為了實現腦卒中后偏癱康復患者上肢康復評定的遠程化和智能化,需建立個體化和專業化的康復評定系統。本文首先利用康復訓練傳感器及數據接收軟件采集患者訓練時上肢的運動姿態數據,然后將其上傳至服務器端的數據庫,服務器端將使用基于極限學習機(ELM)和Brunnstrom分期標準的遠程智能評定系統對數據進行智能評定。為了驗證該系統的可靠性,征集了23位腦卒中后上肢運動功能處于不同恢復階段的康復患者和4位上肢運動功能正常者做同一康復訓練動作。實驗結果顯示,相比于康復醫師使用Brunnstrom分期標準的評定結果,遠程智能評定系統的分期準確率可以達到92.1%。本系統可以實現對腦卒中術后偏癱康復患者上肢運動功能的智能評估,使患者在家中或者社區進行遠程康復成為可能。
引用本文： 王躍, 郁磊, 傅建明, 方強. 基于極限學習機的腦卒中上肢康復Brunnstrom遠程智能評定系統. 生物醫學工程學雜志, 2014, 31(2): 251-256. doi: 10.7507/1001-5515.20140047 復制
引言
腦卒中會導致患者肢體運動障礙并致殘，從而使患者的生存質量下降，甚至喪失生活自理能力。為了恢復與重建殘疾肢體的功能，康復醫學中常利用運動療法和作業療法等達到緩解偏癱患者癥狀的目的。但是，隨著我國人口老齡化程度的加劇，而老年人是腦卒中的高發人群，醫院和康復醫師資源越來越緊張。如果腦卒中患者可以在家或者社區進行康復訓練，將會有效緩解醫療資源緊張的狀況。文獻[1-2]顯示，在社區、家庭進行康復訓練能明顯促進腦卒中偏癱患者運動功能與日常生活能力的恢復，提高其生活質量。然而，康復患者在社區或者家庭中進行康復訓練將會面臨缺乏專業性的指導、無法明確當前康復計劃的效果等問題。目前基于計算機和互聯網絡技術的遠程醫療技術已經深入到醫療衛生的各個領域中[3]，如果把遠程醫療的理念運用到康復領域中來，將使得康復患者在家中或者社區進行康復訓練成為可能。
腦卒中后偏癱患者在康復期間，進行康復治療的基本前提就是要有準確的康復評定，而且康復評定是貫穿康復過程的終始。沒有康復評定就不能進行有效、恰當的康復治療。康復評定腦卒中對患者來說極為重要，因為腦卒中患者的病變部位、嚴重程度及功能障礙都不相同，所以必須進行全面、細致的康復評定，才能合理地、有效地指導患者進行康復治療。用于臨床上的腦卒中運動功能評定可分為兩大類，包括以肌力變化為標準的評價法和以運動模式改變為標準的評定體系。以運動模式改變為標準的評定體系中臨床上常采用的有Brunnstrom法[4]、Bobath法、上田敏法等8種方法[5-6]。但是目前腦卒中后運動功能的康復評定可能存在以下幾個問題：首先，康復評定結果會受到康復醫師自身因素的影響，康復評定準確度往往多取決于康復醫師的水平；其次，不能精確記錄康復訓練中肢體運動功能的實際情況，不利于生成個體化、專業化的康復治療方案；最后，目前的康復評定結果不能向康復患者提供實時直觀的反饋信息，使患者無法及時了解其自身運動功能的恢復情況，影響其康復訓練的積極性。由此可見，康復患者若僅僅依靠康復醫師進行康復評定，無疑會制約康復訓練效率的提高。
為了實現康復評定的遠程化、個體化和專業化，以及避免由于康復醫師自身因素而影響康復評定的最終結果，本文提出了一種針對腦卒中后偏癱康復患者上肢運動功能開發遠程智能評定系統的方案。該方案需要確定一種運動測量方法來獲取腦卒中康復患者上肢的運動數據，通過研究發現，當前運動測量方法主要包括基于視覺的三維攝像測量方法[7-9]，基于電磁跟蹤系統的測量方法[10]，基于加速度傳感器的測量方法[11]和基于多傳感器融合模塊的測量方法[12]。相較于攝像測量需要多個昂貴高速攝像機并且需要處理的數據量十分巨大而言，基于微型加速度傳感器的設備具有微型化、低成本并且數據量少可以實現實時運動分析的特點[13]，所以更適合在患者的家中或者社區使用基于微型加速度傳感器的數據采集設備。本項目的合作醫院在臨床診斷中使用Brunnstrom法來評估患者運動功能的恢復情況，為了能和醫生所做的康復評定結果進行對比驗證智能評估系統的可靠性，文中也選用Brunnstrom分期評定法作為康復評估標準。該方案通過對采集到的康復患者上肢訓練數據進行分析，并利用極限學習機(extreme learning machine ,ELM)建立Brunnstrom分期模型，從而實現對腦卒中后偏癱患者運動功能進行智能分期評定。本文也提出了驗證該系統可行性的實驗方案，通過自主研發的康復訓練系統進行對比驗證實驗證實了該方法的可行性。
1 系統介紹
如圖 1所示，腦卒中遠程康復訓練系統是一種新型基于網絡的康復訓練系統，該系統由基于Internet的遠程康復訓練信息管理系統和腦卒中后上肢運動功能智能評估系統兩部分構成。利用分別固定于前臂和上臂的兩個三軸加速度傳感器，配合客戶端數據接收軟件，實時采集康復患者的運動姿態數據，再通過互聯網將數據傳輸到服務器端的數據庫中進行存儲，服務器端的評定程序會自動對采集的數據進行預處理(去噪、歸一化等)、智能動作識別[14-16]、Brunnstrom智能評定等操作，最終得出分期評定結果。醫生根據評定結果給康復患者制定個體化的康復運動處方和康復計劃[17]，并通過互聯網返回給客戶端的患者。該系統可以廣泛應用在醫院、社區甚至是康復患者的家庭中，實現隨時隨地進行康復訓練的功能。
圖1
遠程康復訓練系統結構圖
Figure1.
Structure of remote rehabilitation system
2 遠程康復訓練信息管理系統
遠程康復訓練信息管理系統的總體設計思想和目標是通過將Internet遠程通訊技術、計算機智能技術和傳統的康復醫學相結合，建立人-機交互模式對腦卒中后偏癱康復患者上肢運動功能進行遠程康復訓的方法，通過遠程康復訓練模式，建立康復專家與康復患者、基層醫院、社區康復中心之間的信息交流與診療服務網絡。
在腦卒中遠程康復訓練信息管理系統的構建中，選擇Windows Server 2003+Apache+PHP+MYSQL的搭配。采用Windows Server 2003操作系統作為開發環境并使用Wampserver搭建Web服務器平臺；應用MYSQL構建腦卒中康復系統數據庫；使用PHP、Html和JavaScript等語言搭建腦卒中康復網站。
基于Internet的遠程康復訓練信息管理系統的基本框架如圖 2所示。系統網絡的構建包括搭建網絡服務器平臺、建立腦卒中康復系統數據庫及腦卒中康復網站。通過網絡服務器平臺，實現康復訓練方案與訓練結果的發布；通過MYSQL數據庫進行各種數據(患者、醫生、康復檔案、康復訓練方案、康復訓練結果、康復評價，以及數據庫中各個表單之間的聯系等信息)的儲存，實現患者/主管醫生信息的輸入和查詢、訓練方案的制定與查詢，以及訓練結果查詢等功能，達到數據共享；通過腦卒中康復網站，患者、醫生實現各種操作，即患者在線訓練和在線智能康復評定及醫生對已經注冊(建立病例檔案)患者的管理。
圖2
遠程康復訓練信息管理系統的基本框架
Figure2.
The basic framework of the information management system for remote rehabilitation
3 腦卒中后上肢運動功能智能評估系統的實現
3.1 特征值提取
由于原始運動信號受到干擾毛刺比較多，為了保證結果的正確性，應該先對信號進行濾波處理，本文中選用中值濾波對原始信號進行濾波。
圖 3和圖 4中主要是對比處于BrunnstromⅢ期和Ⅵ期的康復患者做患手摸肩動作時的運動曲線。從圖中可以清楚地觀察到，Ⅵ期患者的運動曲線顯示了一個獨立、自由、連續的關節運動，而Ⅲ期患者的運動曲線則表現出一種強烈的協同運動模式[18-19]，這正符合處于恢復階段Ⅲ期患者應有的上肢表現。并且從圖中還可以看出，Ⅲ期患者的上肢運動爆發力和關節活動范圍明顯不如Ⅵ期的患者。
圖3
一位Ⅲ期患者做5次相同動作的三軸運動曲線
(a)前臂傳感器采集的數據；(b)上臂傳感器采集的數據
Figure3. The three axes of motion data of a patient with Brunnstrom stage Ⅲ(a) the data collected by the forearm sensor; (b) the data collected by the upper arm sensor
圖4
一位Ⅵ期患者做5次相同動作的三軸運動曲線
(a)前臂傳感器采集的數據；(b)上臂傳感器采集的數據
Figure4. The three axes of motion data of a patient with Brunnstrom stage Ⅵ(a) the data collected by the forearm sensor; (b) the data collected by the upper arm sensor
基于實驗和理論分析得出了人體上肢運動過程中加速度信息的一些物理特征，這些特征在一定程度上反映了上肢動作完成情況。本文的分析研究中，信號的主要來源是固定在前臂和上臂的加速度傳感器，因此本文只能夠提取加速度信號的物理特征對動作的質量進行分析評價。信號的物理特征包括能量特征、方差、均方根、最值、序列長度等。均方根公式為
| $\text{RMS=(}\frac{1}{n}\sum\limits_{i=1}^{n}{x_{i}^{2}}{{)}^{\frac{1}{2}}},$ |
其中n是序列長度。
文中將提取兩個加速度模塊所采集的三軸加速度信號的均方根(RMS)、加速度最大值(AMP)，共12個物理指標作為訓練樣本的特征值。
3.2 應用極限學習機建立動作數據分期模型
3.2.1 極限學習機
ELM[20] 作為單隱層前饋神經網絡的一種新型學習算法,只需要設置網絡的隱層節點個數,在算法執行過程中不需要調整網絡的輸入權值以及隱元的偏置,并且產生惟一的最優解。因此,具有參數選擇容易、學習速度快且泛化性能好的優點。
3.2.2 建立分期模型
為建立模型，選用從Brunnstrom分期為Ⅱ~Ⅴ期(由專業康復醫師臨床評定)腦卒中康復患者和健康人處采集到的190個動作數據做實驗數據。為了分期模型的精確性，分別從各期患者的數據中隨機抽取80%的數據作為訓練集(Train Set)，總體樣本數為152個。剩余樣本作為測試集(Test Set)，樣本數為38個。選取上節中提取的物理特征值作為動作質量評價的依據。
ELM機只需在確定激勵函數的情況下選擇隱含層節點個數，參數確定的過程相對簡單。選取Sigmoid函數為激勵函數，同時設置隱含層節點為30個。
4 應用實例
4.1 實驗方案
為了驗證遠程康復訓練系統的可行性，本文中制定了一套完整的實驗驗證方案。本次實驗所使用的全部運動數據均分別采集于嘉興市第二醫院康復醫學中心的23位腦卒中后偏癱康復患者和4位醫護人員。這些患者都是選取Brunnstrom分期為Ⅱ~Ⅴ期的腦卒中偏癱康復患者，由于Ⅰ期的康復患者上肢還不能自主進行運動，所以暫時不使用這些康復患者的數據。并且，Brunnstrom分期標準的定義中，Ⅵ期的患者運動功能基本上和正常無異，所以選擇4位健康的醫護人員作為Ⅵ期的康復患者組。如表 1所示，參與實驗的康復患者包括13名男性和10名女性(其中有兩位腦卒中患者經康復治療后，Brunnstrom分期從Ⅲ期恢復到Ⅳ期，實驗中他們Ⅲ期和Ⅳ期數據均被使用)，年齡從47~79歲，平均年齡為60.1歲。在選取實驗對象的過程中，有嚴重認知或者溝通問題，以及有其它身體問題的康復患者都沒有入選。為了驗證實驗結果的可靠性，實驗前要求經驗豐富的康復醫師對所有的患者進行Brunnstrom分期評定。
表1
實驗中Brunnstrom各期患者的一般資料
Table1.
General information of the patients with different Brunnstrom stages
查詢Brunnstrom分期評定量表可知，判斷康復患者上肢處于Brunnstrom幾期的重要指標是肘、前臂和肩膀的活動范圍[21-22]。實驗中選擇采集數據的標準動作--患手摸肩，可以同時反映這些指標。該動作是康復患者平常進行康復訓練時的一個基本動作，動作的具體步驟為：① 患者坐直，軀干伸直，頭正，頸直，下肢自然放松；② 提起偏癱側的手臂，舉至水平位置；③ 彎曲肘關節觸摸另一側的肩膀；④ 上肢回到原來自然下垂的位置。為了能準確顯示該患者的身體恢復狀態，要求患者在沒有外力幫助下獨自完成所有的動作，并且患者在開始采集數據之前被要求重復康復醫師的標準動作幾次，以達到熟練的程度。
開始運動數據采集時，康復患者需要在佩戴數據采集裝置的情況下，連續做五個周期的患手摸肩動作。一個有效周期必須連續沒有停頓的完成動作，而且每個周期的動作被要求在10 s的采樣周期內完成。
在使用傳感器節點獲取上肢運動過程中的加速度信息時，僅需要知道上肢的前臂和后臂在運動過程中的加速度信息。在數據采集實驗中，我們分別在前臂和上臂的幾何中心位置放置三維加速度傳感器(見圖 5)，放置方向固定，加速度傳感器的X 軸平行于手臂，這樣在保證每次采集實驗時加速度放置位置相同的同時能較為準確的獲取上肢在運動過程中的加速度信息。
圖5
傳感器節點佩戴示意圖
Figure5.
A schematic diagram of wearing the sensor node
采集后得到的運動數據通過無線通信接受模塊傳到PC端，再經過客戶端程序處理后直接傳遞到遠程端的服務器上。服務器后臺程序對數據進行預處理、動作識別處理與Brunnstrom動作評估處理后，將最終獲得的評估結果和動作信息等數據保存到數據庫中該用戶的數據表，并可以直接在遠程康復訓練信息管理系統(www.hy-care.com)中查詢，如圖 6所示。
圖6
使用遠程康復訓練信息管理系統的Brunnstrom評定結果
Figure6.
Results of Brunnstrom assessment by using Remote rehabilitation training information management system
4.2 實驗結果分析和討論
測試集的預測結果由圖 7可知，兩個Ⅲ期腦卒中患者的數據樣本被Brunnstrom分期程序預測為Ⅴ期，一個Ⅳ患者的樣本數據被預測為Ⅲ期。所有數據的統計結果顯示，Ⅲ期測試樣本的正確率為85.7%，Ⅳ期的正確率為88.8%。經過研究分析發現，分期不準確可能由以下原因導致：首先，試驗中所使用的康復數據樣本量不充足，導致無法建立非常準確的模型；其次，腦卒中患者的康復狀況可能不穩定，身體狀況良好時，可以做出比較標準的動作，反之在身體情況不佳的情況下，動作質量可能會下降，從而導致某次分期預測結果不準確。而對Ⅱ、Ⅴ、Ⅵ期腦卒中患者的分期結果和康復醫師的Brunnstrom臨床分期結果完全相符，正確率為100%。綜上，該測試結果的總體正確率達到92.1%，說明基于ELM建立的Brunnstrom分期模型有良好的適用性。
圖7
測試樣本實際的Brunnstrom分期結果和預測的Brunnstrom分期結果
Figure7.
Actual results and predicted results of test samples by using the Brunnstrom assessment
5 總結及展望
本文提出了一個基于ELM的遠程腦卒中上肢康復Brunnstrom分期系統，用來幫助腦卒中康復患者在家或者社區實時進行上肢運動功能遠程康復評定。實驗結果表明，該系統可以較好地完成康復評定工作，為康復患者下階段治療方案的制定提供了可靠的依據。將來的工作中，我們將繼續采集Brunnstrom各期康復患者的數據，并制定更加嚴格的數據采集標準，完善康復患者的數據庫，從而提高預測模型準確率。
引言
腦卒中會導致患者肢體運動障礙并致殘，從而使患者的生存質量下降，甚至喪失生活自理能力。為了恢復與重建殘疾肢體的功能，康復醫學中常利用運動療法和作業療法等達到緩解偏癱患者癥狀的目的。但是，隨著我國人口老齡化程度的加劇，而老年人是腦卒中的高發人群，醫院和康復醫師資源越來越緊張。如果腦卒中患者可以在家或者社區進行康復訓練，將會有效緩解醫療資源緊張的狀況。文獻[1-2]顯示，在社區、家庭進行康復訓練能明顯促進腦卒中偏癱患者運動功能與日常生活能力的恢復，提高其生活質量。然而，康復患者在社區或者家庭中進行康復訓練將會面臨缺乏專業性的指導、無法明確當前康復計劃的效果等問題。目前基于計算機和互聯網絡技術的遠程醫療技術已經深入到醫療衛生的各個領域中[3]，如果把遠程醫療的理念運用到康復領域中來，將使得康復患者在家中或者社區進行康復訓練成為可能。
腦卒中后偏癱患者在康復期間，進行康復治療的基本前提就是要有準確的康復評定，而且康復評定是貫穿康復過程的終始。沒有康復評定就不能進行有效、恰當的康復治療。康復評定腦卒中對患者來說極為重要，因為腦卒中患者的病變部位、嚴重程度及功能障礙都不相同，所以必須進行全面、細致的康復評定，才能合理地、有效地指導患者進行康復治療。用于臨床上的腦卒中運動功能評定可分為兩大類，包括以肌力變化為標準的評價法和以運動模式改變為標準的評定體系。以運動模式改變為標準的評定體系中臨床上常采用的有Brunnstrom法[4]、Bobath法、上田敏法等8種方法[5-6]。但是目前腦卒中后運動功能的康復評定可能存在以下幾個問題：首先，康復評定結果會受到康復醫師自身因素的影響，康復評定準確度往往多取決于康復醫師的水平；其次，不能精確記錄康復訓練中肢體運動功能的實際情況，不利于生成個體化、專業化的康復治療方案；最后，目前的康復評定結果不能向康復患者提供實時直觀的反饋信息，使患者無法及時了解其自身運動功能的恢復情況，影響其康復訓練的積極性。由此可見，康復患者若僅僅依靠康復醫師進行康復評定，無疑會制約康復訓練效率的提高。
為了實現康復評定的遠程化、個體化和專業化，以及避免由于康復醫師自身因素而影響康復評定的最終結果，本文提出了一種針對腦卒中后偏癱康復患者上肢運動功能開發遠程智能評定系統的方案。該方案需要確定一種運動測量方法來獲取腦卒中康復患者上肢的運動數據，通過研究發現，當前運動測量方法主要包括基于視覺的三維攝像測量方法[7-9]，基于電磁跟蹤系統的測量方法[10]，基于加速度傳感器的測量方法[11]和基于多傳感器融合模塊的測量方法[12]。相較于攝像測量需要多個昂貴高速攝像機并且需要處理的數據量十分巨大而言，基于微型加速度傳感器的設備具有微型化、低成本并且數據量少可以實現實時運動分析的特點[13]，所以更適合在患者的家中或者社區使用基于微型加速度傳感器的數據采集設備。本項目的合作醫院在臨床診斷中使用Brunnstrom法來評估患者運動功能的恢復情況，為了能和醫生所做的康復評定結果進行對比驗證智能評估系統的可靠性，文中也選用Brunnstrom分期評定法作為康復評估標準。該方案通過對采集到的康復患者上肢訓練數據進行分析，并利用極限學習機(extreme learning machine ,ELM)建立Brunnstrom分期模型，從而實現對腦卒中后偏癱患者運動功能進行智能分期評定。本文也提出了驗證該系統可行性的實驗方案，通過自主研發的康復訓練系統進行對比驗證實驗證實了該方法的可行性。
1 系統介紹
如圖 1所示，腦卒中遠程康復訓練系統是一種新型基于網絡的康復訓練系統，該系統由基于Internet的遠程康復訓練信息管理系統和腦卒中后上肢運動功能智能評估系統兩部分構成。利用分別固定于前臂和上臂的兩個三軸加速度傳感器，配合客戶端數據接收軟件，實時采集康復患者的運動姿態數據，再通過互聯網將數據傳輸到服務器端的數據庫中進行存儲，服務器端的評定程序會自動對采集的數據進行預處理(去噪、歸一化等)、智能動作識別[14-16]、Brunnstrom智能評定等操作，最終得出分期評定結果。醫生根據評定結果給康復患者制定個體化的康復運動處方和康復計劃[17]，并通過互聯網返回給客戶端的患者。該系統可以廣泛應用在醫院、社區甚至是康復患者的家庭中，實現隨時隨地進行康復訓練的功能。
圖1
遠程康復訓練系統結構圖
Figure1.
Structure of remote rehabilitation system
2 遠程康復訓練信息管理系統
遠程康復訓練信息管理系統的總體設計思想和目標是通過將Internet遠程通訊技術、計算機智能技術和傳統的康復醫學相結合，建立人-機交互模式對腦卒中后偏癱康復患者上肢運動功能進行遠程康復訓的方法，通過遠程康復訓練模式，建立康復專家與康復患者、基層醫院、社區康復中心之間的信息交流與診療服務網絡。
在腦卒中遠程康復訓練信息管理系統的構建中，選擇Windows Server 2003+Apache+PHP+MYSQL的搭配。采用Windows Server 2003操作系統作為開發環境并使用Wampserver搭建Web服務器平臺；應用MYSQL構建腦卒中康復系統數據庫；使用PHP、Html和JavaScript等語言搭建腦卒中康復網站。
基于Internet的遠程康復訓練信息管理系統的基本框架如圖 2所示。系統網絡的構建包括搭建網絡服務器平臺、建立腦卒中康復系統數據庫及腦卒中康復網站。通過網絡服務器平臺，實現康復訓練方案與訓練結果的發布；通過MYSQL數據庫進行各種數據(患者、醫生、康復檔案、康復訓練方案、康復訓練結果、康復評價，以及數據庫中各個表單之間的聯系等信息)的儲存，實現患者/主管醫生信息的輸入和查詢、訓練方案的制定與查詢，以及訓練結果查詢等功能，達到數據共享；通過腦卒中康復網站，患者、醫生實現各種操作，即患者在線訓練和在線智能康復評定及醫生對已經注冊(建立病例檔案)患者的管理。
圖2
遠程康復訓練信息管理系統的基本框架
Figure2.
The basic framework of the information management system for remote rehabilitation
3 腦卒中后上肢運動功能智能評估系統的實現
3.1 特征值提取
由于原始運動信號受到干擾毛刺比較多，為了保證結果的正確性，應該先對信號進行濾波處理，本文中選用中值濾波對原始信號進行濾波。
圖 3和圖 4中主要是對比處于BrunnstromⅢ期和Ⅵ期的康復患者做患手摸肩動作時的運動曲線。從圖中可以清楚地觀察到，Ⅵ期患者的運動曲線顯示了一個獨立、自由、連續的關節運動，而Ⅲ期患者的運動曲線則表現出一種強烈的協同運動模式[18-19]，這正符合處于恢復階段Ⅲ期患者應有的上肢表現。并且從圖中還可以看出，Ⅲ期患者的上肢運動爆發力和關節活動范圍明顯不如Ⅵ期的患者。
圖3
一位Ⅲ期患者做5次相同動作的三軸運動曲線
(a)前臂傳感器采集的數據；(b)上臂傳感器采集的數據
Figure3. The three axes of motion data of a patient with Brunnstrom stage Ⅲ(a) the data collected by the forearm sensor; (b) the data collected by the upper arm sensor
圖4
一位Ⅵ期患者做5次相同動作的三軸運動曲線
(a)前臂傳感器采集的數據；(b)上臂傳感器采集的數據
Figure4. The three axes of motion data of a patient with Brunnstrom stage Ⅵ(a) the data collected by the forearm sensor; (b) the data collected by the upper arm sensor
基于實驗和理論分析得出了人體上肢運動過程中加速度信息的一些物理特征，這些特征在一定程度上反映了上肢動作完成情況。本文的分析研究中，信號的主要來源是固定在前臂和上臂的加速度傳感器，因此本文只能夠提取加速度信號的物理特征對動作的質量進行分析評價。信號的物理特征包括能量特征、方差、均方根、最值、序列長度等。均方根公式為
| $\text{RMS=(}\frac{1}{n}\sum\limits_{i=1}^{n}{x_{i}^{2}}{{)}^{\frac{1}{2}}},$ |
其中n是序列長度。
文中將提取兩個加速度模塊所采集的三軸加速度信號的均方根(RMS)、加速度最大值(AMP)，共12個物理指標作為訓練樣本的特征值。
3.2 應用極限學習機建立動作數據分期模型
3.2.1 極限學習機
ELM[20] 作為單隱層前饋神經網絡的一種新型學習算法,只需要設置網絡的隱層節點個數,在算法執行過程中不需要調整網絡的輸入權值以及隱元的偏置,并且產生惟一的最優解。因此,具有參數選擇容易、學習速度快且泛化性能好的優點。
3.2.2 建立分期模型
為建立模型，選用從Brunnstrom分期為Ⅱ~Ⅴ期(由專業康復醫師臨床評定)腦卒中康復患者和健康人處采集到的190個動作數據做實驗數據。為了分期模型的精確性，分別從各期患者的數據中隨機抽取80%的數據作為訓練集(Train Set)，總體樣本數為152個。剩余樣本作為測試集(Test Set)，樣本數為38個。選取上節中提取的物理特征值作為動作質量評價的依據。
ELM機只需在確定激勵函數的情況下選擇隱含層節點個數，參數確定的過程相對簡單。選取Sigmoid函數為激勵函數，同時設置隱含層節點為30個。
4 應用實例
4.1 實驗方案
為了驗證遠程康復訓練系統的可行性，本文中制定了一套完整的實驗驗證方案。本次實驗所使用的全部運動數據均分別采集于嘉興市第二醫院康復醫學中心的23位腦卒中后偏癱康復患者和4位醫護人員。這些患者都是選取Brunnstrom分期為Ⅱ~Ⅴ期的腦卒中偏癱康復患者，由于Ⅰ期的康復患者上肢還不能自主進行運動，所以暫時不使用這些康復患者的數據。并且，Brunnstrom分期標準的定義中，Ⅵ期的患者運動功能基本上和正常無異，所以選擇4位健康的醫護人員作為Ⅵ期的康復患者組。如表 1所示，參與實驗的康復患者包括13名男性和10名女性(其中有兩位腦卒中患者經康復治療后，Brunnstrom分期從Ⅲ期恢復到Ⅳ期，實驗中他們Ⅲ期和Ⅳ期數據均被使用)，年齡從47~79歲，平均年齡為60.1歲。在選取實驗對象的過程中，有嚴重認知或者溝通問題，以及有其它身體問題的康復患者都沒有入選。為了驗證實驗結果的可靠性，實驗前要求經驗豐富的康復醫師對所有的患者進行Brunnstrom分期評定。
表1
實驗中Brunnstrom各期患者的一般資料
Table1.
General information of the patients with different Brunnstrom stages
查詢Brunnstrom分期評定量表可知，判斷康復患者上肢處于Brunnstrom幾期的重要指標是肘、前臂和肩膀的活動范圍[21-22]。實驗中選擇采集數據的標準動作--患手摸肩，可以同時反映這些指標。該動作是康復患者平常進行康復訓練時的一個基本動作，動作的具體步驟為：① 患者坐直，軀干伸直，頭正，頸直，下肢自然放松；② 提起偏癱側的手臂，舉至水平位置；③ 彎曲肘關節觸摸另一側的肩膀；④ 上肢回到原來自然下垂的位置。為了能準確顯示該患者的身體恢復狀態，要求患者在沒有外力幫助下獨自完成所有的動作，并且患者在開始采集數據之前被要求重復康復醫師的標準動作幾次，以達到熟練的程度。
開始運動數據采集時，康復患者需要在佩戴數據采集裝置的情況下，連續做五個周期的患手摸肩動作。一個有效周期必須連續沒有停頓的完成動作，而且每個周期的動作被要求在10 s的采樣周期內完成。
在使用傳感器節點獲取上肢運動過程中的加速度信息時，僅需要知道上肢的前臂和后臂在運動過程中的加速度信息。在數據采集實驗中，我們分別在前臂和上臂的幾何中心位置放置三維加速度傳感器(見圖 5)，放置方向固定，加速度傳感器的X 軸平行于手臂，這樣在保證每次采集實驗時加速度放置位置相同的同時能較為準確的獲取上肢在運動過程中的加速度信息。
圖5
傳感器節點佩戴示意圖
Figure5.
A schematic diagram of wearing the sensor node
采集后得到的運動數據通過無線通信接受模塊傳到PC端，再經過客戶端程序處理后直接傳遞到遠程端的服務器上。服務器后臺程序對數據進行預處理、動作識別處理與Brunnstrom動作評估處理后，將最終獲得的評估結果和動作信息等數據保存到數據庫中該用戶的數據表，并可以直接在遠程康復訓練信息管理系統(www.hy-care.com)中查詢，如圖 6所示。
圖6
使用遠程康復訓練信息管理系統的Brunnstrom評定結果
Figure6.
Results of Brunnstrom assessment by using Remote rehabilitation training information management system
4.2 實驗結果分析和討論
測試集的預測結果由圖 7可知，兩個Ⅲ期腦卒中患者的數據樣本被Brunnstrom分期程序預測為Ⅴ期，一個Ⅳ患者的樣本數據被預測為Ⅲ期。所有數據的統計結果顯示，Ⅲ期測試樣本的正確率為85.7%，Ⅳ期的正確率為88.8%。經過研究分析發現，分期不準確可能由以下原因導致：首先，試驗中所使用的康復數據樣本量不充足，導致無法建立非常準確的模型；其次，腦卒中患者的康復狀況可能不穩定，身體狀況良好時，可以做出比較標準的動作，反之在身體情況不佳的情況下，動作質量可能會下降，從而導致某次分期預測結果不準確。而對Ⅱ、Ⅴ、Ⅵ期腦卒中患者的分期結果和康復醫師的Brunnstrom臨床分期結果完全相符，正確率為100%。綜上，該測試結果的總體正確率達到92.1%，說明基于ELM建立的Brunnstrom分期模型有良好的適用性。
圖7
測試樣本實際的Brunnstrom分期結果和預測的Brunnstrom分期結果
Figure7.
Actual results and predicted results of test samples by using the Brunnstrom assessment
5 總結及展望
本文提出了一個基于ELM的遠程腦卒中上肢康復Brunnstrom分期系統，用來幫助腦卒中康復患者在家或者社區實時進行上肢運動功能遠程康復評定。實驗結果表明，該系統可以較好地完成康復評定工作，為康復患者下階段治療方案的制定提供了可靠的依據。將來的工作中，我們將繼續采集Brunnstrom各期康復患者的數據，并制定更加嚴格的數據采集標準，完善康復患者的數據庫，從而提高預測模型準確率。
