基于特征选择与可解释性分析的中风后上肢机器人康复治疗运动功能预测模型研究

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Feature Selection and Explainability for Machine Learning-Based Outcome Prediction in Robot-Assisted Upper Limb Stroke Rehabilitation

　　准确且具有可解释性的康复结果预测对于实现中风后机器人康复治疗中基于数据的临床决策支持至关重要。本研究系统地探讨了特征选择和模型可解释性，以提高机器学习模型在预测中风患者上肢机器人辅助康复治疗后的运动功能评分方面的临床实用性，具体包括Fugl-Meyer评估（FMA）、行动研究手臂测试（ARAT）和运动指数（MI）。在前序工作将XGBoost确定为表现最优的算法的基础上，我们采用序列前向选择（SFS）结合束搜索方法，从使用MOTORE末端执行器机器人平台收集的40例中风患者的71个特征数据集中，识别出紧凑且高性能的特征子集。同时整合SHAP值和排列重要性（PI）进行互补的可解释性分析，以确定每个结果变量的3-4个共识特征。对四组特征的消融分析系统性地表明：临床变量承载了大部分预测信号，将运动学或时间相关变量添加到临床组中几乎不会改变误差，而机器人数据带来的效益只有在应用特征选择后才会显现。相对于完整的71特征模型，SFS优化模型将预测误差降低了26-42%，相对于仅使用临床变量的模型降低了20-36%，归一化RMSE值分别为0.087（ARAT）、0.046（FMA）和0.086（MI）。紧凑的SHAP+PI特征集仍保持可用性（nRMSE：0.130、0.067、0.093），同时将输入空间缩减至3-4个变量。学习曲线分析表明，在40例患者时误差仍在下降，因此当前估计值应被视为可实现误差的上界。预测误差与既定的最小临床重要差异（MCID）阈值进行了基准比较，证明了足够的精度来区分患者间的差异……展开全部