基于可解释挤压激励的深度学习模型助力康复运动评估：创新突破与意义重大

康复训练对神经系统疾病（如中风、帕金森病等）所致运动功能障碍的恢复至关重要，但传统评估方式耗费人力且成本高。研究人员开展 CNN-SE 模型自动评估康复运动的研究，该模型在多个数据集表现出色，有望替代传统评估方式。

　　康复训练对于因中风、背痛、帕金森病和脊髓损伤等神经系统疾病导致的运动功能障碍恢复起着关键作用。传统上，这些训练需要治疗师持续监控，既耗时又昂贵，还常引发治疗师短缺问题。本文引入卷积神经网络 - 挤压激励（Convolutional Neural Network - Squeeze Excitation，CNN-SE）深度学习模型，用于自动化康复运动评估。通过灰狼群优化算法（Grey Wolf Optimization Algorithm）优化模型参数，对其进行微调以实现最佳性能。在健康和存在运动功能障碍的参与者中对该模型进行测试，全面评估其能力。为解释模型决策并了解其内部工作机制，研究人员采用 Shapley 加性解释（Shapley Additive Explanations，SHAP）分析每个时间步的特征重要性。在 KIMORE 数据集上，CNN-SE 模型实现了最先进的平均绝对偏差（Mean Absolute Deviation，MAD）0.127，在 UI-PRMD 数据集上进行各种训练时，MAD 为 0.014，这表明该模型有潜力成为一种经济高效的替代方案，取代传统由治疗师主导的评估方式。