编辑推荐：
为解决传统康复评估耗时、易受主观因素影响等问题，研究人员开展基于 IMU 可穿戴设备和深度学习方法评估脑卒中患者上肢 Fugl-Meyer（FMA）评分及 Brunnstrom 分期的研究。结果显示模型评分精度高，这有助于制定个性化康复方案。
在当今医疗领域，脑卒中已成为全球范围内导致残疾的重要原因之一。每年都有大量患者遭受脑卒中的困扰，其中偏瘫是常见的后遗症，而且上肢往往比下肢受到的影响更为严重。为了恢复运动功能，患者需要参与各种康复项目，但康复过程不仅需要大量人力、物力投入，费用高昂，更重要的是，并非所有的康复干预都能取得理想效果。这使得个性化康复的需求日益凸显，而精准的评估则是实现个性化康复的关键。
以往常用的评估工具，如 Fugl-Meyer 评估（FMA）和 Brunnstrom 分期等，虽然在临床上应用广泛，但存在诸多弊端。传统的 FMA 评估需要专业临床医生花费大量时间进行详细评估，每次评估可能持续 30 分钟，而且评估结果极易受到医生主观因素的影响，例如医生的经验、对患者运动质量的判断差异，甚至当天的情绪和疲劳程度等，这些因素都会导致评分的不一致性，难以准确反映患者的真实情况。
为了攻克这些难题，中国科学技术大学苏州生物医学工程学院以及中国科学院苏州生物医学工程技术研究所等机构的研究人员开展了一项具有创新性的研究。他们旨在利用机器学习技术和从可穿戴惯性测量单元（IMU）收集的数据，对脑卒中后运动功能障碍患者的上肢 Fugl-Meyer 评估（FMA）进行精准评分，并建立 Brunnstrom 分期预测模型。
研究人员开展此项研究用到的主要关键技术方法包括：招募 120 名符合条件的脑卒中患者（样本队列），使用配备 IMU 的康复臂带和手套收集患者运动信号；对收集到的信号进行预处理，包括信号分割、滤波、采样、处理缺失信号；构建基于门控循环单元（GRU）的网络对 FMA 各项进行评分，利用随机森林（RF）和极端随机树（ERT）算法结合主成分分析（PCA）建立 Brunnstrom 分期预测模型。
研究结果如下：
- FMA 评分模型性能：构建 27 个 GRU 网络对 FMA 的 27 项进行评分，多数项目在实施数据平衡策略后模型性能提升。将 27 个模型得分相加得到上肢 FMA 总分，与治疗师评估总分相比，实施平衡策略后，决定系数 R2 从 0.9774 提升到 0.9838，均方根误差 RMSE 从 2.8347 降低到 2.4016 。这表明该模型能较为准确地评估上肢 FMA 总分。
- Brunnstrom 分期预测模型性能：利用 FMA 中 27 项的得分构建 RF 和 ERT 模型预测手臂和手部的 Brunnstrom 分期。结果显示，ERT 模型在手臂和手部分期预测方面表现更优，准确率分别达到 76.72% 和 82.09%，Spearman 相关系数分别为 0.9475 和 0.9709。这说明 ERT 模型在预测 Brunnstrom 分期上具有较高的可靠性。
研究结论和讨论部分指出，该研究开发的上肢运动功能评估系统具有重要意义。通过可穿戴设备和智能算法建立的 FMA 评分模型和 Brunnstrom 分期预测模型，在评估脑卒中患者运动功能方面表现出色，有望应用于临床实践。一方面，这些模型能够减轻临床医生的工作负担，使他们可以依据更准确、实时的数据制定个性化治疗方案；另一方面，模型可以部署在多种临床环境甚至患者家中，方便患者进行持续监测和康复。然而，研究也存在一定局限性，如 FMA 评分标准存在模糊性，PCA 降维后特征可解释性变差，且缺乏集成软件平台。但总体而言，该研究为未来进一步优化评估系统、开展更精准的康复治疗奠定了坚实基础，为脑卒中患者的康复带来了新的希望，其成果发表在《Journal of NeuroEngineering and Rehabilitation》上，为相关领域的研究提供了重要参考。
