《Applied Sciences》：Research and Application of Axial Staggered Charge Blasting Technology in Layered Rock Masses Under Deep-Hole Blasting
痉挛（spasticity）和神经肌肉功能障碍（neuromuscular dysfunctions）是神经系统疾病（如脑瘫（cerebral palsy, CP）、卒中（stroke）、创伤性脑损伤（traumatic brain injury, TBI）和脊髓病变（spinal cord lesions））的常见后果，显著损害活动能力和生活质量。人工智能（artificial intelligence, AI）日益用于处理表面肌电（surface electromyography, sEMG）信号、惯性传感器记录、步态分析数据和临床信息，支持对神经肌肉功能障碍进行更客观的表征。遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南，该系统综述综合了2010年至2026年间发表的78项研究的证据，这些研究通过扩展的多数据库检索Scopus、PubMed/MEDLINE和IEEE Xplore识别。大多数研究聚焦于下肢应用，其次是上肢评估，而较小比例涉及一般神经肌肉功能障碍。分类是所综述文献中的主要AI任务。大多数研究依赖私有或非公开数据集，限制了可重复性和外部验证，而小样本或单中心队列及异质性方法学方案也是常见局限。该综述综合了方法学趋势、数据集变异性和临床适用性，并识别了在泛化性、多模态与纵向整合以及经临床验证的决策支持能力方面的持续差距。总体而言，AI在支持更客观和个体化神经康复方面显示出巨大潜力；然而，在广泛临床整合之前，更广泛的外部验证、标准化数据采集和前瞻性临床评估仍是必要的。
1. Introduction
神经系统疾病如卒中（stroke）、脑瘫（cerebral palsy, CP）、脊髓损伤（spinal cord injury, SCI）和创伤性脑损伤（traumatic brain injury, TBI）常导致痉挛（spasticity）和神经肌肉功能障碍。传统评估工具如修改Ashworth量表（Modified Ashworth Scale, MAS）和Tardieu量表受主观解释、评定者间变异及对细微神经运动变化敏感性不足的限制。人工智能（artificial intelligence, AI）和机器学习（machine learning, ML）被用于处理步态运动学、惯性传感器、表面肌电（surface electromyography, sEMG）等生物医学信号，以提高客观评估能力。本系统综述纳入78项研究，重点分析AI在痉挛检测与分类中的应用，特别关注sEMG、惯性测量单元（inertial measurement unit, IMU）及多模态数据集，并强调下肢功能障碍与步态和平衡的密切关系。
2. Materials and Methods
2.1. Review Methodology
该系统综述遵循PRISMA 2020指南，以保证研究识别、筛选和选择的透明性与可重复性。检索范围从Scopus扩展至PubMed/MEDLINE和IEEE Xplore，覆盖2010年至2026年文献，结合痉挛、步态障碍、神经肌肉功能障碍、脑瘫、卒中后状态、可穿戴与生物力学传感以及AI/ML等术语。最终检索于2026年9月23日进行，Web of Science Core Collection因机构访问限制未纳入。
2.2. Inclusion and Exclusion Criteria
纳入与排除标准依据PICOS框架制定，聚焦与痉挛、步态功能障碍或相关神经肌肉障碍有关的神经系统疾病，尤其涉及CP、卒中、遗传性痉挛性疾病、SCI等。纳入研究需采用AI、ML、深度学习（deep learning, DL）、计算或定量分析方法，用于评估、分类、预测、监测、康复或治疗结局。数据来源包括sEMG、IMU、可穿戴传感器、运动捕捉、视频步态分析、力/动力学、超声、机器人康复、神经影像和临床评估。传统对照并非必需，比较对象可为临床量表、临床医生评估、参考测量系统或替代计算模型。
2.3. Screening and Selection Process
扩展多数据库检索获得1625条记录，其中Scopus 860条、IEEE Xplore 308条、PubMed/MEDLINE 457条。跨数据库去重和协调后，613条记录进入标题和摘要筛选，535条因不符合方法学或主题标准被排除，最终78项研究纳入定性综合。完整筛选过程以PRISMA 2020流程呈现。
2.4. Data Extraction and Synthesis
对所有纳入研究进行结构化数据提取，分类维度包括数据模态、AI方法和临床应用。数据模态涵盖sEMG、IMU、视频运动学等；AI方法包括卷积神经网络（convolutional neural network, CNN）、长短期记忆网络（long short-term memory, LSTM）、支持向量机（support vector machine, SVM）及混合或集成方法；临床应用包括辅助诊断、痉挛严重程度分类和康复结局预测。由于研究设计、数据集、模型架构和评估协议异质性显著，未进行定量meta分析，而采用定性主题综合，分析重复模式、临床相关性、模型泛化性和可解释性。算法类型按研究层面编码，因单项研究可实施多种算法，类别非互斥。
2.5. Risk of Bias and Methodological Considerations
偏倚风险和方法学质量按研究设计选择评估框架。开发或评估临床预测/分类模型的研究采用PROBAST+AI框架，评估参与者与数据来源、预测因子、结局和分析四个领域，关注样本代表性、预测因子和结局定义、样本量、数据预处理、训练与评估数据分离、验证策略、类别不平衡和过拟合。随机研究采用RoB 2，非随机干预或因果治疗效应研究采用ROBINS-I，观察性、测量、信度等非预测性研究采用Joanna Briggs Institute（JBI）关键评估方法。综述、方案及方法学支持性论文不进行主要研究偏倚判断。信息不足时标记为不明确，偏倚评估用于解释证据，不作为额外排除标准。
3. Related Work
既往综述多聚焦步态分析、上肢功能、机器人辅助治疗或生物信号解释，但对痉挛评估与神经肌肉障碍的整合有限，且较少在统一比较框架下综合多传感模态、AI方法和神经系统疾病。例如，Facciorusso等（2024）的文献计量分析仅概述肉毒毒素相关痉挛研究的出版趋势；Marek等（2023）关注卒中后手部康复技术，但限于上肢；He等（2023）总结痉挛评估新方法，但对ML方法讨论有限；Zhang等（2017）探索CP研究中的多变量分析和ML，但仅限CP且早于近期深度学习进展。本综述整合sEMG、IMU、可穿戴传感器、运动捕捉、视频分析、临床评估和其他生物力学数据，系统比较上肢、下肢和一般神经肌肉应用，识别方法学模式、数据集局限、外部验证不足及多模态和纵向整合缺口。
4. Results
4.1. Thematic Review
78项研究围绕四个主题轴：上肢痉挛评估与功能预测、下肢步态分析与结局预测、神经康复通用预测模型、方法学与技术证据。研究使用sEMG、IMU、运动捕捉、临床评分和电子病历（electronic medical records, EMRs）等异质数据源。常见局限包括小样本和异质数据集、单模态或有限多模态传感、离线或静态建模、个性化或实时决策支持不足。偏倚评估显示小样本或单中心、外部验证有限、过拟合、类别不平衡及依赖受评定者间变异影响的临床标签等问题。
4.1.1. Upper Limb Spasticity Assessment and Functional Prediction
上肢研究多集中于卒中后和获得性脑损伤人群。Chen等（2021）结合sEMG和运动学信息，采用经验模态分解（Empirical Mode Decomposition, EMD）、特征级融合和ML分类，随机森林（Random Forest, RF）在256 ms窗口下F1-score达0.952。Wang等（2024）整合电生理、运动学和生物力学信息，使用LSTM识别病理电生理反应并量化神经与非神经成分。Kim等（2020）利用IMU被动肘伸展数据，RF准确率达95.4%。Zhang等（2019）结合可穿戴sEMG和惯性数据，用回归模型估计痉挛严重程度。Yee等（2021）结合关节角和阻力力，SVM分类性能最佳。Park等（2019）用人工神经网络预测MAS评分，与人工评分一致率82.2%，Cohen’s κ=0.743。Lee等（2024）使用多IMU和力测量评估肘、腕、拇指和手指痉挛严重程度。整体趋势从单模态和手工特征向多模态和先进ML架构发展，但样本量有限，外部验证不足，多为离线模型。
4.1.2. Lower-Limb Spasticity, Gait Analysis, and Outcome Prediction
下肢研究目标包括步态表征、治疗反应评估、行走结局预测及生物力学和神经肌肉后果分析。Ibrahim等（2024）使用足部IMU和 supervised ML评估遗传性痉挛性截瘫（hereditary spastic paraplegia, HSP）患者肉毒毒素治疗后的步态变化。Khan等（2024）开发基于双向长短期记忆网络（bidirectional LSTM, Bi-LSTM）的相位框架，预测肉毒毒素A（botulinum toxin type A, BTX-A）治疗后膝踝运动学。Tang等（2024）比较逻辑回归、XGBoost、SVM和RF预测778例卒中患者出院时独立行走，XGBoost的AUC为0.880，逻辑回归为0.891。Steele和Schwartz（2022）使用因果建模框架、有向无环图和贝叶斯加性回归树（Bayesian Additive Regression Trees, BART）研究运动控制障碍和单事件多级骨科手术（single-event multilevel orthopedic surgery, SEMLS）对CP儿童步态的影响。Lee等（2023）用LASSO和BART研究髋膝运动学预测卒中后僵硬膝步态股四头肌反射亢进。Tutus等（2023）用Kinect V2步态评估研究腓肠肌痉挛、步态对称性和躯干控制。Silva等（2020）评估CP儿童髋关节移位软组织手术的长期骨科结局。Bertoncelli等（2023）开发TT-PredictMed，用多逻辑回归从临床和功能信息预测CP青少年姿势障碍。总体看，下肢研究从传统评估向可穿戴传感、ML预后、因果建模和深度学习预测发展，但外部验证和前瞻性评估仍少。
4.1.3. General Predictive Models for Neurological Rehabilitation
通用预测模型用于治疗反应预测、临床风险分层、患者表型分析和康复规划。Khan等开发多任务递归深度学习框架，结合治疗前步态运动学和治疗信息预测BTX-A后膝踝轨迹。Bertoncelli等（2022）开发BTX-PredictMed，用纵向多中心临床数据识别CP儿童肉毒毒素治疗相关临床表型，准确率约76%，敏感度67%，特异度81%。Bertoncelli等（2023）应用PredictMed识别CP儿童神经肌肉髋关节发育不良风险因素，采用可解释逻辑回归，但敏感度较低且缺乏独立外部验证。Hou等（2023）采用无监督层次聚类和K-means研究选择性脊神经后根切断术（selective dorsal rhizotomy, SDR）后长期功能结局。Spieker等用机械肌图（mechanomyography, MMG）和ML分析经皮脊髓电刺激（transcutaneous spinal cord stimulation, tSCS）的神经肌肉反应。这些研究显示基于常规临床信息的模型较易获得和解释，而传感器和轨迹模型信息更丰富但需专门采集和处理。
4.2. Use of Machine-Learning Algorithms Across Reviewed Studies
SVM和支持向量回归（support vector regression, SVR）最常出现（20/78，25.6%），其次是RF（14/78，17.9%）和多层感知机/人工神经网络（multilayer perceptron/artificial neural network, MLP/ANN）模型（12/78，15.4%）。LSTM/Bi-LSTM见于8项研究（10.3%），CNN/1D-CNN见于5项研究（6.4%），XGBoost见于4项研究（5.1%）。常规ML和神经网络仍占主导，专门深度学习架构比例较小。
4.3. Datasets
数据集涵盖肌电、惯性、可穿戴、步态和运动捕捉、视频、临床评估及多模态组合。主要局限是大型、标准化和公开数据集有限，许多研究依赖单中心或非公开数据，限制独立复制和外部验证。GAIT-IT是公开步态数据集，含21名受试者三维步态数据、五种步态类型和两个严重度水平；Auf die Beine数据集来自德国儿童康复项目，包含GMFM-66评估和纵向临床数据，但不公开。数据可及性报告不一致，队列大小差异大，结构化临床或回顾性记录研究样本较大，而生物信号、可穿戴、运动捕捉或多模态研究样本常较小。
4.4. Overview of Prior Review Studies
既往综述在痉挛评估、步态分析和康复方面各有侧重，但多缺乏对传感组合、模型架构、临床验证策略、可解释性、泛化性和临床转化的系统比较。本综述在统一框架下综合多模态证据，强调下肢障碍与步态和平衡的关联。
4.5. Identified Research Gaps and Future Directions
主要缺口包括多模态整合有限、纵向设置不足、外部验证和前瞻性临床评估少见、连续患者特异性模型更新缺乏。sEMG、IMU、步态分析、视频/运动捕捉和临床评估的互补整合可更全面表征神经肌肉功能，但面临数据同步、缺失数据、互操作性、采样协议异质、模型可解释性和跨临床验证等挑战。自适应和基于代理的AI应作为长期方向，需经过稳健静态模型、标准化多模态纵向数据整合、患者特异性自适应建模和临床医生在环决策支持的分阶段转化。
5. Discussion
78项研究显示AI和计算方法在痉挛、步态障碍及相关神经肌肉障碍中方法学多样。深度学习包括卷积、递归和注意力架构，但未收敛到单一架构，常规ML仍广泛存在。传感模态包括sEMG、IMU、可穿戴传感器、视频和运动捕捉、MMG、超声和动力学测量。多模态整合、纵向监测、实时分析和患者特异性建模实施程度不一，且结合于临床整合系统者有限。持续挑战包括数据标准化、数据集多样性和样本量、多模态整合、可解释性、实时自适应、临床验证以及伦理、法律和工作流整合。
5.1. Clinical Value and Necessity of AI
AI本身不是目的。传统临床量表、生物力学评估和临床医生检查仍是诊断和康复规划的基础。AI在大型、异质或纵向数据集中更具价值，可整合可穿戴传感器、sEMG、步态分析和临床信息，识别复杂模式并支持重复或纵向评估。但现有证据尚不能证明AI优于 established 临床评估，外部验证、数据集标准化、可解释性和前瞻性评估仍有限。AI应视为补充而非替代临床专业判断的决策支持技术。
5.2. Authors’ Perspective
作者动机不仅来自AI和生物医学应用的学术技术参与，也来自第一作者作为CP儿童家长的个人经历。该经历提供了对长期康复实际挑战的视角，包括临床和康复专业人员间信息碎片化、功能变化的纵向评估需求以及专业服务可及性差异。该个人视角仅作为研究动机，不作为科学证据；综述发现和结论完全基于系统综述文献。
5.3. Gaps in Upper- and Lower-Limb Research and Future Directions
上肢研究多关注肌肉激活、运动控制和功能评估，使用电生理和运动相关测量；下肢研究多关注步态表征、移动性和功能结局预测，使用运动学、可穿戴传感器和临床数据。未来需协调AI研究者、临床医生、康复专家和生物医学工程师，优先建立标准化且注释良好的数据集，整合生理、生物力学和临床信息，进行独立外部验证和纵向评估。患者特异性自适应决策支持应逐步发展，先建立稳健多模态纵向模型，保持可解释性、不确定性意识和临床医生监督，再在受控临床环境中评估在线更新、实时反馈和闭环决策支持。
6. Conclusions
本系统综述综合78项研究，显示AI、ML和计算方法在痉挛、步态障碍及相关神经肌肉障碍中的应用具有显著方法学多样性。尽管持续发展，仍面临小样本或临床特定队列、异质数据采集和预处理、标准化公开数据集有限、外部和前瞻性验证不足、生理/生物力学/临床信息整合不完整等挑战。实时分析、纵向建模、患者特异性适应、可解释性及临床工作流整合仍需发展。未来应优先标准化多模态数据集、透明可解释模型、独立外部验证、纵向评估和临床有意义结局指标，并遵循分阶段转化路径，从稳健验证模型和多模态数据整合，到患者特异性纵向建模和临床医生在环评估，再考虑更自主的自适应或代理系统。
Supplementary Materials
补充材料包括研究级偏倚风险和方法学质量评估，以及78项纳入研究的详细特征，涵盖研究人群、方法学、传感模态、数据集特征和识别的研究缺口，可通过指定链接下载。
