提升中风患者的康复效果：利用加速度计数据通过深度学习技术实现上肢运动控制

《Frontiers in Artificial Intelligence》：Enhancing rehabilitation in stroke survivors: a deep learning approach to access upper extremity movement using accelerometry data

1.本研究利用卷积神经网络（CNN）结合密集层，通过腕部加速度计数据实时评估中风患者上肢功能性运动与非功能性运动，显著提升分类准确率（平均0.90±0.05），并验证了结合双肢数据模型（0.88±0.10）的有效性，为个性化康复提供新工具。

　　上肢（UE）康复对于中风患者至关重要，其主要目标是改善患者使用患侧上肢进行日常活动的能力。然而，目前评估这些治疗效果存在一定的挑战，主要是缺乏客观的测量工具。传统的评估方法，如临床人员对运动能力的主观评分或患者自我报告，往往难以准确反映患者在真实生活场景中的上肢使用情况。已有研究表明，目前使用的临床评估工具无法可靠地捕捉患者在家中或社区中的实际上肢使用情况。因此，研究者开始探索使用先进的技术，如深度学习方法，来提高对上肢功能和非功能运动的分类精度。

在本研究中，研究人员提出了一种结合卷积神经网络（CNN）和密集层（Dense layers）的深度学习方法，利用手腕佩戴传感器采集的加速度数据对中风患者的上肢运动进行分类。研究构建了两种类型的模型：一种是基于个体数据训练的模型（intrasubject model），另一种是基于所有个体数据训练的模型（intersubject model）。其中，个体模型在患侧上肢的分类任务中达到了平均准确率0.90±0.05，而跨个体模型的准确率为0.79±0.06。当引入非患侧手臂的数据时，跨个体模型的准确率进一步提升至0.88±0.10。值得注意的是，该方法直接使用原始加速度数据，无需手动提取特征，相较于传统机器学习方法，实现了更高的分类准确率。这种深度学习方法不仅具备成本效益，而且具有高度的适应性，为真实世界中的上肢功能监测提供了可行的解决方案。研究结果可能为中风患者的个性化康复策略的制定提供重要依据，同时为临床实践带来新的思路。

中风是一种由于大脑供血中断而导致的疾病，可能是由于血管阻塞或破裂，从而导致脑细胞迅速受损或死亡。中风是全球重要的健康问题，是全球第三大死亡原因，并在心血管疾病相关死亡中占较大比例。在美国，每年约有795,000人发生中风，其中约三分之二的患者能够存活，但通常需要进行长期的康复治疗。中风的常见后果之一是上肢功能障碍，通常是由于偏瘫，表现为手臂运动受限和肌肉张力异常。有效的上肢康复对于恢复运动能力和功能至关重要，使患者能够重新获得独立性并提高生活质量。

国际功能、残疾与健康分类（ICF）定义了中风影响的多个领域，包括身体功能、活动能力和参与。中风可能影响身体功能，如肌肉力量或关节活动范围。活动能力则涉及依赖多个身体功能的日常任务，如伸手抓取物品或行走。参与是康复的最终目标，包括重返工作岗位、社交或休闲活动。在这些领域中，能力（capacity）和表现（performance）的概念被广泛应用。能力通常在受控环境中测量，如临床测试中让患者用患侧手臂捡起物品。能力评估可以通过运动捕捉技术进一步增强。此外，使用惯性测量单元（IMU）在临床能力评估中采集的数据可以预测经过训练的临床专家的评分。IMU还可能取代高精度的运动捕捉系统，用于评估运动质量。然而，即使在能力评估中表现良好，许多因素仍可能限制患者在实际生活中的自发上肢使用，如使用患侧手臂所需的体力与使用非患侧手臂的补偿行为之间的对比。因此，能力与实际表现之间往往存在差异。

为解决传统方法的局限性，研究人员开发了新兴技术，以提供更客观、准确的上肢功能评估。其中，IMU是一种小型可穿戴传感器，通过加速度计和陀螺仪追踪运动。IMU可以安装在身体的不同部位，用于长期收集数据，包括临床环境和日常活动。已有研究表明，结合加速度数据与机器学习算法可以有效分类和分析上肢运动。例如，研究利用加速度数据区分功能性和非功能性运动，提供比传统方法更客观的评估。此外，加速度数据还可以用于生成具有临床意义的评估指标，如活动计数，该指标通过计算过滤后的加速度幅度超过预设阈值的时间段来得出。然而，该指标在检测功能性使用方面存在较低的特异性。通过使用标记数据进行优化，活动计数可以达到80%的准确率，用于预测功能性使用。一旦功能性使用被估计，可以进一步可视化上肢的使用情况，并计算肢体不对称性指标。如果使用更多的IMU，还可以估计执行功能性任务时的临床参数，如肘关节角度、肩关节角度和躯干运动。

机器学习也被广泛用于上肢功能评估，以提供客观、可扩展和可量化的运动功能测量，其准确性通常优于传统方法。诸如随机森林（RF）、支持向量机（SVM）、逻辑回归分类器和传统神经网络等技术已被用于从传感器数据中分类功能性与非功能性运动，通常来自IMU或加速度计。这些模型具备自动化评估过程、减少对主观临床评估的依赖，并支持在真实环境中进行连续监测的潜力。然而，早期方法往往需要耗时的手动特征工程，如选择特定的属性，如速度或关节角度，这限制了模型的灵活性、适应性和泛化能力。此外，手动选择的特征可能无法充分反映运动模式的复杂性，导致评估不够准确。因此，基于手动提取特征的模型在不同患者群体和运动情境下的泛化能力较差。根据一项研究，使用机器学习模型在跨个体模型中对10名中风患者进行评估，准确率达到了74.2%。

为了提高分类方法的有效性，研究者还通过与已有的临床指标进行比较，验证了这些方法的可靠性。功能性/非功能性比例与多个临床结果之间的并发效度已被发表。该比例与动作研究手臂测试（ARAT）、Fugl-Meyer、9孔板测试和运动活动记录（Motor Activity Log）等指标高度相关。另一项研究通过比较传统阈值法、优化阈值法和逻辑回归分类器，展示了IMU数据在区分功能性与非功能性运动中的有效性。结果表明，优化阈值法和逻辑回归分类器在跨个体模型中均达到了约80%的准确率，并优于传统阈值法。

卷积神经网络（CNN）在医疗和健康领域的应用日益增多，因其能够处理和分析复杂数据的能力。CNN在医学图像分析、疾病检测和患者监测等任务中被广泛应用。在运动评估领域，CNN的应用也展现出巨大的潜力。CNN由卷积层和池化层组成，旨在从输入数据中提取空间或局部模式，如图像或传感器信号。密集层（Dense layers）接收CNN提取的特征，并学习复杂的非线性组合以进行最终预测。在密集层中，每个神经元都与前一层的所有神经元连接，通过可学习的权重进行映射。在上肢运动分类的背景下，密集层的作用是将卷积层提取的时空特征映射到输出类别，代表功能性或非功能性手臂运动。CNN的优势在于其能够直接从原始输入数据中提取显著特征，减少了手动特征工程的需求。这种能力在处理由IMU采集的大规模和复杂数据集时尤为突出。通过学习层次化模式和数据中的微妙相关性，CNN可以产生比传统分析方法更准确和可靠的运动分类结果。

然而，CNN在运动评估中的应用也面临一些挑战。其中，一个主要挑战是需要大量数据集来训练模型，这在临床环境中可能难以获取。此外，CNN的复杂性可能导致过拟合，即模型在训练数据上表现良好，但在新数据上表现不佳。为了缓解这一问题，通常会采用正则化技术，如Dropout和批量归一化（Batch Normalization）。尽管存在这些挑战，CNN与IMU数据的结合仍为上肢评估提供了新的可能性，有助于提升中风康复的效果。

本研究旨在探索CNN与密集层结合，并利用原始手腕佩戴的加速度数据，以提高对中风患者患侧手臂功能性与非功能性运动的分类效果。功能性类别包括诸如手势、伸手抓取物品、开门等行为，而非功能性类别则包括与行走、坐起或全身运动相关但不涉及功能性手臂运动的行为。此外，无运动的帧也被标记为非功能性。通过采用先进的深度学习技术，本研究希望提升上肢运动分类的性能，为康复效果的客观评估提供新的方法。目标是通过提供更好的监测和分析工具，提高上肢康复的有效性，使患者在临床和社区环境中能够更好地恢复功能。

在材料与方法部分，研究共招募了37名中风患者参与一项称为“活动脚本”的任务，模拟日常活动以反映患者在社区环境中的上肢使用情况。研究团队对这些患者的基本信息和临床特征进行了总结，包括年龄、性别和中风相关信息。研究中排除了两名患者：一名仅表现出非功能性运动，另一名因数据损坏被排除。参与者的平均年龄为59.4±12.5岁，其中24名男性和11名女性。患者中风后的时间中位数为16个月，范围从6个月到257个月。样本包括18名左肢受影响的患者和17名右肢受影响的患者。手臂功能障碍程度差异较大，平均ARAT评分为26.9±15.1，范围从0到54。平均使用率，即患侧手臂在真实世界中的使用比例，为0.5±0.3，范围从0到1.05。这一队列中广泛的功能障碍严重程度和手臂使用率为解释模型性能和评估研究结果的泛化性提供了背景。

数据采集在MedStar国家康复医院的独立广场设施中进行，包括厨房、卧室、商店和汽车等典型环境。参与者执行了各种日常生活活动（IADLs），如洗衣、厨房活动、购物和整理床铺。在洗衣任务中，参与者从衣柜中取衣物，将其放入洗衣机和烘干机，然后将衣物折叠或挂起。在厨房活动中，参与者负责装填和卸载洗碗机、切苹果、从地板上捡起物品以及使用扫帚清扫地面。购物任务包括从商店中收集商品、将商品放入车内并取出。整理床铺的任务包括更换床单和枕套。参与者在执行这些任务时并未受到特定手臂使用或优先使用患侧手臂的指导，而是按照他们在家中和社区中的习惯进行操作。任务过程中穿插休息、与研究者交谈和在设施内行走，以采集非功能性上肢使用数据。没有对任务完成时间设定严格限制。

为了确保模型的泛化性，研究团队在大多数外部数据集中仅使用原始加速度数据。在之前的研究中，他们发现使用加速度和角速度数据并不会显著提高模型的准确性，相较于单独使用加速度数据。因此，研究中选择使用任何手腕佩戴的三轴加速度计，只要其轴向方向、符号约定和数据格式与ActiGraph Link传感器一致。左臂和右臂的数据通过简单的轴向转换进行解剖学一致性处理，假设固定30 Hz的采样率。所有这些细节将在数据存储库中作为元数据提供。

研究团队由三名独立标注者对视频进行评审，并对每一帧进行分类，标记为功能性、非功能性或未知。每个肢体的标注是独立进行的，最终每个肢体在每个视频帧的标签由多数投票决定。标注者之间的一致性通过计算在哪些帧上两名独立标注者对类别标签达成一致的百分比进行量化。在所有可能的比较和标注的肢体中，平均一致性为92.4±5.3%。大多数差异与类别标签转换的精确时间有关。视频与加速度数据同步，功能性、非功能性以及未知活动的地面真实标签被转移到加速度数据中。同步通过在将传感器佩戴在参与者手腕前，快速在z轴方向上摇动传感器五次，从而产生五个明显的峰值。这些峰值被轻松识别并标记，同时在视频中也进行了相应的标记。

被标记为“未知”的帧最初由人类标注者用于那些手臂不在视野内或无法确定是否为功能性或非功能性运动的情况。然而，在训练之前，这些帧被排除，使得地面真实标签仅保留“功能性”和“非功能性”两类。随后，与“未知”标签相关的加速度数据也被移除。最终，使用这两个标签和原始加速度数据进行训练，构建了一个集成的深度学习模型，即CNN与密集层结合的模型。

在实验过程中，研究团队使用自定义的Python IDE对收集的传感器数据进行了三种不同的组织方式：患侧手臂数据集、非患侧手臂数据集和合并手臂数据集。合并数据集结合了患侧和非患侧手臂的数据，以捕捉更广泛的运动模式。随后，定义每个数据点为2秒的传感器数据序列。这种处理方式产生了以下数据集：患侧手臂数据集包含13,967个功能性数据点和19,168个非功能性数据点；非患侧手臂数据集包含28,105个功能性数据点和5,224个非功能性数据点；合并数据集包含13,923个功能性数据点和19,075个非功能性数据点。为了保持一致性，研究团队排除了不符合2秒序列结构的数据。这种处理方式可能截断某些不完整的数据段，导致最终样本数量略有差异，但保留了时间序列数据的结构。

在模型架构方面，研究团队构建了一个基于CNN和密集层的深度学习模型，用于对功能性与非功能性手臂运动进行分类。CNN是一种专门用于处理和分析不同类型数据的深度神经网络，特别擅长图像识别和计算机视觉任务，因为它们能够捕捉空间层次结构。CNN的关键组成部分包括卷积层，用于应用滤波器生成特征图，激活函数如ReLU用于引入非线性，池化层用于下采样特征图，密集层用于高阶推理，以及Dropout用于正则化。这些元素使CNN能够高效地学习和检测图像中的各种特征，通过参数共享减少参数数量，并通过局部感受野捕捉空间依赖关系。

尽管加速度数据本质上是时间序列数据，但基于CNN的模型在处理固定长度的加速度段时表现出色，能够捕捉局部时间-空间模式和层次化特征。先前对基于加速度数据的人类活动识别（HAR）模型的比较研究显示，CNN在准确率方面通常优于或与长短期记忆网络（LSTM）相当，同时训练时间更短，计算资源需求更低。LSTM模型虽然在建模长期时间依赖性方面表现出色，但在处理较小或固定长度的数据集时，通常需要更多的计算资源，并容易发生过拟合。在研究的早期阶段，初步实验表明，CNN架构在短时（例如2秒）加速度窗口中的验证准确率和计算效率优于基本的LSTM模型，这与文献中的发现一致。基于Transformer的模型虽然在处理序列数据方面表现出色，但通常需要大量训练数据以防止过拟合，并充分展示其潜力。鉴于可用的中风康复数据规模有限，CNN与密集层的结合提供了一种强大且计算效率高的替代方案，能够在不依赖大量数据的情况下捕捉关键的局部和全局特征。

为了评估模型性能，研究团队采用了多种指标，包括准确率和F1分数。准确率衡量模型预测的整体正确性，表示所有预测中正确预测的比例（真阳性与真阴性）。F1分数则通过考虑精确度（正类预测的准确性）和召回率（正确识别所有正类实例的能力）提供平衡的评估，这在功能性使用较低的患者中尤为重要。研究团队还采用了交叉验证方法，以确保模型的稳健性。对于个体模型，采用了5折交叉验证，将每个患者的数据分为五个相等的部分，其中四个部分用于训练，一个部分用于测试。这一过程重复五次，确保每个数据部分都被用于训练和测试。对于跨个体模型，采用了留一法交叉验证，每次将一个患者作为测试集，其余作为训练集。这一过程对每个患者重复进行，以全面评估模型在不同患者之间的性能。

研究团队还采用了ReduceLROnPlateau回调函数，监控特定指标并在连续一定数量的训练周期内未见改善时降低学习率。此外，使用了早期停止机制，当验证准确率不再提升时停止训练，以防止过拟合。详细的超参数设置在表3中列出。这些方法确保了模型训练的稳健性和对功能性与非功能性运动分类的准确评估。

在结果部分，研究团队报告了模型性能的多个指标，包括准确率和F1分数。表4和表5分别总结了个体模型和跨个体模型在不同数据集中的表现。值得注意的是，表4中未包含功能性使用为零的患者（编号28），但该患者被纳入跨个体模型的分析。个体模型在患侧手臂数据集中的训练准确率为0.96±0.03，验证准确率为0.90±0.05。对于非功能性运动的检测，验证F1分数为0.89±0.08，而功能性运动的验证F1分数为0.81±0.18。功能性运动F1分数的增加变异性主要归因于三名功能使用较低的患者，导致数据集不平衡，其中功能性运动不足10%。具体而言，患者3、22和25的功能性使用分别为5.8%、3%和7.6%。他们的验证功能性运动F1分数分别为0.19±0.12、0.52±0.34和0.20±0.27。为了缓解这种不平衡，研究团队采用了一些策略，如过采样、合成少数过采样（SMOTE）和类别加权。表6展示了使用SMOTE后的性能改进，其中功能性使用比例提高到33.3%。应用SMOTE后，这三名患者的验证功能性运动F1分数分别提高到0.32±0.08、0.61±0.39和0.28±0.38。尽管SMOTE提升了结果，但功能性数据量的限制仍然影响了模型的泛化能力。移除这三名患者后，功能性运动的验证F1分数提高至0.85±0.10，而训练F1分数提高至0.94±0.05。合并数据集在训练和验证阶段均表现出色，显示出利用双臂数据集对模型性能的显著提升。

研究团队还比较了三种不同的数据配置下的模型表现。例如，表4显示，使用患侧手臂数据的模型在训练和验证阶段的准确率分别为0.96±0.03和0.90±0.05。非患侧手臂模型在训练和验证阶段的准确率分别为0.93±0.03和0.89±0.04，表现出更高的性能。合并数据集在训练和验证阶段的准确率分别为0.91±0.02和0.88±0.10，显示出良好的分类效果。这些结果表明，利用双臂数据集能够显著提升模型的分类性能，同时在一定程度上缓解了数据不平衡的问题。

此外，研究团队还报告了三种数据集的统计比较结果。表7展示了跨个体模型在不同数据集中的效应量（Cohen’s d）和相应的95%置信区间。合并数据集在准确率和F1分数方面表现出中等效应量，表明其在跨个体模型中具有更平衡的泛化能力。患侧手臂数据集的效应量较小，表明训练和验证性能较为一致，但数据集的运动模式可能存在一定的不平衡。相比之下，非患侧手臂数据集的效应量较大，表明训练性能较高，但验证阶段存在显著的性能下降，这可能与过拟合有关。合并数据集在效应量方面表现出中间的结果，与非患侧数据集相比，其过拟合程度较低，而与患侧数据集相比，其稳定性较高。这些发现表明，结合患侧和非患侧信号可以捕捉更广泛的运动特征，从而支持更稳健和可泛化的上肢功能分类。

讨论部分进一步探讨了研究结果的意义。个体模型在使用合并数据集时表现出色，而患侧手臂模型由于数据不平衡和个体运动模式的差异，表现出较高的性能变异性。研究团队注意到，如果排除三名功能性使用较低的患者，模型的准确率和F1分数会有所提高。跨个体模型在不同数据集上也显示出性能提升，尤其是在使用原始加速度数据时。患侧手臂模型的训练准确率为79%，验证准确率为79%，优于之前报告的74.2%。这些结果在一定程度上反映了模型在处理中风患者患侧手臂运动时的潜力。相比之下，非患侧手臂模型在验证阶段表现出更高的准确率（89%），表明非患侧手臂的运动模式更为稳定和可预测，因此模型更容易学习和泛化。合并数据集在验证阶段表现出良好的性能，其F1分数达到88%，优于仅使用患侧手臂数据的模型。非功能性运动的F1分数在训练阶段为0.86，而仅使用患侧手臂数据时为0.80，表明合并数据集为模型提供了更丰富的特征。然而，验证阶段的非功能性运动F1分数表现出更大的变异性，这可能表明额外的数据增加了模型的学习能力，但也引入了更多复杂性，可能影响其泛化能力。合并数据集在功能性运动的验证F1分数中保持了较高的水平，显示出模型在不同运动条件下的良好泛化能力。

这些结果也与医疗健康领域中机器学习应用的广泛趋势一致，其中模型通常在更一致和较少变异的数据上表现更好。非患侧手臂的稳定运动模式为模型提供了更坚实的训练基础，这可能解释了模型在训练和验证阶段表现的提升。此外，本研究的样本量（35名患者）比之前的研究（10名患者）更大，涵盖了更广泛的损伤严重程度，并增加了每个患者执行的活动任务数量（25名新招募患者执行了7项任务）。这一更大的、更具代表性的数据集可能有助于提升模型在患侧手臂和合并数据集上的验证准确率，从而增强其泛化能力。

此外，非患侧手臂模型的训练时间比患侧手臂模型更短（例如50-75个周期），这可能表明模型从非患侧数据中学习到了更一致或更可泛化的模式。然而，研究团队也指出，模型的复杂性可能导致在真实世界中的部署面临挑战。为了提高模型的可解释性和透明度，未来的研究计划引入先进的归因方法，如显著性图、特征重要性分析、积分梯度等，以识别和可视化驱动功能性与非功能性运动分类的时空特征，从而增强临床信任并支持模型的验证和优化。

在实际应用中，该研究的成果具有重要的临床意义。通过使用原始加速度数据，模型能够捕捉复杂的运动模式，从而提供更客观和可量化的评估，有助于提升中风康复监测的准确性。高准确率和稳定性的模型可以支持临床人员制定更精准的个性化康复策略，提供实时反馈并促进长期监测，从而提高康复计划的质量。模型的稳健性确保其在不同患者群体和真实世界环境中的可靠性，这对于临床应用至关重要。

尽管研究取得了令人鼓舞的结果，但也存在一些局限性。例如，尽管数据集（35名患者）比以往的研究更大，但仍可能不足以充分验证模型的泛化能力。在真实世界中部署深度学习模型进行上肢运动分类面临多个挑战，包括传感器位置的差异，这可能影响数据的一致性并降低模型性能。为了解决这一问题，可以采用标准化的校准程序，如在数据采集前将手臂置于标准姿势、对传感器轴进行对齐并进行标准化处理。另一个重要考虑因素是信号噪声和干扰，这些可能来自环境振动或电磁干扰。通过引入实时信号滤波、稳健的数据预处理流程和异常检测算法，可以减轻这些影响并保持数据质量。

此外，患者群体的多样性对模型的泛化能力提出了挑战。中风患者在损伤严重程度、补偿策略和日常活动模式上存在显著差异。为了提高模型在不同人群中的表现，未来的研究应优先考虑收集更大规模的多中心数据集，以代表广泛的功能能力和人口特征。最后，认识到在家庭和社区环境中进行的活动通常比脚本化的康复任务更具变异性，因此有必要在生态效度的条件下进行前瞻性验证研究。系统性地解决这些挑战将是开发可靠、可扩展的系统以支持临床和家庭环境中的持续监测和个性化康复的关键。

研究团队也指出了未来研究的潜在方向。例如，可以探索其他深度学习架构和超参数调整策略，以进一步提升模型性能。此外，引入多模态数据，如临床评估，可能有助于提高模型的准确性和稳健性。最后，研究团队指出，本研究的结果无法推广到急性中风环境，因为所有参与者都处于中风后6个月以上。因此，需要进一步在家庭和社区环境中进行数据采集，以验证模型在这些环境中的适用性。

结论部分总结了本研究的主要发现。研究结果表明，深度学习模型，尤其是结合CNN和密集层的模型，可以准确且可靠地对中风患者的上肢运动进行分类。该模型的表现优于以往的基准。这项研究为中风康复提供了重要的贡献，提出了一种稳健且精确的上肢运动分类方法，利用原始加速度数据。研究结果强调了先进深度学习算法在提升上肢功能监测和评估中的潜力，这对于制定个性化的康复策略至关重要。

研究团队也承认了一些关键的局限性，包括传感器位置的变异性、噪声/干扰以及样本量有限。手腕传感器的小幅位置变化可能导致显著的信号不一致性，从而影响模型性能。此外，相对较小且异质性较高的数据集可能限制模型的泛化能力，特别是在不同患者群体和真实世界家庭环境中。未来的研究将聚焦于标准化的校准程序和收集更大规模的多中心数据集，以提高模型的稳健性和生态效度。

在实际部署中，传感器电池寿命、数据传输和用户依从性等挑战必须得到认真考虑。前瞻性研究应评估传感器在不同采样率和数据传输方案下的运行时间，以确定最佳配置，平衡性能和功耗。为了提高用户依从性，可以实施校准程序以确保数据质量，监测设备佩戴时间以跟踪使用情况，并提供及时的用户反馈以鼓励持续佩戴。先进的电源管理技术，如自适应采样、低功耗模式和高效的通信协议，可以显著延长可穿戴设备的电池寿命。

未来的研究应整合这些方法，并探索能源收集技术，以支持长期运行，确保在临床和家庭环境中的可靠性和用户便利性。总体而言，这项研究强调了将深度学习模型整合到临床实践中的潜力，为中风康复的实时监测和个性化干预方案奠定了基础。进一步的研究应关注扩大数据集、探索其他数据模式以及优化模型架构，以进一步提高分类准确率和稳健性。具体而言，前瞻性研究应包括以下三个方向：（1）在家庭和社区环境中进行前瞻性验证，以建立生态效度；（2）在不同人群、损伤程度和设备上进行多中心数据收集，以确保模型的泛化能力；（3）开发模型适应策略，如迁移学习或轻量级个性化，以针对特定患者群体进行优化。这些步骤对于构建稳健、广泛部署的上肢运动分类系统至关重要。