特定阶段的多模式生物标志物可以解释慢性中风中上肢功能障碍的评估

科学领域:

• 生物力学 生物力学
• 神经康复疗法 神经康复疗法
• 机器学习 机器学习

背景情况:

• 精确评估中风后的上肢功能障碍对于有效的康复至关重要.
• 当前的可穿戴传感器和机器学习 (ML) 方法往往缺乏可解释性,并且无法捕捉相位特定的动力缺陷.

研究的目的:

• 通过肌肉骨运动模型开发和验证一个可解释的评估框架.
• 提取相位特定的多模式 (动力学和动力学) 生物标志物,用于评估慢性中风患者上肢功能障碍.

主要方法:

• 65名慢性中风成年人和20名健康对照人进行了手到嘴的任务.
• 惯性测量单位 (IMU) 和表面电肌学 (sEMG) 数据与肌肉骨建模一起用于提取生物标志物.
• 一个拉索回归模型预测了Fugl-Meyer Assessment-Upper Limb (FMA-UL) 评分,并使用交叉验证和独立队列进行验证;SHAP (SHapley添加式扩展) 确定了关键特征.

主要成果:

• 与对照组相比,中风患者表现出特定阶段的变化,包括增加干位移和减少关节间协调和机械工作.
• 拉索模型表现出强大的预测性能 (R2=0.932内部,R2=0.881外部) 对于FMA-UL分数.
• SHAP分析强调,干位移和肘肩协调是主要预测因素,较大的干位移对FMA-UL分数产生负面影响.

结论:

• 一个可解释的框架,将特定阶段的多模式生物标志物与可解释的ML集成在一起,有效地评估中风后的上肢功能障碍.
• 该框架确定了康复的具体目标,例如干部补偿和联合协调,使个性化,精确的康复策略成为可能.