基于可穿戴传感器与自动特征学习的膝关节运动学分析在前交叉韧带重建术后早期骨关节炎鉴别中的可行性研究

　　本研究针对前交叉韧带重建（ACLr）后早期膝关节骨关节炎（OA）风险人群的鉴别难题，利用惯性测量单元（IMU）采集连续三维膝关节运动学数据，通过LASSO回归模型从468个时序特征中筛选出7个关键生物力学标志物。研究实现了80.7%的鉴别准确率，首次发现膝关节轴向旋转范围（PTP）和最大外旋角度是ACLr群体的显著特征（Cohen's d=1.35/1.31），为可穿戴设备在社区环境下开展OA早期筛查提供了新范式。

　　

膝关节骨关节炎（Osteoarthritis, OA）作为一种退行性关节疾病，已成为全球致残的主要因素之一，而前交叉韧带（ACL）损伤则是其最重要的风险因素。值得注意的是，无论是否接受手术重建（ACLr），ACL损伤患者发生膝OA的风险都比未受伤者高出四倍，且症状出现时间会提前5-10年。传统的OA诊断依赖影像学检查，往往在结构损伤已形成时才被发现，错过了早期干预的黄金窗口。更棘手的是，当前用于评估OA风险的生物力学检测方法多依赖实验室内的光学运动捕捉系统和测力台，设备昂贵、操作繁琐，且受限于单一运动任务（如步行），难以反映日常活动中的真实状态。

为解决这一难题，英国埃塞克斯大学的研究团队开展了一项创新性研究，尝试通过可穿戴惯性测量单元（IMU）传感器捕捉连续膝关节运动学数据，并结合机器学习算法自动提取特征，以鉴别ACLr群体与健康对照组。该研究近期发表于《Clinical Biomechanics》，为早期OA的无创筛查提供了新思路。

研究团队招募了12名ACLr患者和19名健康对照者，在其大腿和小腿佩戴IMU传感器，连续采集坐站转换、行走、跨越障碍、深蹲等日常活动序列的三维膝关节运动学数据。通过Python的TSFEL库从每个维度（矢状面、冠状面、轴向）提取156个时序特征（共468个），涵盖统计特性、时域特征、频谱分析和分形复杂度等维度。采用LASSO回归模型进行特征筛选和分类，并通过合成少数类过采样技术（SMOTE）处理样本不平衡问题。

研究结果显示，基于膝关节运动学特征的LASSO模型成功实现了80.7%的鉴别准确率，灵敏度高达92%，特异性为74%。阳性似然比（LR+）为3.48，表明检测结果阳性时ACLr可能性显著增加。从468个特征中筛选出的7个关键生物标志物里，膝关节轴向旋转相关特征表现最为突出：ACLr组的轴向旋转峰峰值（PTP）和最大外旋角度分别较健康组降低1.35和1.31个标准差（大效应量）。这意味着ACLr患者表现出明显的膝关节旋转活动度受限特征。

此外研究还发现：ACLr组膝关节轴向旋转峰度的降低（d=1.03）提示运动模式更趋一致，缺乏健康人群的生理性波动；额状面角度自相关性的增高（d=1.03）反映运动序列的重复性和可预测性增强；而小波熵值的下降则表明运动复杂性减低。这些发现共同指向ACLr群体存在运动模式僵化、适应性降低的典型特征。

在讨论环节，研究者指出膝关节轴向旋转特征的鉴别价值尤其重要，因为ACL的主要功能正是维持膝关节旋转稳定性。术后患者可能因移植物"过度紧张"导致旋转受限，这种生物力学改变会进一步引发关节软骨应力分布异常，加速OA进程。相较于依赖多关节动力学参数的传统实验室方案，本研究仅通过两个IMU传感器即实现有效鉴别，使社区化、居家化的OA早期筛查成为可能。

该研究的局限性包括样本量较小、未采用MRI验证软骨状态以及横断面设计无法推断因果关系。但作为可行性研究，其价值在于验证了可穿戴传感器结合自动特征学习策略在OA风险筛查中的潜力。未来研究可扩大样本规模，结合多中心纵向数据，进一步探索这些生物力学标志物与软骨退变进展的关联。

综上所述，这项研究首次证实基于IMU的膝关节运动学自动分析能够有效鉴别ACLr人群，其中轴向旋转特征可作为最具潜力的生物力学标志物。随着可穿戴技术的不断发展，这种低成本、高效率的评估方案有望突破实验室壁垒，为膝关节OA的早期筛查与健康监测提供创新性解决方案。