编辑推荐：
为解决 Prechtl 一般运动评估（GMA）在应用中的局限，研究人员开展婴儿运动分类的传感器融合研究。结果显示三传感器融合分类准确率达 94.5% ，高于单模态评估。该研究为自动分类婴儿运动模式提供新途径，有助于早期检测神经发育状况。
在婴儿神经发育评估领域，Prechtl 一般运动评估（GMA）是一项具有重要临床价值的工具。它能通过评估婴儿内源性产生的运动功能，在婴儿出生后的前几个月检测出神经系统损伤，进而为诸如脑瘫、自闭症谱系障碍（ASD）、雷特综合征（RTT）等多种神经发育疾病的早期诊断和干预提供关键依据。然而，传统的 GMA 依赖于经过严格训练且获得认证的评估人员，这一过程不仅成本高昂，而且在偏远地区或缺乏专业人员的地方难以开展。此外，人工评估容易受到人为因素和环境因素的干扰，导致评估结果的准确性和稳定性受到影响。同时，现有的基于机器学习的自动化 GMA 方法大多基于单一传感器模态，其分类性能与训练有素的人类评估人员相比仍有较大差距，且不同模型之间缺乏可比性。在这样的背景下，开展新的研究以改进 GMA 的评估方法迫在眉睫。
来自德国哥廷根大学医学中心、海德堡大学等多个研究机构的研究人员，针对上述问题展开了深入研究。他们提出了一种传感器融合方法，旨在提高婴儿运动分类的准确性，进而推动基于人工智能（AI）的神经功能早期识别技术的发展。研究结果表明，三传感器融合模型的分类准确率达到了 94.5% ，显著高于任何单一传感器模态的评估结果。这一成果为自动化分类婴儿运动模式开辟了新的途径，有望实现对神经发育状况的自动化早期检测，在临床应用中具有重要意义。该研究成果发表在《Communications Medicine》上。
研究人员在这项研究中运用了多种关键技术方法。首先，他们收集了 51 名婴儿从 4 到 16 周龄的多模态运动数据，包括 2D RGB 相机、压力感应垫和六个惯性测量单元（IMU）采集的数据。在数据处理方面，采用了先进的姿态估计框架 ViTPose 提取视频数据中的人体关键点；对压力垫数据，计算压力中心（CoP）坐标等特征；IMU 数据则获取加速度和角速度值。分类模型上，使用卷积神经网络（CNN）进行运动分类，并通过 9 折交叉验证评估模型性能。同时，对比了早期融合和晚期融合两种传感器融合策略。
下面来看具体的研究结果。
- 单传感器模态的分类性能：研究对比了仅使用一种传感器模态时的分类性能。结果显示，使用压力垫特征（MAT）的分类准确率为 82.1% ，低于惯性测量单元（IMU，90.2%）和基于视频的骨骼特征（VID，90.7%）。其中，MAT 与 VID 的差异具有统计学意义（p<0.01），MAT 与 IMU 的差异接近显著（p = 0.055），而 IMU 和 VID 的性能差异不显著。此外，压力垫传感器的分类准确率在不同测试集中波动较大，而 IMU 和视频传感器的准确率则较为稳定。
- 传感器融合的分类性能：在两传感器融合方面，其分类准确率通常高于单模态，但差异大多不具有统计学意义。例如，VID 与 IMU 融合的性能显著优于 MAT 或 IMU 单独使用，但与 VID 单独使用相比差异不显著；MAT 与 IMU 或 VID 融合，性能显著优于 MAT 单独使用，但不如 IMU 或 VID 单独使用。三传感器融合的性能优于任何单一传感器，也显著优于包含 MAT 的两传感器融合模型，但与 VID + IMU 的两传感器融合相比，差异不显著。同时，研究还比较了早期融合和晚期融合两种方式，发现晚期融合（94.5%）的平均分类准确率略高于早期融合（93.2%），但差异无统计学意义（p = 0.164）。
研究结论和讨论部分强调了多个重要观点。首先，不同传感器模态的性能存在差异，单模态分类准确率存在一定局限性，而传感器融合能够提升分类精度，特别是三传感器融合在婴儿运动分类任务中表现出色。其次，非侵入性传感器融合（如 MAT + VID）在保证准确率的同时，具有操作简便、对婴儿干扰小的优势，适合获取和共享大规模临床数据，为未来 AI 驱动的诊断工具发展提供了有力支持。此外，尽管当前传感器融合方法在设置和数据分析上较为复杂，但如果能显著提高 GMA 自动化解决方案的性能，其付出的努力将是值得的。这项研究为实现基于 AI 的婴儿运动深度表型分析和分类提供了重要的方法学突破，有望推动相关领域的进一步发展，助力更准确地预测与多种神经发育结局相关的发展轨迹。
