云-机器人-可穿戴系统在双侧伸手康复中的应用：患侧识别与质量量化

《Electronics》：A Cloud–Robot–Wearable System for Bilateral Reaching Rehabilitation: Affected-Side Identification and Quality Quantification Chia-Hau Chen, Li-Hsien Tang, Chang-Hsin Yeh, Eric Hsiao-Kuang Wu and Shih-Ching Yeh

　　

由于治疗师短缺，基于家庭的康复成为中风护理的重要组成部分，但当功能增益难以量化和解释时，患者往往表现出依从性降低。本研究提出了一种以动态伸手任务为中心的云平台评估框架，用于轻度中风患者的上肢康复。所提出的系统结合可穿戴传感和物联网（IoT）连通性，将运动学数据流式传输到云端进行近实时分析，并集成力反馈康复机器人以在训练期间提供运动指导。该流程分为三个阶段。首先，提取与平滑度相关的运动学描述符，并输入到深度多类分类器中以区分患侧（左侧、右侧或健康）。其次，使用在IoT获取的轨迹上训练的高斯混合模型（GMM）对运动质量进行建模，通过概率相似性量化表现。第三，经过校准的评分函数将GMM对数似然转换为归一化的0–1质量指数，生成视觉报告，支持患者和治疗师进行可解释的反馈。该框架使用从台北荣民总医院收集的中风患者运动数据进行验证。实验结果表明，神经网络多分类器的F1得分为0.95。结合机器人衍生的交互信号，分类性能提高了约5%。对于运动质量评估，得出的得分与右侧受影响患者的治疗师定义的金标准参考值显示出显著的正相关（皮尔逊相关系数=0.632，p = 0.02）。此外，整合机器人力反馈信号和AIoT驱动的动态流将评分准确性提高了8%，评分响应性提高了10%。这些量化结果证实了结合IoT驱动传感和机器人辅助训练在客观、可解释和远程部署的运动评估方面的有效性。

针对中低收入国家中风高发病率及治疗师资源匮乏的现状，基于家庭的康复成为临床护理的重要补充。然而，现有家庭康复存在患者依从性低、运动质量难以量化以及缺乏对患侧特异性评估等问题。传统临床量表存在主观性且无法捕捉连续的运动质量变化，而现有的自动化评估框架往往缺乏明确的患侧识别功能，导致双侧任务中健侧与患侧数据混杂，降低了评估的敏感性。此外，离散评分模型对细微运动变化的敏感性不足，无法提供连续的康复进展反馈。为了解决这些问题，研究人员开展了一项研究，旨在提出一种集成物联网（IoT）、机器人辅助和深度学习的综合评估框架。

研究人员采用了以下关键技术方法：研究样本队列来源于台北荣民总医院，包括5名中风患者和3名健康对照者。主要技术方法包括：利用Kinect体感和可穿戴惯性测量单元（IMU）采集多模态运动数据，并通过Amazon Web Services（AWS）云平台进行近实时数据处理；提取与平滑度相关的运动学特征；使用深度神经网络作为多分类器识别患侧；采用高斯混合模型（GMM）建立特定侧别的运动质量概率模型，并结合校准的评分函数将似然值转化为0-1的质量指数；利用力反馈康复机器人提供辅助和交互信号以增强数据维度。

研究结果部分主要包含以下几个方面：
首先，在特征选择方面，通过单因素方差分析（ANOVA）筛选出具有统计显著性的平滑度相关运动学特征，为后续分类和质量评估提供了基础。
其次，在患侧识别方面，研究人员测试了决策树、随机森林、支持向量机（SVM）、前馈神经网络和长短期记忆网络（LSTM）等多种分类器。结果表明，前馈神经网络表现最佳，F1得分达到0.95。当结合机器人交互信号时，分类性能进一步提升了约5%。这证明了深度学习在区分健康、左患侧和右患侧方面的有效性。
第三，在运动质量量化方面，研究建立了基于健康受试者数据的特定侧别GMM模型。对于右侧受影响的患者，量化得分与治疗师定义的金标准参考值显示出显著的正相关（Pearson correlation = 0.632, p = 0.02）。整合机器人力反馈信号和AIoT动态数据流使得评分准确性提高了8%，响应性提高了10%。然而，对于左侧受影响患者，由于样本量较小及非优势侧评估的天然变异性，未观察到显著的相关性。

在讨论部分，研究人员分析了结果的可解释性。指出结合Kinect骨架数据、可穿戴IMU信号和机器人力反馈的AIoT架构能够有效支持患侧辨别和连续运动质量量化。前馈神经网络优于LSTM的原因可能在于所选特征主要为总结性统计量而非序列表示，且机器人辅助有助于稳定运动执行，减少了时序建模的必要性。此外，讨论了左侧患者相关性不显著的潜在原因，包括样本量小、患者异质性以及动态任务对非优势侧评估的敏感性差异。

结论部分指出，该研究提出的动态伸手任务和分析框架能够有效地识别患侧，并通过GMM和可解释评分函数量化运动质量。实验结果证实了该方法在轻度中风家庭康复中具有可行性，能够提供接近临床评估水平的可解释反馈。未来工作将招募左利手参与者并扩展传感器以进一步提升模型的泛化能力和个性化水平。本研究发表在《Electronics》期刊。