编辑推荐：
前庭功能障碍影响运动及日常生活。为客观评估单侧前庭障碍患者的平衡功能，研究人员利用 iTUG 测试结合惯性测量单元（IMU）传感器，对比单传感器、六传感器及人工神经网络（ANN）分析方法，发现 ANN 六传感器法灵敏度（88%）和特异性（92%）最佳，为临床筛查和评估提供新工具。
前庭系统作为人体平衡与空间定向的核心，其功能障碍会导致眩晕、步态不稳等症状，严重影响患者的日常生活能力。目前临床常用的平衡评估方法，如传统 TUG 测试，主要依赖手动计时和医生经验，难以精准捕捉转身、起立等关键动作的细微异常，且无法量化运动参数。对于单侧前庭损伤患者，其代偿机制可能掩盖静态平衡缺陷，但动态运动中的功能异常（如转身时的角速度变化）却难以通过传统手段识别。因此，开发一种客观、量化的评估工具，对早期发现前庭功能障碍、指导康复治疗具有重要意义。
波兰罗兹工业大学（Lodz University of Technology）与诺夫职业医学研究所（Nofer Institute of Occupational Medicine）等机构的研究人员，针对单侧前庭功能障碍的客观评估难题，开展了基于仪器化 TUG 测试（iTUG）和惯性测量单元传感器（IMU）的研究。该研究成果发表在《Scientific Reports》，为前庭功能障碍的临床诊断提供了新的技术路径。
研究团队采用了三种关键技术方法：
- 单传感器分析：将 IMU 传感器放置于腰椎 L4-L5 位置（接近人体重心），采集旋转角速度、总测试时间等参数。
- 六传感器分析：在胸部、上下肢等部位部署六个 IMU 传感器，构建多段生物力学模型，同步采集全身运动数据。
- 人工神经网络（ANN）模型：基于六传感器数据，利用多层感知器网络整合 43 项运动特征，通过留一法交叉验证评估分类性能。
研究结果
单传感器模型的有效性
通过分析单传感器数据，发现 ** 最大角速度（MAV）和总时间（TT）** 是关键区分参数：
- MAV 在患者组显著低于健康组（153.92±25.28 vs. 192.62±19.72 deg/s，p<0.01），其灵敏度达 95%，特异性 70%，显示出高筛查价值。
- TT 在患者组为 9.34±1.70 秒，显著长于健康组的 7.36±1.08 秒（p<0.01），特异性达 88%，但灵敏度较低（73%）。
六传感器模型的优化
六传感器数据整合后，单一参数（如 MAV）的灵敏度（60%）和特异性（91%）未显著优于单传感器，但通过 ANN 模型融合多参数后，性能显著提升：
- ANN 六传感器模型的灵敏度达 88%，特异性 92%，准确率 90%，表明多传感器数据与人工智能结合可有效捕捉全身运动协调性异常。
180° 转身动作的关键作用
对比传统 360° 旋转测试，研究发现 iTUG 中的 180° 转身更能敏感反映前庭功能障碍。患者在转身阶段的角速度下降更为显著，且转身起始与停止时的前庭刺激重叠，更易触发平衡反应异常。这提示转身动作是评估前庭功能的核心环节。
研究结论与意义
本研究证实，iTUG 结合 IMU 传感器可客观量化单侧前庭功能障碍患者的动态平衡缺陷：
- 单传感器方法具备操作简便、成本低的优势，适用于基层医疗筛查，其 MAV 参数可作为快速识别指标。
- 六传感器 + ANN 模型则通过多维度运动特征融合，实现了更高的诊断准确性，为临床精准评估提供了技术支撑。
- 180° 转身动作在前庭功能评估中的有效性优于传统全旋转测试，为优化临床测试 protocol 提供了依据。
该研究突破了传统主观评估的局限性，将传感器技术与人工智能结合，为前庭功能障碍的早期诊断、康复效果监测及跌倒风险预测开辟了新方向。未来若进一步扩大样本量并纳入年龄分层分析，有望推动该技术在临床中的广泛应用。
