患者术后康复评估的人工神经网络算法

摘要

为了探索人工神经网络在康复评估中的应用，提出了一种ANN稳定可靠的人工智能算法。该方法通过学习已有的临床步态数据，提取不同年龄、不同疾病类型、不同病程的患者的步态特征参数，并对数据进行重复迭代，最终模拟出相应的患者步态参数。实验表明，训练后的ANN在大部分数据上与人类得分相同(82.2%，Cohen 's kappa = 0.743)。人工神经网络与由人类评分者评估的改进的Ashworth评分之间存在很强的相关性(r= 0.825, ）.神经网络作为一种稳定可靠的人工智能算法，可以为临床康复评估提供新的思路和方法。

1.介绍

人工智能(AI)已经成为一个具有许多实际应用和活跃研究课题的领域。人工神经网络(Artificial neural network, ANN)作为现代人工智能技术的重要分支，因其强大的学习能力和稳定的特征识别和预测功能而被广泛深入地应用于现代医学活动中[1］.康复评估主要是对患者功能状态的定量或定性描述，包括身体运动功能评估、平衡能力评估等维度。然而，目前许多康复评估方法费时费力，难以准确量化[2］.因此，近年来，人工智能专家设计和开发了各种ANN算法，并在真实的临床环境中对患者的康复情况进行评估，取得了令人满意的结果。自20世纪90年代以来，人工神经网络作为一种人工智能工具，在肿瘤、肺栓塞等疾病的临床诊断中得到了广泛应用。神经计算机的发明者Robert H. Nielsen博士将神经网络定义为一种计算系统，它由许多简单且高度相互关联的处理元素组成，可以通过对外部输入信息做出动态反应来处理实际问题[3.］.脑卒中因其高发病率和致残率，已成为临床常见病。常伴有各种功能障碍，其中上肢运动功能障碍是影响上肢功能障碍最广泛的。近年来，康复医学逐渐向精准、远程、智能化、个性化方向发展，其中精准评价是一个重要方向。基于传感器技术与人工智能理论的融合，对上肢运动功能的自动评估进行了深入研究，从手臂、手的运动功能障碍和上肢活动功能出发，设计了运动测量系统。提出三种基于传感器数据的深度学习方法，实现临床尺度特征提取[4］.

Pryor等人提出了一种基于混合密度神经网络的身体评价模型。通过微软Kinect传感器采集患者的运动序列作为神经网络的输入。神经网络由两层组成:自编码层和混合密度层。前者用于对运动序列进行降维，提取特征;后者用于将患者的运动序列表示为高斯密度函数，并与预设的运动进行比较，评估患者的身体功能。该模型可应用于家庭环境下脑卒中康复患者的康复评估和训练指导[5]Wilkinson等人使用聚类分析和人工神经网络分析了通过三维运动分析系统获得的74名中风患者的步态数据。首先，他们通过K-means算法对患者的步态模式进行聚类分析，使用的特征包括患者脚的落地位置等14个参数，并获得三个患者聚类。发现脚的第一个接触位置分别对应于前脚、脚底和脚跟；然后，将膝关节的角度变化作为多层感知器的输入，对患者足部的第一次接触位置进行分类，分类准确率为100%[6］.基于本文的研究结果可以发现，利用传感器传感技术和深度学习人工智能分析方法可以实现对脑卒中患者运动功能的准确测量和定量评价，弥补了传统评价方法的不足，并促进在家庭和社区环境中开展康复评估。

通过建立虚拟机械模型或通过神经网络算法对已有数据进行学习和预测，可以更好地反映目标群体的平衡能力。但目前存在的主要问题是缺乏大样本多疾病临床评价模型，其临床可行性有待进一步研究。

2.材料和方法

人工智能是计算机科学的一个重要分支，包括机器学习、机器视觉、智能搜索等许多应用领域。简单地说，机器学习(ML)是使计算机智能化的基本途径。ML可以理解为使计算机能够从海量数据中发现和挖掘深度规则，然后进行数据分类和预测，这类似于数学中的函数模型。将数据样本作为输入变量，输出为仿真的预期结果。ML可进一步分为有监督学习模式和无监督学习模式[7］.无监督学习是直接对数据进行建模，无需预先提供训练所需的数据样本。将要讨论的人工神经网络是一个需要数据训练的有监督的机器学习类别。参见图1对于具体的机器学习分类。数字2通过函数图像直观地解释这两个概念。

2．1．评价康复

康复评估是一个收集患者病史及相关资料的过程;提出假设;进行检验和测量;比较、综合、分析和解释结果;最后形成障碍的结论和诊断。康复评估包括所有需要康复治疗的功能或能力障碍。通过康复评估，可以发现和确定障碍的位置、范围、类型、性质、特征、程度、原因和预后，为制定明确的康复目标和康复治疗方案提供依据。正确准确的康复评估是制定正确的康复治疗原则、方案和具体实施方案的前提和基础。此外，患者的康复治疗效果也需要通过康复评价结果的变化来体现[8- - - - - -10］.

康复治疗的整个过程必须依靠康复评估。一般来说，康复评估主要有以下功能:(1)寻找和确定障碍的类型、程度和原因;(2)指导制定康复治疗方案;(3)确定康复治疗方案;(4)判断康复效果;(5)预后分析;(6)防止障碍的发生和发展。在评估各种功能障碍的过程中，常用的康复评估方法有观察法、调查法、量表法和仪器测量法;其中，量表法是目前临床实践中最常用的评价方法，是一种使用标准化量表对患者功能障碍严重程度进行分类或总结评分的方法。

2．2．循环神经网络

递归神经网络（RNN），也称为自动关联网络或反馈网络，是目前最流行的深度学习算法之一。RNN单元相互连接形成一个有向循环，单元的内部状态使网络显示动态的时间行为。它们在上下文为cru的任务中尤其强大用于预测结果，通常用于解决语音识别和自然语言处理等领域的问题。RNN可以使用其内部存储器处理任何输入序列。在RNN中，信号通过在网络中引入环路向前和向后传播。

RNN的前向传播公式如下: 其中，lining是输入层中神经元I的输入向量t，是1的时刻神经元的隐藏状态向量，即前一刻来自记忆单元的信息，输入的信息是否及时t以及活化函数经过非线性变换后，经加权积和得到的前一时刻的记忆单元信息 ．它成为当前存储单元的信息口水。常用的激活功能有Softmax、ReLU、Tanh。K个神经元在输出层的输出向量是时刻吗t． 分别为输入层与隐含层、隐含层与隐含层、隐含层与输出层的连接权值。

准确性:准确率可以用来代表的能力分类器在整个样本正确分类样本集,也就是说,所有的比例正确分类样本的样本总数,包括真阳性和真正的负样本,和他们的计算如下所示:

精度:准确度是预测为正且真实值为正的样本的百分比。是预测样本与真实值的接近程度，其计算公式如下:

假阳性率(FPR)表示有多少阴性样本被错误地归类为阳性，计算方法如下。

均方误差可以理解为样本的真实值与预测值之间的欧氏距离:

由于MSE包含平方运算，计算结果的值很大，不利于对比分析。因此，就产生了RMSE，即取MSE的平方符号，使误差结果的数量级与样本数据的数量级一致如下:

3.结果与讨论

本数据采集实验在电子科技大学中医知识与数据工程实验中进行。实验行动在临床专业人员的指导下进行，全部由具有丰富脑卒中患者康复研究和脑卒中康复治疗经验的康复医生组成。根据现有的研究结果，检测不同程度损伤患者的肢体活动度差异，需要至少20名受试者(每组5人)进行测试，其统计功率为0.95。因此，本研究共纳入36名健康受试者(男性20名，女性16名，平均年龄23±1.5岁)，每名受试者均采用Brunnstrom II-VI模拟脑卒中患者上肢运动功能障碍。

以抚肩运动作为手臂活动评估，观察被试上肢运动能力。一般情况下，一个完整的运动过程包括以下四个步骤:（1)开始位置:受试者舒适地坐在椅子上，躯干伸直，头部伸直，颈部伸直，上肢自然垂于身体两侧(中立位)，下肢自然放松，膝盖弯曲90°（2)将偏瘫手臂在矢状面抬高至水平高度(肩屈90°)（3)弯曲肘部，用手掌触碰对侧肩(屈肘，前臂旋前)（4）上肢自然恢复起始位置(肩伸、肘伸、前臂旋前);因此，每个时期的数据样本数为36;共鉴定了180个样本

在模拟数据采集阶段，如图所示3.为同一受试者Brunnstrom II-VI运动障碍模拟过程中前臂和上臂两个IMU采集的样本三轴加速度数据。实线为IMU在前臂位置采集的三轴加速度数据，虚线为IMU在前臂位置采集的三轴加速度数据。从图中可以看出3.，由于严重程度不同，患者的手臂在执行同一活动过程中呈现不同的分布规律。II期患者严重程度较高，上肢关节无法实现全方位活动。

从数字4，我们首先观察到基于循环神经网络的深度学习模型在所有指标上都优于线性模型。logistic回归模型在5类分类中的平均准确率为27.80%，AUROC均值为0.53,AUPRC均值为0.35，在所有模型中表现最差。这与以往将神经网络与时间序列数据的线性模型进行比较的研究结果一致。与传统学习方法相比，深度学习方法的参数越来越复杂，其本身可以提取更丰富、更准确的特征。

为了进一步证明所提方法的性能效果，我们分析了所有方法测试集上的混淆矩阵。表格1表示测试集上TARM和LR分类结果的混淆矩阵。TARM对每个Brunnstrom阶段以及III期和IV期损伤患者的数据分类是一致的，这取决于损伤的位置。上肢运动较其他分期患者复杂，导致LR模型对这些分期的数据分类不稳定。

4.结论

康复评估是康复治疗过程中的一个重要环节，是制定康复方案和评估康复效果的基础。针对脑卒中后经常发生的上肢运动功能障碍，基于现有cl的客观性和性能缺陷在临床康复评估方法和自动评估研究中，首次将深度学习技术应用于脑卒中康复的自动评估研究。首先，分析了常用的临床量表，并根据评估项目内容和评分要求设计了运动测量系统然后，根据数据特征和期望输出，输出不同的深度学习算法模型。最后，将本自动评估研究与相关深度学习算法进行比较，验证所提出的方法是实现上肢运动功能自动评估任务的较好方法实验表明，经过训练的人工神经网络在大多数数据中的得分与人类相同（82.2%，Cohen's kappa） = 0.743）。人工评分员评估的ANN和改善的Ashworth得分之间存在很强的相关性(r= 0.825, ）.神经网络的这些特性有助于它学习大量的临床数据，进而生成稳定的临床评估模型，提高康复评估的准确性和效率，降低康复医师和治疗师的工作强度，缓解目前康复资源的短缺在测量方法中，虽然干扰程度较低，但容易产生测量误差、影响数据质量、缺失值等问题，在数据分析方面，神经网络采集的数据缺乏缺失处理。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

利益冲突

作者声明不存在利益冲突。

致谢

本研究得到了湖南省教育厅的部分支持。15 b061)。

工具书类

1. K.Min，J.Beom和B.R.Kim，“老年髋部骨折患者术后康复的临床实践指南，”康复医学年鉴第45卷第5期3，页225-259,2021。视图:出版商的网站|谷歌学者
2. S. Suwarno，“人工神经网络分类器预测剖宫产术的性能评估”，国际科学技术研究杂志，第8卷，第2期第9页，1843-1846,2019。视图:谷歌学者
3. A. M. Vukicevic, G. R. Jovicic, M. N. Jovicic, V. L. Milicevic, and N. D. Filipovic，“通过融合人工神经网络和线性回归评估皮质骨抗骨折曲线”，生物力学与生物医学工程的计算机方法第21卷第2期2，第169-176页，2018。视图:出版商的网站|谷歌学者
4. J. V. Papathanasiou和U. Carraro，“老年患者术后康复”，老年医学实践问题，第47卷，469-475页，2018。视图:出版商的网站|谷歌学者
5. M. Pryor, R. Carrion, R. Wang，和G. Henry，“066阴茎术后康复的前瞻性评估:coloplast titan充气阴茎假体2年后的阴茎形态和患者满意度”，性医学杂志，第13卷，第2期5, p. S32, 2016。视图:出版商的网站|谷歌学者
6. B. G. Wilkinson, J. J. Donnenwerth，和A. R. Peterson，“血流限制训练用于术后康复”，最新运动医学报告第18卷第2期第6页，224-228页，2019。视图:出版商的网站|谷歌学者
7. A. F. Morey和F. Allen，“关于:术后阴茎康复的前瞻性评估:coloplast titan充气阴茎假体术后1年阴茎长度/周长维持”泌尿外科学杂志第195卷第1期2、2016。视图:出版商的网站|谷歌学者
8. M. W. Dusenberry, C. K. Brown，和K. L. Brewer，“人工神经网络:预测摔倒后出现轻微头部损伤的老年患者的头部ct表现”，美国急诊医学杂志第35期2, pp. 260-267, 2017。视图:出版商的网站|谷歌学者
9. O. Ilves, A. HKkinen，和J. Dekker，“脊柱滑脱患者的生活质量和残疾:是否可以通过脊柱融合术后积极的术后康复来改善?一项为期12个月的随机对照试验欧洲脊柱杂志》第26卷第2期3, pp. 1-8, 2017。视图:出版商的网站|谷歌学者
10. O. Ilves, A. Hakkinen, J. Dekker等，“脊柱滑脱患者的生活质量和残疾:是否可以通过脊柱融合术后积极的术后康复来改善?一项为期12个月的随机对照试验欧洲脊柱杂志》第26卷第2期3, pp. 1-8, 2017。视图:谷歌学者

版权

版权所有©2021 Kunhao Tang等人。这是一篇根据知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。