基于机器学习与足底压力数据的缺血性脑卒中无创检测与分类研究

为解决脑卒中诊断依赖昂贵影像技术和人工评估的问题，研究人员开发了一种基于机器学习(ML)和足底压力信号的自动筛查算法。通过改进的傅里叶分解(EFD)提取新型生物标志物，结合ReliefF特征选择和SVM/KNN分类器，在82名受试者中实现99.19%的准确率，为低成本、无创的卒中早期诊断提供了创新方案。

　　

脑卒中作为全球第二大死因，每年导致450万人死亡，其中缺血性卒中占比高达80%。传统诊断依赖CT/MRI等昂贵影像技术，且存在诊断延迟导致每分钟损失190万神经元的问题。更棘手的是，80%以上患者会出现足部运动控制障碍，但现有步态分析方法如步速、步长等传统参数难以捕捉特异性病理特征。这促使研究者探索更精准、低成本的解决方案。

伊朗的研究团队提出了一种革命性的方法——通过198个足底压力传感器采集行走数据，结合自适应信号处理技术，实现卒中自动化诊断。其核心创新在于将改进的傅里叶分解(EFD)应用于非平稳压力信号分析，解决了传统傅里叶变换(FT)频谱分割不一致和模态混叠问题。研究纳入82人队列（46健康对照/36卒中患者），通过零相位滤波器组提取时频特征，结合ReliefF算法优选趾区生物标志物，最终SVM分类器取得近乎完美的99.19%准确率。

关键技术方法
研究采用198传感器足底压力系统采集步态数据，通过改进的EFD算法（结合自适应频谱分割和零相位滤波器组）分解信号，提取12类统计特征。利用ReliefF进行特征选择和区域分析，比较SVM与KNN分类性能，并评估不同传感器配置（全足vs精选区域）对临床因素（如血压状态、卒中侧）的鲁棒性。

主要结果

1. 整体性能：SVM在全部传感器和特征组合下达到99.19%平均准确率，显著优于KNN（96.77%）。精选趾区和前掌区域5个传感器即可维持98.5%性能。
2. 技术参数影响：EFD最大频率分段数设为5、提取前3个成分时效果最优，验证了算法对参数变化的稳定性。
3. 临床适用性：系统对卒中侧（左/右）和高血压状态均表现鲁棒，准确率波动小于1.5%。

结论与意义
该研究首次将EFD引入卒中步态分析，开发出具有临床实用性的无创检测系统。其突破性体现在三方面：一是成本仅为传统影像的1/10，适合基层推广；二是通过足底压力动态捕捉运动控制障碍的细微特征；三是首创"传感器-区域-特征"三级优化框架，使检测效率提升40倍。这项工作为卒中早期筛查提供了新范式，未来可整合到智能鞋垫等可穿戴设备中，实现居家监测。正如作者指出，每提前1分钟诊断就能挽救7.5英里神经纤维，这项技术将显著改善全球卒中管理现状。