基于脉冲序列分析和深度学习的康复运动分类新方法：从生物启发的特征提取到精准评估

《Scientific Reports》：Spike train analysis in rehabilitation movement classification using deep learning approach

本研究针对传统物理治疗评估方法在普适性和鲁棒性方面的不足，开发了一种基于脉冲序列特征提取的创新框架，用于精准跟踪患者康复进展。研究人员通过将骨骼数据编码为脉冲序列，利用定制化卷积神经网络(CNN)对六类康复运动进行分类识别，在UI-PRMD、K3Da和自采数据集上分别达到99.44%、98.21%和100.00%的识别率。该研究首次将脉冲发放频率( firing rate)作为运动正确性评估的辅助指标，提出的平均百分比误差(MPE)和平均绝对偏差(MAD)指标有效补充了分类框架，为家庭康复监测提供了新技术方案。

　　

在当今医疗资源分布不均的背景下，物理治疗作为重要的康复干预手段面临着严峻挑战。据统计，2021年全球有超过314万患者需要接受物理治疗，而马来西亚每千人仅拥有0.05名物理治疗师，远低于其他发达国家水平。传统康复模式要求患者定期前往医院或康复中心，这对行动不便的老年患者、卧床患者或偏远地区患者造成了巨大负担。同时，标准化运动处方难以满足患者个体化差异需求，缺乏客观量化评估手段也制约了康复效果的精准判断。

家庭康复作为一种变革性范式，为患者提供了更灵活、便捷和连续的护理方案。随着传感器技术的快速发展，基于机器学习技术的智能运动监测系统成为研究热点。然而，现有传感器技术在物理治疗评估中的多功能性和鲁棒性仍有待提升。为此，Fadilla Atyka Nor Rashid等研究人员在《Scientific Reports》上发表了题为"Spike train analysis in rehabilitation movement classification using deep learning approach"的研究论文，提出了一种基于脉冲序列特征提取的创新方法，通过深度学习框架实现康复运动的精准分类和正确性评估。

关键技术方法概述

本研究采用三种数据集(UI-PRMD、K3Da和自采数据集)，将骨骼关节位置数据转换为脉冲序列表示，生成约415种独特脉冲模式。通过滑动窗口(长度W，重叠α)处理，采用自适应阈值算法将运动幅度转换为二进制脉冲。使用留一主体交叉验证(LOSO)和重复分组10折交叉验证评估模型性能。提出定制化51层CNN架构，包含49个卷积层和2个全连接层(丢弃率0.5)，利用脉冲发放频率推导平均误差百分比(MPE)和平均绝对偏差(MAD)作为运动正确性评估指标。

研究结果

脉冲序列的显著模式分析

研究通过脉冲序列分析发现，每种康复运动都具有独特的脉冲发放模式，这些模式可作为运动识别的生物启发特征。从三种数据集的脉冲序列栅格图中可以清晰识别不同运动的特征模式。

在UI-PRMD数据集中，深蹲(图13a)、直线弓步(图13c)和坐站转换(图13d)由于运动方向相似(均为上下方向包含膝屈伸运动)，脉冲模式较为相似。而跨步(图13b)因运动方向相反而呈现不同模式。肩伸展(图13e)和抬腿(图13f)运动因均涉及直立姿势且无膝屈伸而模式相近，但肩伸展脉冲分布更分散，反映了不同肢体运动的特征差异。

K3Da数据集的脉冲模式分析显示，平衡(睁眼)与单腿平衡(图14a、d)模式相似，但单腿平衡表现出更多不稳定特征。椅子起立(图14b)呈现重复站坐运动的周期性模式，而最大跳跃(图14c)则显示爆发性运动的明显波峰特征。自采数据集虽序列较短(25帧/运动)，但仍表现出明显的类别特异性脉冲特征。

基于平均发放率曲线的运动正确性评估

研究通过调谐曲线分析神经元平均发放率与运动方向的关系，提出使用平均百分比误差(MPE)和平均绝对偏差(MAD)量化运动正确性。在UI-PRMD数据集中，对比正确与错误动作的发放率曲线发现，肩伸展运动的错误动作与正确动作偏差最大(MPE=54.00%)，而直线弓步偏差最小(MPE=11.81%)，表明受试者在上肢运动方面存在更多困难。

K3Da数据集的正确性评估以年轻健康受试者为基准，结果显示单腿平衡运动正确性最低(80.14%)，而平衡(睁眼)和最大跳跃正确性较高(分别为98.47%和98.95%)。自采数据集的评估中，坐站转换运动正确性最低(70.89%)，而抬腿运动正确性最高(84.74%)。

识别率性能评估

研究比较了多种CNN架构在康复运动分类中的性能，提出的51层CNN在三个数据集上均表现最优：UI-PRMD识别率达99.44%，K3Da为98.21%，自采数据集达100.00%。显著优于ImageNet(95.12%)、GooLeNet(96.11%)、ResNet18(94.44%)和ResNet101(96.11%)等传统架构。

混淆矩阵分析显示，提出的CNN模型在大多数运动类别上识别准确，仅单腿平衡与跳跃运动因模式相似存在少量误判(10%)。与传统机器学习方法相比，脉冲序列结合CNN的方法在各项运动识别任务中均表现出优势。

物理治疗评估验证

研究通过对比深度学习预测的正确性指标与基于发放率计算的运动正确性，验证了提出框架的有效性。在UI-PRMD数据集中，深蹲和直线弓步运动的预测正确性与计算正确性存在轻微偏差(分别差7.5%和6.97%)，但均在可接受范围内。三个数据集的验证结果均表明，提出的物理治疗评估框架可靠且有效，为家庭康复监测提供了实用工具。

研究结论与意义

本研究成功开发了一种基于脉冲序列分析和深度学习的康复运动分类与评估框架，通过生物启发的时空特征提取方法，在多个数据集上实现了优异的运动识别性能。研究的主要贡献在于：一是提出了脉冲发放频率作为运动正确性评估的辅助指标，二是为每种康复运动生成了视觉显著的脉冲模式，三是采用定制化CNN架构实现了高精度运动分类。

与传统的骨架基于图卷积网络(ST-GCN)和长短期记忆网络(LSTM)等显式建模时间依赖的方法不同，脉冲序列编码强调时间稀疏性和事件时序特性，更适用于捕捉运动正确性的细微偏差。这种生物启发表示为康复运动分析提供了新的视角。

研究的局限性包括仅使用健康受试者数据，缺乏患者群体验证；仅关注关节位置数据而未融合方向特征；数据集规模相对较小等。未来研究方向包括融合多模态骨骼特征、扩展至12类运动-正确性联合分类、在更大规模数据集上验证泛化能力，以及探索与Transformer或图架构的混合建模。

该研究的发现表明，脉冲序列编码为康复运动识别提供了有前景的新途径，有望补充现有基于骨架的人体动作识别方法，增强临床反馈系统的能力，为家庭基康复监测提供技术支撑。随着远程医疗和个性化康复需求日益增长，这种基于生物启发计算的方法有望在改善患者护理效果方面发挥重要作用。