融合脑功能和运动评估的脑卒中康复训练处方推荐模型构建

张腾宇 张静莎 徐功铖 王 峥 张学敏 李增勇,#*

1(国家康复辅具研究中心，北京市老年功能障碍康复辅助技术重点实验室，民政部神经功能信息与康复工程重点实验室，北京 100176)2(北京航空航天大学生物与医学工程学院，北京 100191)

引言

脑卒中是我国成人致死、致残的首位原因，呈现出高发病率、高致残率、高死亡率、高复发率的特点[1]。据统计，55%～75%的脑卒中患者最终会遗留运动功能障碍[2]，给患者及其家庭和社会带来沉重的负担。康复训练是恢复患者运动功能的最重要手段[3]。无论是传统的人工康复训练，还是基于康复训练机器人的康复训练，针对患者的不同情况制定个性化的康复训练处方，是保障训练效果的重要条件[4]。但是，目前康复训练处方大多由医生根据患者的临床表现和临床量表评估结果开具，很大程度上依赖于医生的经验；患者的功能评估一般只是在不同的康复阶段进行几次定期的评估，因此训练处方的更新取决于评估的周期，导致可能跟不上患者的康复进程，难以提高康复效率。

近年来，人工智能技术已经被广泛应用于医疗康复领域[5]。国内外研究人员基于多种传感器信息，利用人工智能算法进行脑卒中患者上肢运动功能的定量评估[6-9]，解决了人工评估周期长、不完全定量的问题，但是目前定量评估采用的信息主要集中在运动、肌电等方面[10-12]。而对于脑卒中患者，造成其肢体运动障碍的根源是神经环路受损，所以康复评估和训练也应基于患者的脑功能状态。

本研究利用与制定脑卒中患者康复训练处方有关的量表功能评估结果，并从患者的近红外脑氧信息中提取脑功能评估指标，建立包含量表评估结果、脑功能评估指标与康复训练处方的数据库，通过构建深度学习模型进行学习，从而根据患者运动及脑功能状况自适应推荐康复训练处方，最终达到脑卒中患者个性化、精准康复的目的。

1 方法

1.1 实验过程

本研究经国家康复辅具研究中心附属康复医院伦理委员会批准，选取120例脑卒中患者参与实验，他们在实验前均自愿签署知情同意书。其中，103例实验对象完成了全部实验内容且脑功能数据有效，基本情况如下：年龄56.57±12.81岁，其中男性75例，女性28例，左侧偏瘫43例，右侧偏瘫56例，双侧瘫4例。

采用Brunnstrom评定量表、Holden步行能力分级量表、Berg平衡量表和改良的Ashworth量表，分别对患者的主动运动功能、步行能力、平衡功能和肌张力进行评定，由康复科医生根据患者的情况为每位患者制定康复训练处方。

采用丹阳慧创医疗设备有限公司的NIRSmart近红外光谱测量仪器，采集患者头部左/右前额叶(LPFC/RPFC)、左/右运动区(LMC/RMC)和左/右枕叶(LOL/ROL)6个脑区的皮层血氧数据，包括相对氧合血红蛋白浓度(ΔHbO2)、相对脱氧血红蛋白浓度(ΔHHb)和相对总血红蛋白(浓度ΔtHb)。根据国际10-10定位系统，在大脑头皮上分别布置24个光源和13个探测器，共组成40个信号采集通道，探测器探头距离光源的距离为30 mm，通道布置如图1所示。在数据采集过程中，患者保持静息态，采集时间10 min，采样频率为10 Hz。

图1 近红外采集通道布置Fig.1 The location of near-infrared acquisition channels

1.2 数据处理

对每名患者采集到的各通道脑血氧信号进行预处理，剔除无效信号通道，将相对氧合血红蛋白浓度信号通过移动标准偏差，结合三次样条差值算法去除运动伪影，经过滑动平均算法去除脉冲型干扰噪声[13]。计算不同脑区的激活度、侧偏性以及功能连接等，用来作为脑功能评估指标，具体计算方法如下：

采用复小波变换方法，计算得到各通道信号的小波幅值(WA)，取0.01～0.08 Hz频段的WA积分值作为单一通道的激活值。将同一脑区内各通道的激活值进行平均，作为脑区激活度指标。

根据健侧和患侧各脑区的激活值计算侧偏性，计算方法[14]为：侧偏性=(健侧激活值-患侧激活值)/(健侧激活值+患侧激活值)。

基于小波相位相干性来计算脑区功能连接[15]：对每一通道数据进行归一化处理，计算其小波变换结果，在此基础上对相位信息φ(f,t)进行小波相位相干性(wavelet phase coherence, WPCO)分析。以通道x、y为例，其相位信息之差为Δφxy(f,t)，将cosΔφxy(f,t)和sinΔφxy(f,t)在时域内平均，得到〈cosΔφxy(f)〉和〈sinΔφxy(f)〉，由此计算WPCO值为

小波相位相干性值为衡量两信号相位同步性的指标，同样取0.01～0.08 Hz区间的WPCO积分值作为功能连接值。两脑区间的功能连接值为两脑区之间所有通道WPCO积分值的均值。

1.3 相关分析

利用SPSS24软件，计算各量表评估结果与脑功能评估指标之间的皮尔森相关系数，显著性水平取P<0.05。

2 模型

将103名数据完整的实验对象的量表评估结果、脑功能评估结果和医生开具的训练处方进行整理，形成用于处方推荐模型训练的数据集。各类数据包括的详细内容、指标如表1所示。

表1 数据集包含的内容Tab.1 The contents in the data sets

2.1 模型构建

需要根据患者病历及近红外脑功能数据，预测左上肢运动、右上肢运动、左下肢运动、右下肢运动、左手运动、右手运动、平衡训练和步行训练共8种训练内容下的不同训练模式(主动、被动、主被动、抗阻)。为实现对不同部位的康复训练处方的自动预测，本研究对比了常用的机器学习算法-支持向量机(SVM)和深度学习算法-卷积神经网络(CNN)两种学习算法建立预测模型的结果。CNN具有优秀的特征提取能力，但采用softmax作为卷积神经网络分类器会导致分类识别模型泛化能力不足，而SVM具有较强的泛化能力[16]，尤其适用于小样本的分类识别，因此本研究结合两种算法的优势，进一步提出了改进的卷积神经网络(CNN-SVM)模型，如图2所示。其中，模型特征提取采用CNN模型，包含两层卷积层(卷积核kernel_size=3)、两层最大池化层，每一层卷积层紧跟一层池化层，池化层后接入展平层，最后接入全连接层，再将全连接层的特征输入SVM分类器进行分类识别。SVM分类器采用径向基(RBF)函数。

图2 CNN-SVM模型Fig.2 The CNN-SVM model

2.2 模型训练

将包含103例患者的量表评估结果和脑功能评估结果的数据集，按照3∶1∶1随机划分为训练集、测试集和验证集。分别以量表评估+脑区激活度、量表评估+侧偏性、量表评估+脑区间功能连接几种指标作为模型输入，主动、被动、主被动、抗阻等不同训练模式作为类别输出，对8种训练内容(不同部位和运动训练和平衡、步行训练)分别进行分类识别。最后将8个分类器的识别结果进行汇总，得到康复训练处方。

3 结果

各量表评估结果与脑功能评估指标之间的相关性如表2所示，其中仅列出有显著相关性的参数。利用SVM、CNN和CNN-SVM三种算法建立的模型，分别对8类训练内容的训练模式进行识别，基于不同特征指标和不同算法的识别准确率如表3～5所示。

表2 各量表评估结果与脑功能评估指标之间的相关性Tab.2 The correlation between the scale assessment results and the parameters of brain function assessment

经对比不同特征组合的识别结果(见表3～5)发现，在采用同样算法的情况下，将量表评估结果+脑区间功能连接指标作为特征输入的模型识别准确率最高，量表评估结果+侧偏性指标的模型识别率次之，均高于量表评估结果+脑区激活度的模型识别率。对比不同算法的识别结果发现，改进的CNN-SVM模型相比传统的CNN和SVM模型，识别准确率均有所提高。采用量表评估结果+脑区间功能连接指标作为特征输入，利用改进的CNN-SVM算法进行模型训练，针对8种训练内容的训练模式，识别准确率均达到90%以上，平均识别准确率达到96.43%。

表3 基于量表评估+脑区激活度的模型识别准确率

对验证集每个患者的数据，利用基于量表评估结果和3种不同脑功能参数特征组合的模型进行训练处方推荐，比较其推荐结果的一致性。一致性以两个模型之间8个分类器的识别结果相同的数量所占的比例来表示。最终，将验证集所有患者数据得到的一致性结果进行平均，得到每两种特征组合模型之间的一致性结果，如表6所示。可见，采用不同模型的识别结果存在一定的差异，但一致性均达到80%以上。尤其是利用侧偏性和脑区间功能连接两种识别率相对较高的模型，其识别结果的一致性均达到90%以上。

表4 基于量表评估+侧偏性的模型识别准确率

表5 基于量表评估+脑区间功能连接的模型识别准确率

表6 基于不同脑功能参数的模型推荐处方的一致性

4 讨论

制定脑卒中患者的康复治疗方案，应综合考虑运动功能和脑功能的状况。由于脑区激活度、侧偏性、脑区间功能连接等脑功能评估指标与通过量表进行运动功能评估的结果存在一定的相关性，因此本研究利用脑卒中患者的量表功能评估结果，与脑区激活度、侧偏性、脑区间功能连接等脑功能评估指标相结合，将其作为特征构建深度学习模型，自动推荐康复训练处方，并对比分析了采用不同算法以及不同特征组合的模型识别结果。

分析量表评估与脑功能指标之间的相关性结果(见表2)发现，脑区间的功能连接与量表评估的较多指标存在显著相关性，侧偏性指标与量表评估的相关性次之。与运动功能显著相关的脑功能指标可能对定制康复训练处方更具参考价值，因此利用其进行模型训练所得到的处方推荐结果可能也更加准确，这在一定程度上解释了利用脑区间功能连接指标作为模型训练指标得到的识别结果准确率更高的原因。

从几个脑功能指标的计算原理来看，激活度是基于脑血氧幅值信息的指标，存在较大的个体差异，而侧偏性指标是根据脑区激活度指标计算得到的，反映同一脑区健侧和患侧激活情况的偏差。因此，侧偏性是在脑区激活度指标的基础上进一步提取了与健/患侧有关的特征，利用其作为特征输入，模型的识别准确率有所提升。脑区间的功能连接反映患者不同脑区间的相位同步性，静息态的脑功能连接被认为能够反映功能脑网络的基本性质[17]。脑功能连接反映脑网络特征更加全面，可能是在本研究中采用功能连接指标作为特征输入的模型识别准确率最高的一个原因。同时，文献[18-19]的研究表明，脑卒中患者在不同功能恢复阶段，其侧偏性和功能连接指标存在显著性差异。脑电图、脑磁图和功能磁共振成像试验也一致显示，脑卒中后从急性期到慢性期的脑功能连接节点度降低，与临床缺陷的严重程度呈线性相关，康复过程中神经功能的改善与功能连接的变化是息息相关的[20-22]。这说明，侧偏性和功能连接指标能够代表脑卒中患者不同康复阶段的脑功能状况，因此用其进行模型预测具有较高的识别率。一些研究[23-24]发现，在脑卒中后不同时间点观察到治疗前的网络相互作用与治疗期间的临床改善有着相关性，并发现与神经功能缺陷相关的节点通过增加与其他区域的功能连接，能提高它们在大脑网络中的整体重要性，有可能成为预测运动恢复改善的依据，这对医生制定康复训练方案具有一定的参考价值。这些康复医学基础研究也进一步证实，脑功能指标与康复评估、训练之间具有关联性。

另外，从表6的结果来看，利用评估量表与不同脑功能参数特征组合的几种模型进行处方推荐，其结果具有较好的一致性，在一定程度上证明利用这种方法推荐的处方具有较高的可信度。

同时，本研究比较了各种特征指标下，基于传统SVM和CNN算法建立预测模型的识别结果，并结合CNN和SVM算法的优势，提出了改进的CNN-SVM模型；利用CNN进行数据的特征提取，利用SVM进行分类识别，识别准确率相比传统的CNN和SVM模型均有所提高，说明所提出改进的CNN-SVM模型具有较好的泛化能力。由于本研究的样本量较小，而深度学习算法对于大样本的学习具有较强的优势[25]，因此本研究中CNN的表现在某些情况下甚至不如机器学习算法SVM的表现。但考虑到该研究未来的应用场景是面向医疗大数据，随着样本量的增加，基于深度学习的模型识别准确率可能会进一步提升。

5 结论

本研究提取脑卒中患者Brunnstrom评定量表、Holden步行能力分级量表、Berg平衡量表和改良的Ashworth量表评估结果，以及脑区激活度、侧偏性、脑区间功能连接等脑功能评估指标特征，利用SVM、CNN和CNN-SVM几种不同的学习算法，建立了人工智能康复训练处方推荐模型。经比较，利用CNN与SVM结合改进的CNN-SVM算法识别率较传统的SVM和CNN有所提高，其中利用量表评估+脑区间功能连接指标作为特征进行训练得到的模型识别率最高，平均识别率达到96.43%。随着训练集样本量的不断扩充，识别率有望得到进一步提高。该方法可为临床医生制定康复训练处方提供参考，同时可用于评估、训练一体化的智能康复训练系统，为训练方案的自适应调整提供解决方案。

(致谢：感谢霍聪聪、李文昊在实验数据处理中所作的贡献)