|
康復訓練中基于表面肌電的軀干補償檢測
柯瑪1、閆晨2、張小雅3、鄭海清3*、宋宇2、蔡思奇2、謝龍漢2*
1華南理工大學機械與汽車工程學院，廣州，中國
2謝明武，華南理工大學智能工程學院，廣州，中國
3中山大學附屬第三醫院康復醫學科，廣州，中國
中風患者在上肢康復訓練中經常使用軀干來補償受損的上肢運動功能，這導致康復訓練效果降低。檢測軀干補償可以提高康復訓練的效果。本研究探討了基于表面肌電圖的軀干補償檢測（sEMG-bTCD）方法的可行性。招募了五名健康受試者和九名具有認知和理解能力的中風受試者參加實驗。在三項康復訓練任務（向前-向后伸展、左右伸展和向上-向下伸展運動）期間，采集了九塊淺部軀干肌肉的表面肌電信號，無需補償，并使用三種常見軀干補償[向前傾斜（LF）、軀干旋轉（TR）和肩部抬高（SE）]。進行濾波、活動段檢測等預處理，并從采集的表面肌電信號中提取五個時域特征（均方根、方差、平均絕對值（MAV）、波形長度和四階自回歸模型系數）。通過使用支持向量機（SVM）分類器（LF：準確度=94.0%，AUC=0.97，F1=0.94；TR：準確度=95.8%，AUC=0.99，F1=1.96；SE：準確度=100.0%，AUC=1.00，F1=2.00），健康受試者的TCD表現優異。通過使用SVM分類器，還獲得了中風參與者的TCD表現（LF：準確度=74.8%，AUC=0.90，F1=0.73；TR：準確度=67.1%，AUC=0.85，F1=1.71；SE：準確度=91.3%，AUC=0.98，F1=2.90）。與基于攝像機或慣性傳感器的方法相比，健康和中風參與者都獲得了更好的檢測性能。研究結果證明了表面肌電bTCD方法的可行性，有助于促使腦卒中患者糾正其錯誤姿勢，從而提高康復訓練的有效性。
介紹
中風是世界上致殘的主要原因之一（Burton等人，2018年），約80%的中風患者伴有上肢運動功能障礙（如肌無力、姿勢控制異常和肢體協調運動異常）。上肢運動功能障礙嚴重影響中風患者的日常生活和工作（Hatem等人，2016）。許多臨床實踐表明，康復訓練可以有效促進上肢運動功能障礙的恢復（Zhang等人，2015）。然而，在康復訓練期間，患者通常通過招募完整的軀干肌肉和關節來補償受損的上肢（Cirstea和Levin，2000）。這種補償運動稱為軀干補償。根據軀干的不同運動特征，有三種常見的軀干補償：前傾（LF）、軀干旋轉（TR）和肩部抬高（SE）（Dolatabadi等人，2017）。無論補償類型如何，軀干補償都會降低康復訓練的效果，并阻礙上肢運動功能障礙的恢復（Levin等人，2009年）。
為了提高康復訓練的有效性，應采取措施檢測軀干補償。在早期研究中，物理約束（Michaelsen和Levin，2004年；Pain等人，2015年；Greisberger等人，2016年）應用于中風患者的軀干，使用帶子或特殊線束，將患者的軀干約束在椅子上，而無需補償。軀干補償的這些限制可以改善患者的手臂功能（Wee等人，2014）。然而，對患者的康復訓練是重復和密集的。長期的身體限制會導致不適和焦慮。此外，一旦康復訓練超出了患者的運動范圍，很可能會導致患者的疲勞。因此，在不受軀干約束的情況下，通過檢測技術檢測軀干補償對中風患者更為合適和有效。
目前，可穿戴慣性傳感器（Najafi等人，2003年）或攝像機（Bakhti等人，2018年）主要用于檢測軀干補償。盡管可穿戴慣性傳感器系統通常用于評估和監測中風患者的上肢運動能力（Zhang等人，2012年；Urbin等人，2015年），但初步研究表明，可以通過慣性傳感器確定補償策略（Salazar等人，2014年）。例如，Ranganathan等人（2017年）使用了兩個可穿戴慣性傳感器例如，Ranganathan等人（2017年）在模擬軀干補償時，使用兩個可穿戴慣性傳感器收集20名健康參與者的運動數據。使用樸素貝葉斯分類器進行二元分類（是否存在軀干移位），作者獲得了88.6%的準確率。簡言之，基于慣性傳感器的軀干補償檢測（TCD）方法實現了不令人滿意的檢測精度（<90%），并且在中風患者中缺乏TCD。此外，為了減少測量誤差，需要進行一些動作，如手臂水平外展，以校準慣性傳感器，但中風患者很難執行這些動作。此外，由于人體皮膚的柔韌性，慣性傳感器的位置可能在運動期間發生變化，導致數據采集的有效性降低。
目前，基于攝像機的檢測方法已得到廣泛普及（Duff等人，2010；Subramanian等人，2013）。例如，Taati等人（2012年）使用深度相機從模擬LF、TR、SE和懶散補償的七名健康參與者那里捕獲視頻數據。使用改進的隱馬爾可夫支持向量機（HM-SVM）分類器進行多分類，作者實現了每幀85.9%的平均準確率。隨后，Zhi等人（2017）利用Kinect v2攝像機不僅捕獲了10名健康參與者的模擬LF、TR和SE補償的視頻數據，還捕獲了9名中風參與者的實際軀干補償。使用支持向量機和遞歸神經網絡（RNN）分類器，作者實現了類似的分類性能。在健康參與者的模擬軀干補償數據集中，LF補償的檢測性能最高（AUC=0.98，F1=0.82），其次是TR補償（AUC=0.77，F1=1.57），最后是SE補償（AUC=0.66，F1=2.07）。相反，在中風患者的實際軀干補償數據集中，檢測性能較低，即：左心室補償（AUC=0.77，F1=0.17）、TR補償（AUC=0.81，F1=1.27）和SE補償（AUD=0.27，F1=2.07）。我們發現，檢測性能并不理想，特別是在檢測中風參與者的軀干補償時。此外，由于對照明的依賴，基于攝像機的檢測系統僅限于室內環境。更重要的是，基于攝像頭的檢測系統可能會導致隱私問題，特別是對于中風患者。由于上述兩種方法的缺點，需要一種方便、獨立于環境且準確的檢測方法來檢測干線補償。
表面肌電圖（sEMG）信號是包含肌肉運動信息的生物電信號。與攝像機和慣性傳感器相比，表面肌電信號的采集不依賴于外部環境，如照明，也不需要校準�；谶@些優勢，基于表面肌電的模式識別技術應運而生并迅速發展。特征提取和分類是基于表面肌電的模式識別技術中最關鍵的技術。迄今為止，時域、頻域和時頻域特征已廣泛用于表面肌電信號的分析和處理（Burhan和Ghazali，2016；Majid等人，2018；Phinyomark等人，2018）。此外，出現了許多用于分類的分類器算法，如支持向量機、人工神經網絡（ANN）和線性判別分析（LDA）（Chowdhury等人，2013年；Nazmi等人，2016年）。由于各種特征和分類器，基于表面肌電的模式識別技術已廣泛用于上肢運動模式識別（Lucas等人，2008；Yang和Chen，2016；Lu等人，2017）和上肢連續運動估計（Liu等人，2017；Zhang等人，2016）。然而，它尚未用于TCD。
因此，本文提出了基于表面肌電的TCD方法，并通過實驗驗證了其可行性。實驗分為兩個階段。首先，招募5名健康參與者來驗證該方法的實際可行性，然后招募9名中風參與者來驗證其臨床可行性。具體而言，我們從控制三個軀干補償的軀干肌肉中選擇了九個軀干肌肉，并從這些肌肉中收集表面肌電信號。然后，我們從采集的表面肌電信號中提取了五個時域特征，并使用支持向量機分類器進行了TCD，取得了良好的檢測性能。本文其余部分的結構如下。“材料和方法”部分介紹了參與者和實驗方案。“干線補償檢測程序”一節詳細介紹了TCD程序，特別是改進的活動段檢測方法。“結果和討論”部分分析了實驗結果和討論。 |
