1研究背景

许多疾病如中风、帕金森病、血友病性关节炎等会以异常步态的形式影响人体，导致下肢运动障碍的患病率上升，给众多患者带来极大不便甚至生命威胁。例如，世界上每年仅中风就有约 1000 万新发病例，其中 70% 以上的患者患有运动障碍。现代医学理论和临床医学证明，除了早期的手术和药物治疗外，科学的康复训练对下肢运动障碍患者同样至关重要。步态分析和行走能力评估是康复医学中的关键组成部分，有助于医生评估步行能力、诊断疾病并制定个性化康复计划。然而，传统的步态分析和行走能力评估依赖医生对患者运动的观察，结果主观，且基于常规量表的评估缺乏细粒度结果。例如，常规的 Brunnstrom 量表仅有六个级别，Tinetti 步态评估量表只能给出 0 - 12 点内的整数值，难以捕捉患者在康复过程中的细微进展。此外，评估过程通常由医生手动进行，难以满足日益增长的康复需求。

传感技术的快速发展为步态分析和康复评估提供了更具说服力的定量数据支持，为临床医生制定更精细的训练计划提供了新的评估方法。其中，基于接触带电和静电感应耦合效应的摩擦电传感器被广泛用于感知人体运动和生理活动，但传统的生物电势肌电图方法信号质量较弱。人工智能技术已广泛应用于疾病诊断和康复评估，但目前的算法模型通常只能在康复的某一阶段执行单一任务，难以满足全过程康复评估的需求。

2成果简介

在这项研究中，华中科技大学的研究团队开发了一种基于皮肤传感器和多任务步态 Transformer 模型（MG - former）的全过程、细粒度和定量的康复评估平台（RAP），用于下肢运动障碍患者。

通过合成高性能摩擦电材料和结构设计，提高了皮肤传感器的信号质量和灵敏度。该传感器基于接触带电和静电感应的耦合效应，附着在下肢主要肌肉 / 肌腱群表面，检测动态步态运动时皮肤的变形并产生一系列电信号。一对高弹性摩擦电材料（聚二甲基硅氧烷 / CaCu₃Ti₄O₁₂纳米颗粒（PDMS/CCTO）复合膜和导电复合材料（ECC））被开发出来，确保传感器能够贴合皮肤，检测下肢运动时产生的细微变形。

MG - former 模型可以同时执行多项任务，包括二分类、多分类和回归，分别对应跌倒风险评估、行走能力评估和康复进展评估，覆盖整个康复周期，实现全过程康复评估。通过持续学习，MG - former 模型实现了迭代更新，将 RAP 的评估准确率从 90.67% 提高到 93.33%。RAP 对 23 名偏瘫患者的行走能力评估结果与经验丰富的医生根据常规 Tinetti 步态评估量表给出的分数高度一致。此外，基于 MG - former 模型的回归预测任务，完成了对下肢运动障碍患者连续三周的康复进展评估，捕捉到了传统量表无法捕获的细微进展，有助于增强患者的动力和调整康复计划。

3图文导读

图1 RAP 的原理图。a) 基于皮肤传感器的全过程康复评估平台的概念验证演示，包括跌倒风险评估（阶段 1）、行走能力评估（阶段 2）和康复进展评估（阶段 3）。b) 皮肤传感器的示意图，由上下层组成，上层由 PDMS 封装层、PDMS/CCTO 复合摩擦电层和基于银纳米线（AgNWs）的顶电极组成；下层由 ECC 作为底电极和摩擦电层，以及带有弧形凸起的 PDMS 基底组成。c - i 和 c - ii) 皮肤传感器的正面和侧面光学图像。d) 基于 MG - former 模型的下肢运动障碍患者全过程康复评估的示意图。

图2 PDMS/CCTO 复合薄膜的表征和优化。a) CCTO 纳米颗粒的 SEM、TEM 和 XRD 图。b) CCTO 纳米颗粒的 TEM 图。c) CCTO 纳米颗粒的 XRD 图。d) 不同重量百分比（wt%）CCTO 的 PDMS/CCTO 复合薄膜的 εᵣ和泄漏电流密度。e) 不同频率下 PDMS/CCTO 复合薄膜的 εᵣ。f) 1kHz 下 PDMS/CCTO 复合薄膜的 εᵣ随温度的变化。g) PDMS/CCTO 复合薄膜不同含量 CCTO 的表面粗糙度和表面电位。

图3  皮肤传感器的表征和优化。a - c) 不同 CCTO 含量的皮肤传感器的 Voc、Isc 和 Qsc。d) 不同 α 的皮肤传感器的应力分布有限元分析。e) 弧形凸起高度对皮肤传感器输出信号的影响。f) 皮肤传感器和商业 sEMG 电极在右下肢的放置示意图。g) 皮肤传感器和 sEMG 电极分别产生的相应输出电压信号。h) 皮肤传感器和 sEMG 电极的 SNR 值。i) 皮肤传感器的响应和恢复时间。j) 皮肤传感器的稳定性测试。

图4  中风后偏瘫患者的诊断和症状分析。a) 典型步态周期的示意图和 b) 正常行走的相应信号。c) 中风偏瘫患者行走的示意图。d - i 和 d - ii) P1 患者未受影响侧和受影响侧的步态信号。e - i 和 e - ii) P2 患者未受影响侧和受影响侧的步态信号。f) H1、P1 未受影响侧和受影响侧的 GM 产生的电压信号（顶部）及其功率谱密度（底部）。

图5 基于 MG - former 模型的康复评估。a) MG - former 模型的示意图结构，可同时执行二分类（任务 1）、多分类（任务 2）和回归（任务 3）。b, c) MG - former 模型在进行二分类任务前后，输出层中高、低跌倒风险受试者的 t - SNE 分布。d) 不同滑动窗口长度对评估准确性的影响。e) 经验丰富的医生和 RAP 对 15 名中风后偏瘫患者（P1 - P15）行走能力评估结果的比较。f) 模型训练过程中的损失 - 准确率曲线。g) 基于不同类型机器学习模型的行走能力评估结果比较。

图6 基于 MG - former 模型的细粒度康复进展评估。a) 康复跟踪的示意图。b) MG - former 模型进行回归预测的示意图。c - i 和 c - ii) 下肢运动障碍患者（PL1 和 PL2）的照片。d - f) PL1 在康复 3 周期间受影响侧的完整步态信号。g) PL1 随着康复周期时间间隔（T）和 VPP.GM 的演变。h - i) MG - former 模型对 PL1 和 PL2 连续三周的康复进展评估结果。

 4小结

该研究提出的 RAP 为下肢运动障碍患者提供了一种全过程、细粒度和定量的康复评估方法，涵盖了整个康复周期，实现了客观和定量的康复评估。与现有只能在康复的某一阶段执行单一任务且难以满足全过程康复评估需求的方法相比，RAP 能够执行包括二分类、多分类和回归在内的多项任务，分别对应跌倒风险评估、行走能力评估和康复进展评估，有利于医生和患者在整个康复过程中实施有效和及时的计划。

柔性且轻便的皮肤传感器可直接与人体皮肤接触，提高了佩戴舒适度，并且通过材料和结构设计提高了信号质量，与商业 sEMG 电极相比具有更高的信噪比。通过持续学习，MG - former 模型实现了迭代更新，使 RAP 能够定量评估 23 名偏瘫患者的行走能力，结果与医生根据常规 Tinetti 步态评估量表给出的分数一致，验证了该方法的准确性。

值得注意的是，机器学习的应用不仅使康复评估结果更加客观和精确，还节省了大量的劳动力成本。此外，基于 MG - former 模型回归任务的 RAP 能够以细粒度的评估结果准确评估患者在康复过程中的细微进展，优于传统行走能力评估量表的粗粒度评估。RAP 对患者进行了为期三周的细粒度康复进展评估，为医生制定更有效的下一步康复计划提供了及时反馈。

总之，该研究为下肢运动障碍患者的康复评估提供了一种创新且有前途的解决方案，有望改善患者的康复效果和生活质量。

文献：

https://doi.org/10.1016/j.compositesb.2024.111458