensors," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 29, pp. 1158-1167, 2021, doi: 10.1109/TNSRE.2021.3089613.