基于可穿戴传感器的卒中上肢运动功能评估：两种运动分割策略的临床转化比较

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Advancing Wearable-Based Upper-Limb Stroke Recovery Assessment to the Clinic: A Comparison of Movement Segmentation Strategies

　　本研究针对卒中后上肢运动功能评估的临床需求，系统比较了基于可穿戴惯性传感器的两种运动分割策略（解剖分割与线性分割）在评估运动缺损方面的性能。研究人员通过17名卒中患者在模拟日常环境中的活动数据分析，发现解剖分割法虽然需额外胸骨传感器但评估效度更优（与FMA-UE相关性达0.86），而单腕式传感器的线性分割法虽便携性更佳，其自动检测版本的评估效度稍逊（相关性0.77）。该研究为可穿戴技术在康复医学中的精准应用提供了重要依据，推动了客观化、连续化卒中康复评估的临床转化。

　　

引言：从临床困境到技术破局

卒中作为全球致残率最高的神经系统疾病之一，每年导致数百万人面临上肢运动功能障碍的挑战。传统临床评估工具如Fugl-Meyer上肢评估（FMA-UE）和Wolf运动功能测试（WMFT）虽被广泛使用，却存在耗时耗力、依赖专业评估者、难以频繁实施等局限，严重制约了康复治疗的个性化调整。这一临床痛点催生了基于可穿戴传感器的自动化评估技术，其中通过分析惯性测量单元（IMU）数据解析运动行为特征的"运动分割"方法尤为引人注目。然而，该领域长期存在两种理论分歧：一种主张通过胸骨传感器辅助的解剖分割法，将运动分解至人体解剖轴系；另一种则推崇仅需单腕传感器的线性分割法，专注于识别直线运动轨迹。这两种方法孰优孰劣？其临床适用性如何？这正是本研究旨在解答的核心问题。

关键技术方法概览

研究团队招募17名慢性期卒中患者（59.9±12.3岁），在其卒中侧手腕和胸骨佩戴IMU传感器，于模拟公寓环境中完成11类日常生活活动（ADLs）（表1）。通过嵌套留一交叉验证（LOSOCV）框架，分别采用解剖分割法（将全局坐标系下的腕部加速度转换至胸骨坐标系后分解速度曲线）和线性分割法（通过CNN检测或人工标注线性运动后沿主方向分解）提取运动片段。从片段中提取88项运动学特征后，采用可靠性筛选（ICC≥0.75）和多层感知器（MLP）回归模型构建数字评估指标，以Spearman相关性验证其与临床量表（FMA-UE、WMFT等）的同步效度。

研究结果分析

A. 运动缺损评估效能对比

如表2所示，解剖分割法在评估运动缺损方面表现出最优的同步效度，与FMA-UE的相关性高达0.86，且可靠性（ICC=0.82）显著。线性分割法中，基于人工标注线性运动的版本效能接近解剖分割法（与FMA-UE相关性0.85），但CNN自动检测版本因分类误差导致效能下降（相关性0.77）。尽管统计检验未显示显著差异，但趋势表明解剖分割法在精度上更具优势，而单传感器方案的线性分割法在便携性与评估效能间需权衡。

B. 解剖分割法的深度解析

进一步分析发现，解剖分割法共处理174,716个运动片段，远超线性分割法（14,946个）。通过控制数据量实验（图3）发现，当使用60%以上运动片段时，评估效能趋于稳定。将运动类型区分为线性与非线性后（表3）发现，非线性运动片段虽可靠性较低（ICC=0.70），但贡献了主要效度信息（平均ρ=0.71），而线性运动在解剖坐标系下效度较低（ρ=0.60），印证了线性分割法沿主方向分析的理论优势。

C. CNN检测性能的影响因素

线性运动检测模型的F₁分数与患者FMA-UE评分高度相关（ρ=0.89），表明运动缺损越严重，检测精度越低（图4）。超参数分析显示滑动窗口长度与卷积核大小对性能影响显著，且训练数据规模与检测精度正相关，提示扩大样本量可提升模型鲁棒性。

结论与展望

本研究首次系统验证了两种运动分割策略在卒中上肢功能评估中的转化价值。解剖分割法凭借多传感器数据整合优势，提供了更精准的运动缺损量化指标，但胸骨传感器的佩戴负担可能影响长期依从性；线性分割法以单设备便捷性为亮点，虽效能稍逊，但通过优化检测算法与扩展数据采集，有望成为临床推广的实用方案。值得注意的是，数字评估结果与临床量表的差异反映了"运动能力"与"实际表现"的本质区别，后者在模拟真实环境中更能揭示患者日常活动中的运动策略适应。未来工作需扩大样本多样性、融合手部运动监测、并开展纵向响应性验证，最终构建能够动态指导个性化康复的智能评估系统。