脑卒中患者上肢功能智能评估系统研究进展

Abstract

At present, the upper limb function of stroke patients is often assessed clinically using a scale method, but this method has problems such as time-consuming, poor consistency of assessment results, and high participation of rehabilitation physicians. To overcome the shortcomings of the scale method, intelligent upper limb function assessment systems combining sensors and machine learning algorithms have become one of the hot research topics in recent years. Firstly, the commonly used clinical upper limb functional assessment methods are analyzed and summarized. Then the researches on intelligent assessment systems in recent years are reviewed, focusing on the technologies used in the data acquisition and data processing parts of intelligent assessment systems and their advantages and disadvantages. Lastly, the current challenges and future development directions of intelligent assessment systems are discussed. This review is hoped to provide valuable reference information for researchers in related fields.

引言

脑卒中具有高发病率、高致残率、高死亡率、高复发率和高经济负担的“五高”特点，是威胁人类健康的主要疾病之一^[1]。随着我国人口老龄化程度的持续加深，脑卒中患者逐年增多，2019年我国脑卒中患者出院人数已接近500万人^[2]。调查显示，约75%的脑卒中幸存者伴有不同程度的运动功能障碍^[3]，这严重影响了其独立生活能力，降低了生活质量。脑卒中患者的运动功能恢复缓慢，需要进行长期的康复治疗^[4]。现代康复医学和临床实践表明，有效的运动康复训练能够改善脑卒中患者的运动功能，加快其运动能力的恢复进程^[5]。

脑卒中患者的康复治疗是一个循环的过程，主要分四个步骤：功能评估、计划制定、计划实施和效果评价^[6]，如图1所示。康复治疗的目的是最大程度恢复患者的运动功能，包括上肢和下肢等。人类的上肢与下肢相比，肌肉多，肌形较小且细长，运动更加灵活，承担了人类在日常生活中的复杂精细任务，因此患者的上肢运动功能恢复更加困难。功能评估是康复治疗的第一步，是康复治疗的重要前提和依据，将直接关系到患者的整个康复进程和最终康复效果。康复医师根据功能评估结果可确定康复目标，并选择合适的康复治疗方案，为患者提供个性化、精准化的康复治疗，进而提高康复效率和疗效，加快康复进程，减轻患者负担。目前针对脑卒中患者的上肢功能评估，临床上多采用量表方法^[7]。量表方法是指康复医师引导患者尝试进行一系列的上肢动作，并根据动作的完成度打分，进而评估出患者的上肢功能^[8]。目前康复医学正向个性化、精准化、远程化和智能化方向发展^[9]，这也是上肢功能评估的必然趋势。随着传感器技术和机器学习算法的发展，不但可以使用传感器提供客观、精准的数据，补充康复医师的主观判断^[10]，而且可以结合传感器技术和机器学习算法设计智能评估系统，这是近年来康复学者研究的热点之一。

图 1.

The rehabilitation cycle

康复周期

本文旨在综述近年来上肢功能智能评估系统的研究进展，首先对常用的临床上肢功能评估方法及其短板进行了分析总结，随后对近年来典型的上肢功能智能评估系统进行了系统性分析总结，并重点综述了智能评估系统中的数据采集和数据处理部分，最后对未来的智能评估系统的相关发展进行了展望，以期相关领域的研究学者能够系统地了解目前上肢功能智能评估系统的研究进展和未来发展方向，提供有价值的参考信息。

1. 临床上肢功能评估方法

临床常用的脑卒中患者上肢功能评估方法主要有布鲁恩斯特朗分期（Brunnstrom recovery stages，BRS）、富尔-迈耶评估量表的上肢部分（Fugl-Meyer assessment of upper extremity，FMA-UE）、沃尔夫运动功能测试量表（Wolf motor function test，WMFT）和积木盒障碍测试（box and block test，BBT）等。BRS是当前应用最为广泛的运动功能评估量表之一，具有可靠、简便的特点^[11]。FMA是由BRS进一步精确、量化而来，是脑卒中后运动功能定量评估中应用最广泛的量表之一^[12]。WMFT适用于脑卒中后各期的轻中度有腕指功能恢复的患者，并显示出良好的信效度^[13]。BBT是便携版的标准化手部灵巧度测试，主要用于评估手部的粗大协调运动功能^[13]。尽管这些量表经过验证已认可其标准性，但其结果仍具有主观性且依赖康复医师的观察能力，缺乏很好的再现性^[14]。其次量表方法比较耗时，一次完整的上肢功能评估需要花费30～45 min^[6]，难以及时反馈患者的康复进程。量表方法还存在“天花板”效应，以及对运动表现的细微变化缺乏敏感等问题^[15]。为克服量表方法的这些短板，智能评估系统成为了研究热点，其具有耗时短、客观性强等特点。

2. 上肢功能智能评估系统

本文通过系统的文献检索，选取了近几年研究脑卒中患者上肢功能智能评估系统的典型文献，对智能评估系统的主要构成和关键参数进行了系统性分析和总结，如表1所示。表1中文献根据发表时间由近到远进行整理，选取的主要构成和关键参数包括对照临床量表、受试者数量、数据采集方式、数据处理方法和结果等。对照临床量表是智能评估系统的性能参考标准，决定了研究的方向；受试者数量体现了研究的广度和适用性，包括脑卒中患者和健康人；数据采集方式是智能评估系统的客观信号来源，是决定评估系统准确性的关键因素之一，包括惯性测量单元（inertial measurement unit，IMU）、表面肌电（surface electromyography，sEMG）传感器、深度传感器和脑电图（electroencephalography，EEG）采集系统等；数据处理方法是决定智能评估系统可行性的关键技术之一；结果则体现了智能评估系统的可行性。一个完整的智能评估系统包括数据采集、数据处理和人机交互界面等部分，本节下文首先对近年来智能评估系统的整体研究情况进行了分析总结，随后对其关键技术进行了重点分析，即数据采集和数据处理部分。

表 1. Comparison table of construction parameters of upper limb function intelligent evaluation system.

上肢功能智能评估系统构建参数对照表

数据来源	对照量表	受试者数量 （患者/健康）	数据采集方式	数据处理方法	结果
文献[15]	FMA-UE	37/0	IMU	多元线性回归	相关系数为0.85
文献[6]	BRS	0/36	IMU	循环神经网络	准确率达到100%
	FMA-UE	0/15	深度传感器	卷积-循环神经网络	决定系数为0.89
文献[16]	FMA-UE	2/0	EEG信号采集系统	残差神经网络	决定系数为0.97
文献[17]	FMA-UE	10/0	EEG信号采集系统	偏最小二乘	决定系数为0.97
文献[18]	FMA-UE	8/9	角度传感器、二维力传感器	多元拟合	决定系数为0.91
文献[19]	BRS	55/0	IMU、sEMG信号传感器	模糊支持向量机	准确率达到83%
文献[20]	FMA-UE	0/10	IMU	K近邻	9种不同动作准确率达到98%
				随机森林	9种不同动作准确率达到94%
				支持向量机	9种不同动作准确率达到93%
文献[21]	FMA-UE	14/12	EEG信号采集系统	卷积神经网络	相关系数为0.99
文献[22]	WMFT	47/0	光电传感器	线性回归	相关系数为0.81
文献[23]	FMA-UE	15/10	深度传感器	经验公式	准确率为92%
文献[24]	FMA-UE	10/0	深度传感器、 力敏电阻传感器	二元逻辑分类	准确率为92%
文献[25]	FMA-UE	15/0	深度传感器	客观运动评估	相关系数为0.94
文献[26]	FMA-UE	18/16	IMU、sEMG信号传感器	主成分分析	决定系数为0.85
				多维尺度分析	决定系数为0.85
				非负矩阵分解	决定系数为0.86
				最小绝对收缩和选择算子	决定系数为0.84
文献[27]	BBT	9/0	深度传感器	K近邻	最低准确率为92%
文献[28]	BRS	9/0	sEMG信号传感器	模糊核分类	准确率达到92%

2.1. 智能评估系统的整体研究情况

大部分研究结果表明，智能评估系统评估结果与量表评估结果之间具有相关性，有望替代量表评估方法用于临床上功能评估。与量表评估方法相比，智能评估系统具有耗时短、客观性强、评估结果一致性好、康复医师参与度低等优点。但目前的研究尚处于理论研究阶段，受试者数量少，与临床结合不足，缺乏高质量大规模的临床试验，其大范围临床使用时的可靠性和适用性有待进一步研究。此外，目前的研究更偏向于对智能评估系统的评估指标和数据处理算法的研究，并与量表评估方法进行对比分析，尚未形成完善的智能评估体系。

数据采集和数据处理部分是智能评估系统的关键技术。目前智能评估系统采集的数据除传统的空间运动数据外，还包含了人体生理信号，如sEMG信号、EEG信号等，并且生理信号越来越受到重视，具体的数据采集方式及其优缺点可见下文所述。此外，本文作者在整理的文献中发现，目前智能评估系统使用的数据处理方法多为机器学习算法，具体的数据处理方法及其优缺点可见下文所述。

2.2. 智能评估系统的数据采集部分

数据采集部分是智能评估系统的关键技术之一，数据的质量和稳定性与整个系统的可靠性息息相关，研究中常采用高精度传感器或数据采集系统客观地采集上肢功能相关的数据。如表1所示，上肢功能智能评估系统中常用的传感器或数据采集系统包括IMU、sEMG信号传感器、深度传感器和EEG信号采集系统等，使用频率和常见组合如图2所示。深度传感器因无需穿戴，且能提供丰富的上肢关节空间运动信息而广受欢迎。而IMU和sEMG信号传感器因良好的穿戴性受到欢迎，两者的结合可以更加全面地反应患者的上肢功能^[29]。

图 2.

Frequency of use of sensors or data acquisition system in intelligent evaluation system

智能评估系统中传感器或数据采集系统的使用频率

IMU是一种测量物体三轴加速度和角速度的传感器，其内部集成了加速度计和角速度计（陀螺仪），并以此解算出物体的姿态，目前尺寸可以做到很小。IMU搭配先进的姿态解算器和滤波算法一起使用，在运动学定量测试中展现了良好的可靠性、准确度和精确度^[30]，市面上已有成熟的产品，结合无线数据传输技术，可以方便地采集上肢关节角度，这使得IMU是智能评估系统中非常实用的选择。但IMU存在多种误差易造成数据漂移，主要分为系统误差和随机误差，系统误差一般通过实验来校正，而随机误差是数据漂移的主要因素^[31]。针对IMU的随机误差处理，滤波技术是有效途径之一，如使用卡尔曼滤波算法可以得到较好的效果^[32]。近年来，有学者研究使用神经网络算法减小误差，取得了比卡尔曼滤波算法更好的效果，但不能分辨补偿的误差来源^[33]。若直接将IMU穿戴在上肢上，运动时因肌肉变形会导致测量角度与实际角度有一定的偏离，可让患者穿戴简易外骨骼，并将IMU固定在外骨骼上避免这个问题。此外，在复杂的临床环境下，磁场和温度会对IMU测量准确度造成影响，可使用温度补偿和电磁屏蔽技术降低影响。

sEMG信号是肌肉运动时产生的微弱的生物电信号，能够很好地反映肌肉的激活程度，是一种安全、无创的神经肌肉功能评估工具，在康复治疗中应用广泛^[34]，但采集时易受到其它电信号干扰^[35]，如电子设备的电信号等，因此使用前需要经过滤波和放大处理。sEMG信号传感器从通道的角度可分为单通道、多通道和高密度，从数据传输方式的角度可分为有线传输和无线传输。目前的智能评估系统中使用的sEMG信号传感器多为单通道，信号质量与电极的质量和放置位置关系密切，适用于采集大块肌肉的sEMG信号^[36]。使用高密度阵列式电极采集sEMG信号是研究热点，可获得sEMG信号丰富的时域和空间信息^[37]，但在智能评估系统研究中鲜有提及。从信号精准度来讲，无线传输比有线传输更具优势，电池供电可有效避免工频干扰，信号采集时也较少由于肢体运动造成导线的串扰^[38]，但采集时长受电池限制。此外，无线传输更容易导致数据错误或丢失，可使用可靠的数据传输协议来避免这个问题。

深度传感器是一种可以探测环境物体与传感器之间距离的传感器，其不仅可以得到环境物体的二维信息，还能够获取对应的深度（距离）信息^[39]。常见的深度传感器按照使用的技术可分为3种，分别是结构光、双目立体成像和飞行时间法^[39]。文献分析发现，目前智能评估系统中使用较多的是一款三维（three-dimensional，3D）体感摄影机Kinect v2（Microsoft，美国），其内部集成了实时人体姿态识别算法，可用于捕捉人体关节的空间运动^[6]。但是Kinect v2基于飞行时间法实现，分辨率低，使用时准确的误差模型在目标识别和姿态识别算法中至关重要^[40]，其深度测量误差与测量距离的平方成线性关系^[41]。在识别评估手势动作时，可以使用Leap Motion图像传感器（Leap，美国）实时定位手指关节的坐标，其基于双目立体成像技术实现，深度测量精度可达亚毫米级，但可测量空间较小^[23]。基于结构光技术实现的深度传感器在智能评估系统研究中鲜有提及。深度传感器使用时患者无需穿戴，十分方便，但需要场地和光照环境的支持，且需要避免其他人产生干扰。

EEG信号一般而言是由颅腔内的神经细胞所产生，并由大脑皮质传导到头皮表面被记录到的电生理信号^[42]，已证明可以作为反映大脑功能活动的重要生理参数，包含了大量的生理与疾病信息，可进一步反映脑神经功能活动和损伤的有无及程度^[43]。EEG信号具有无创、实时、连续、时间分辨率高以及认知意识相关性强等特性，但EEG信号是典型的极其微弱的非平稳随机信号^[44]，在采集时极易被无关噪声污染，如眼电、心电以及设备和实验环境的电磁干扰等。EEG信号采集系统是放大并记录EEG信号的仪器，其输入阻抗、共模抑制比、带宽、采样率等都是关键指标^[45]。EEG信号虽然具有能够直接反映人的运动意图、不易疲劳等优点，但EEG信号在采集和处理时十分繁琐，对于智能评估系统的临床应用具有一定的局限性。

2.3. 智能评估系统的数据处理部分

数据处理部分是智能评估系统的关键技术之一，是决定评估系统准确性的关键因素。从分析的文献来看，数据处理方法主要分为2大类，分别是基于公式的数据处理方法和基于机器学习算法的数据处理方法，后一类方法使用的较多。

基于公式的数据处理方法是指直接使用数学公式从测得的数据中计算出评估结果，而不需要经过数据集训练的模型，使用的数学公式可分为经验公式和推导公式。这种方法计算速度快，不需要大量数据，但非线性拟合效果较差。

基于机器学习算法的数据处理方法是指经过数据集训练的机器学习算法模型输出评估结果的方法，这种方法可以很好地将输入特征映射到输出变量，研究中得到越来越广泛的应用，其数据处理流程如图3所示，常用的机器学习算法对比分析如表2所示^[47-50]。传统的机器学习算法，如K近邻、随机森林和支持向量机等，模型较为简单，但使用时需要花费大量的时间和精力创建合适的输入特征。随着机器学习算法的深入研究，出现了更加复杂的算法模型。深度学习是一类将神经网络作为参数结构进行优化的机器学习算法模型，包括卷积神经网络、递归神经网络和循环神经网络等。与传统的机器学习算法不同，深度学习可以从原始信号中自行学习输入特征并完成分类^[46]，但需要较大的运算能力和大量数据，且模型设计复杂，可解释性差。

图 3.

Data processing flow based on machine learning

基于机器学习的数据处理流程

表 2. Comparison of commonly used machine learning algorithms.

常用的机器学习算法对比

算法名称	优点		缺点
K近邻	对数据的分布无要求；直接使用训练集对数据样本进行分类，训练阶段较快		分类阶段需要逐个计算与训练样本的相似程度，计算量大且速度慢；数据不均衡时，预测偏差比较大；K值不易选择
随机森林	通过降维能够处理很高维度的数据；训练速度快；缺失资料时，仍可以维持较高的准确度		若某个变量分类较多，会对随机森林产生更大的影响；在某些噪音较大的分类或回归中产生过拟合
支持向量机	擅长解决小样本、非线性问题；无局部极小值问题；可以很好地处理高维数据集；泛化能力较强		对核函数的高维映射解释力不足，尤其是径向基函数；对缺失数据敏感；适用于二分类问题，对于多分类问题容易产生过拟合
卷积神经网络	共享卷积核，对高维数据处理无压力；自动提取特征，分类效果好		超参数具有内部依赖性，调整成本特别高；数据量要求大，硬件计算能力要求高
循环神经网络	含有隐藏层，具有记忆功能；能够很好的处理具有时序特征的数据		结构复杂，权重参数众多；容易出现梯度消失或梯度爆炸问题

3. 展望

近年来，有关上肢功能智能评估系统的研究越来越多，很多也已初见成效，但相关研究多处于理论研究阶段，尚未在临床上应用。目前的研究与临床结合不够紧密，缺乏高质量大规模的临床试验，智能评估系统的可靠性和适用性有待在临床试验中进一步验证。未来的研究应与医院多加合作，从临床应用的角度出发研究智能评估系统的设计与应用。此外，智能评估系统需要建立合适的评估体系，包括评估指标的选取、评估结果的展示等。本文对智能评估系统不同部分进行了展望，包括数据采集、数据处理和人机交互界面部分。

3.1. 数据采集部分展望

目前上肢功能智能评估系统中使用的评估数据来源还比较单一，表1中73%的研究仅使用了一种传感器或数据采集系统，难以较全面地反映患者的上肢功能情况。接下来研究的一个重点是如何较好地同时采集多种物理信号和人体生理信号，从多方面评估上肢功能，提高智能评估系统的可靠性和适用性。此外，可以研究使用生活中常见的设备采集评估数据的可能性，如张潇等^[51]分析了脑卒中患者点击触摸屏上不同目标时产生的数据，结果表明其用于定量化上肢功能评估有一定的可行性。

3.2. 数据处理部分展望

近年来，机器学习算法在智能评估系统中广泛使用，并取得了不错的结果，但选择合适的机器学习算法和创建合适的表征上肢功能的输入特征仍较为困难。因此不仅需要加大机器学习算法在智能评估领域的应用研究，而且需要深入研究表征上肢功能的物理和生理特征，寻找更合适的输入特征。人体生理电信号已广泛用于上肢功能评估，如sEMG信号、EEG信号等，但不同个体间生理电信号差别较大，克服个体间差异性对于智能评估系统是一个很大的挑战。机器学习算法各有特色，研究不同算法的组合使用，或研究新的专用于人体生理电信号处理的算法，有望在未来解决个体间差异性问题。此外，在采集如运动信号、力信号、人体生理信号等多源信号的基础上，可以进一步进行特征提取和筛选，确立多尺度上肢运动功能评估指标，研究多源信息融合的数据处理方法。

3.3. 人机交互界面部分展望

已有文献中，功能完善的人机交互界面报道较少。但智能评估系统在临床应用时，人机交互界面也将起着重要作用。优秀的人机交互界面可以充当康复医师的角色，在评估期间给予患者语音或视频的指导和鼓励，从而在几乎无康复医师参与的情况下完成评估，减轻康复医师的负担。人机交互界面的设计应基于人因工程理论，并从用户的基本需求出发设计符合用户知识背景、思维模式、操作习惯的界面框架和界面元素，实现所见即所得式的人机交互。虚拟现实（virtual reality, VR）技术用于越来越多的领域，设计基于VR的人机交互界面是一个很好的选择。例如，Ona等^[52]基于VR开发了用于康复训练的严肃游戏和运动功能智能评估系统；Adams等^[53]设计了模拟日常生活工具活动的VR环境，用于上肢功能评估。

4. 总结

在时间和医疗资源受限的情况下，结合了先进的传感器技术和机器学习算法的智能评估系统能够为康复医师提供决策支持，从而推动精准医疗的发展。相较于量表评估方法，智能评估系统具有耗时短、客观性强等特点，且易于在家庭或社区中使用，能够及时反馈患者的康复进程，进而制定个性化的康复治疗方案，加快康复进程以减轻患者和家庭的经济负担。IMU、sEMG信号传感器、深度传感器和EEG信号采集系统是目前智能评估系统中常用的信号采集设备，提供了有关上肢功能的客观而丰富的信息。功能强大且多种多样的机器学习算法在智能评估系统中广受欢迎，提供了良好的输入到输出的映射关系。目前的智能评估系统还存在着临床应用研究不足、评估数据来源单一、个体间生理电信号差异性难以解决和人机交互性欠佳等问题。但随着技术的发展和研究的深入，相信未来的智能评估系统能广泛应用于临床，造福患者和康复医师。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：李素姣主要负责综述论文的文献分析、论文部分撰写、修改与指导；吴坤主要负责文献资料的整理、分析、撰写和修改；孟巧玲主要负责论文的修改和指导；喻洪流主要负责论文的修改和审校。

伦理声明：本文不涉及伦理。

Funding Statement

国家自然科学基金资助项目（61903255）；国家重点研发计划资助项目（2020YFC2007902）

National Natural Science Foundation of China; National Key R&D Program of China