基于遗传算法和极限学习机的FuglMeyer量表自动评估

摘要：为实现脑卒中上肢居家康复评定的自动化和定量化，针对临床上最常用的FuglMeyer运动功能评定（FMA）量表，利用极限学习机（ELM）建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作，采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据，经预处理和特征提取，基于遗传算法（GA）和ELM进行特征选择，分别建立单个动作ELM预测模型和综合预测模型。结果显示，该模型可对FMA肩肘部分得分进行精确的自动预测，预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性，可方便用于居家康复的评定。

关键词：脑卒中；居家康复；FuglMeyer评定；加速度传感器；遗传算法；极限学习机

中图分类号： TP18； TP391.4

文献标志码：A

Abstract： To realize automatic and quantitative assessment in homebased upper extremity rehabilitation for stroke， an Extreme Learning Machine （ELM） based prediction model was proposed to automatically estimate the FuglMeyer Assessment （FMA） scale score for shoulderelbow section. Two accelerometers were utilized for data recording during performance of 4 tasks selected from shoulderelbow FMA and 24 patients were involved in the study. Accelerometerbased estimation was obtained by preprocessing raw sensor data， extracting data features， selecting features based on Genetic Algorithm and ELM. Then 4 singletask models and a comprehensive model were built individually using the selected features. Results show that it is possible to achieve accurate estimation of shoulderelbow FMA score from the analysis of accelerometer sensor data with a root mean squared prediction error value of 2.1849 points. This approach breaks through the subjective and timeconsuming property of traditional outcome measures which rely on clinicians at hand and can be easily utilized in the home settings.

Key words： stroke； homebased rehabilitation； FuglMeyer Assessment （FMA）； accelerometer sensor； Genetic Algorithm （GA）； Extreme Learning Machine （ELM）

0引言

随着生活水平的提高和人口老龄化，脑卒中的发病率呈上升趋势，且趋于年轻化，70%～85%首次脑卒中患者留有偏瘫[1]。据统计[2]，我国每年新增250万例脑卒中患者，死于脑卒中相关疾病者达120万～150万，另外还有700万发生脑卒中后存活下来，其中约75%遗留不同程度残疾，40%为重度残疾，这些高发病率、高死亡率和高致残率给社会和家庭带来沉重的精神压力和巨大的经济负担。

与下肢相比，上肢运动更为精细且恢复缓慢，因此，脑卒中后上肢运动功能的康复一直是一个重要的问题，21%的脑卒中患者不能够达到上肢功能的完全恢复[3]。近年来，随着远程医疗技术、康复机器人技术和虚拟现实技术等的发展，居家康复越来越受到人们的关注，并且有文献报道[4]，居家康复可以获得和住院康复一样的效果。然而，如何有效监测并评价患者居家康复进程和功能状况以帮助康复医师进一步制定个体化的康复治疗方案，一直是居家康复发展的瓶颈。目前临床上应用最多的脑卒中偏瘫运动功能评价方法是FuglMeyer量表，它要求患者进行一系列动作，依靠评测者的徒手操作和观察来检查不同恢复阶段的肢体反射状态、屈伸协同运动和选择性分离运动，属于主观评定。大量应用研究[5]显示，该量表敏感、可靠，但项目繁多，评测费时，且需要治疗师或康复医师的参与，这在一定程度上限制了其在居家康复中的应用。因此，在居家康复治疗中更为理想的评价方法是简洁、客观、定量的自动评价。由多个传感器节点组成的无线躯体传感网（Wireless Body Sensor Network， WBSN）可实现运动功能评估的自动化和定量化，国外已有大量研究将其用于老年人和慢性病患者的居家监护[6]。Uswatte等[7-8]通过对169名脑卒中患者的研究发现，加速度传感器可以捕获反映上肢运动功能障碍程度的临床相关信息；Patel等[9]用加速度传感器来自动估计Wolf运动功能评价量表（Functional Ability Scale of Wolf Motor Function Test， WMFTFAS）得分。但将运动传感器与临床评估量表相结合的研究国内还鲜有报道。

为了进一步实现居家康复评估的自动化和定量化，本文提出了一种利用加速度传感器实现FuglMeyer量表自动评估的方法，以期可以更为客观、定量地反映患者上肢运动功能状况。从上肢FuglMeyer评定（Upper Extremity FuglMeyer Assessment， UEFMA）肩肘部分中选取4个动作，用固定于患者偏瘫侧前臂和上臂的两个加速度传感器采集患者动作数据，基于遗传算法和极限学习机建立UEFMA肩肘部分得分自动预测模型。

采用由两个三轴加速度传感器节点和一个接收节点组成的WBSN系统进行数据采集，其中加速度传感器的灵敏度为±6g，采样率为40Hz。采集过程中，两个传感器节点分别固定于患者偏瘫侧前臂和上臂，x轴平行于手臂，如图1。对于选取的4个动作，患者在康复医师指导下先做1～2次，熟悉后开始正式采集，每个动作根据病人身体状况重复3～5次，加速度传感器采集到的病人动作数据经ZigBee无线传输到PC客户端，完成数据的可视化及分类存储。

3.3预测及结果分析

各动作选取的最优特征集为自变量，对应得分为因变量，归一化后输入ELM模型。激活函数选择Sigmoidal函数，隐层节点数设为10。首先用单个动作来预测FuglMeyer肩肘得分，然后考虑到FuglMeyer量表是经过多年临床验证的标准量表，其各动作之间并没有太大的相关性，用其中一个动作的数据来预测总的得分势必会带来较大误差，而将4个动作单独预测的结果进行加权平均可以对UEFMA肩肘部分得分进行更为精确的预测。为此，对于每个患者，将单个动作预测结果与医生打分之间建立回归关系得到最终的综合预测模型，并将综合预测结果与单个动作预测结果进行对比。图4所示为用留一交叉验证法（Leaveonesubjectout crossvalidation，即轮流取其中一名患者为测试集，其余为训练集）对24名患者分别采用单个动作模型和综合模型预测的结果，可以看出，与单个动作预测相比，综合预测的误差相对较小且分布较集中。表3列出了24名患者各自预测误差的均方根值（RootMeanSquare Error， RMSE）和标准差（STandard Deviation，STD），除动作1外，其余三个动作单独预测的RMSE值均超过了10%，而采用综合预测模型，预测RMSE值可以减小至2.1849分，占总分的7.3%，小于任一单个动作预测的误差，且综合预测误差的标准差最小，说明综合预测模型更稳定，这一结果与图4一致。

目前，P. Bonato小组[6，9，13]在将运动传感器用于临床评估方面做了较多研究，但他们主要针对Wolf运动功能测试（Wolf Motor Function Test， WMFT）；文献[13]采用6个加速度节点采集数据，选取单个WMFT动作，建立多元线性回归模型对FuglMeyer量表肩肘部分得分进行预测，最小预测误差为2.35分；文献[9]利用同样的采集装置，选取8个WMFT动作对FAS量表得分进行自动预测。然而，WMFT往往需要患者具有较高的运动协调能力，且需要一定的工具才能完成测试，在我国临床上极少使用，进行居家康复的患者也较难完成。本文直接从FuglMeyer量表中选取动作，采用更少的传感器节点（2个）对FuglMeyer量表肩肘部分得分进行预测，获得了更为精确的预测结果。与WMFT相比，从FuglMeyer量表中选取的动作可由患者直接完成，无需任何额外的实验条件，在居家康复评估中更易实现。

4结语

本研究将运动传感器与临床评估量表相结合，采用4个动作对UEFMA肩肘部分得分进行精确的自动预测，突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性，初步显示加速度传感器可以用来自动预测FuglMeyer上肢运动功能评定量表肩肘部分得分，实现康复评估的自动化、客观化和定量化。在居家康复或社区康复中，患者通过佩戴加速度传感器，可以精确记录训练过程中上肢运动功能的实际情况，反馈给远程的康复医生以帮助医生制定个体化、专业化的康复治疗方案，使患者上肢运动功能得到最大限度的恢复，同时也可以用于不同康复治疗技术的疗效评估。但还缺少腕手功能的评定，将来的工作中，将使用能反映腕手功能状态的传感器（如弯曲度传感器）采集腕手动作数据，建立模型对FuglMeyer腕手部分得分进行预测，以便更全面、细致地反映患者整个上肢运动功能。

参考文献：

[1]DOBKIN B H. Strategies for stroke rehabilitation [J]. The Lancet Neurology， 2004， 3（9）： 528-536.

[2]LIU L， WANG D， WONG KL， et al. Stroke and stroke care in China huge burden， significant workload， and a national priority [J]. Stroke， 2011， 42（12）： 3651-3654.

[3]NAKAYAMA H， JORGENSEN H， RAASCHOU H， et al. Recovery of upper extremity function in stroke patients： the Copenhagen stroke study [J]. Archives of Physical Medicine and Rehabilitation， 1994， 75（4）： 394-398.

[4]LANGAN J， DELAVE K， PHILLIPS L， et al. Homebased telerehabilitation shows improved upper limb function in adults with chronic stroke： a pilot study [J]. Journal of Rehabilitation Medicine， 2013， 45（2）： 217-220.

[5]HUANG J， CHEN H， GUO M， et al. Progress and problem in the method of motor functional evaluation in stroke patients [J]. Chinese Journal of Clinical Rehabilitation， 2006， 10（28）： 120-122.（黄佳，陈洪沛，郭敏，等.脑卒中患者运动功能评定的方法及其研究进展与问题[J].中国临床康复，2006，10（28）：120-122.）

[6]PATEL S， PARK H， BONATO P， et al. A review of wearable sensors and systems with application in rehabilitation[J]. Journal of Neuroengineering and Rehabilitation， 2012， 9： 21.

[7]USWATTE G， FOO WL， OLMSTEAD H， et al. Ambulatory monitoring of arm movement using accelerometry： an objective measure of upperextremity rehabilitation in persons with chronic stroke [J]. Archives of Physical Medicine and Rehabilitation， 2005， 86（7）： 1498-1501.

[8]USWATTE G， GIULIANI C， WINSTEIN C， et al. Validity of accelerometry for monitoring realworld arm activity in patients with subacute stroke： evidence from the extremity constraintinduced therapy evaluation trial [J]. Archives of Physical Medicine and Rehabilitation， 2006， 87（10）： 1340-1345.

[9]PATEL S， HUGHES R， HESTER T， et al. A novel approach to monitor rehabilitation outcomes in stroke survivors using wearable technology [J]. Proceedings of the IEEE， 2010， 98（3）： 450-461.

[10]HUANG GB， ZHU QY， SIEW CK. Extreme learning machine： theory and applications [J]. Neurocomputing， 2006， 70（1）： 489-501.

[11]HOLLAND JH. Adaptation in natural and artificial systems： an introductory analysis with applications to biology， control， and artificial intelligence [M]. Cambridge， MA： MIT Press， 1975.

[12]HSIEH YW， HSUEH IP， CHOU YT， et al. Development and validation of a short form of the FuglMeyer motor scale in patients with stroke [J]. Stroke， 2007， 38（11）： 3052-3054.

[13]HESTER T， HUGHES R， SHERRILL DM， et al. Using wearable sensors to measure motor abilities following stroke [C]// Proceedings of the 2006 International Workshop on Wearable and Implantable Body Sensor Networks. Washington， DC： IEEE Computer Society， 2006： 4-8.

[14]PATEL S. Quantitative motor assessment in patients with mobility limiting conditions using wearable sensors [D]. Boston， MA： Northeastern University， 2012.

[15]SHIN J， PARK Y， LIM Y， et al. The application of approximate entropy for the analysis of irregularity in ambulatory blood pressure values [J]. Journal of Hypertension， 2010， 28： 25-31.

[16]HSUEH IP， HSU MJ， SHEU CF， et al. Psychometric comparisons of 2 versions of the FuglMeyer motor scale and 2 versions of the stroke rehabilitation assessment of movement [J]. Neurorehabilitation and Neural Repair， 2008， 22（6）： 737-744.