基于IDATC的上肢痉挛实时识别方法及其在康复设备中的应用研究

《Sensors》：An Identification Method for Upper Limb Spasticity Based on IDATC in Rehabilitation Training: A Preliminary Study

　　

在康复训练过程中，实时监测并准确识别痉挛是否发生是至关重要的。这构成了康复设备或机器人及时实施干预以缓解痉挛、确保患者安全并保证治疗效果的前提条件。然而，目前针对康复机器人在训练过程中实时识别痉挛发生时刻的研究仍然有限。在本研究中，研究人员通过临床痉挛表现及理论分析，提出了基于加速度和外部扭矩变化发散指数（IDATC）的指标以及基于该指数的痉挛发生识别方法。研究开展了一项联合实验，采集了脑卒中患者在痉挛诱发过程中的运动学、交互力及肌电图（EMG）数据，并利用所收集的上肢痉挛数据验证了所提出的痉挛识别方法。实验初步结果表明，IDATC的负峰值与相应痉挛肌肉的EMG峰值具有高度一致性，因此所提出的基于IDATC的痉挛识别方法在识别痉挛发生方面具有潜力。此外，若阈值选择适当，所提出的基于IDATC的方法可能达到极高的识别F1分数。

卒中后上肢运动功能障碍是常见后遗症，每年全球超过1370万人患卒中，80%患者在卒中后6个月内丧失部分运动能力，而卒中后痉挛作为另一常见后遗症，发生率高达30%–80%。临床上，痉挛表现为肌肉张力增高、牵张反射亢进，可通过拉伸训练、肉毒毒素注射、理疗及手术等方式治疗或缓解。在康复训练中，及时识别并立即处理痉挛（如降低运动速度或停止训练）至关重要。目前，治疗师主要依据手感进行主观识别，并借助量表评估，易受主观因素影响；定量识别多依赖表面肌电图（sEMG）分析，需额外设备且实施复杂。现有研究多集中于痉挛分级评估，而针对康复训练中实时识别痉挛突发时刻的研究仍较缺乏，这限制了康复设备或机器人及时干预的能力。

针对上述不足，研究人员提出了一种基于康复训练中加速度与交互力变化的上肢痉挛识别方法，并相应提出IDATC。该方法通过同步监测患者交互力与上肢运动，当加速度变化与外部扭矩变化出现偏差时判定为痉挛发生，从而避免康复运动本身变速运动引起的误判。研究通过初步实验验证了该方法的可行性，结论表明该方法能够实时识别痉挛发生时刻，对康复设备和机器人及时实施干预、保障患者安全及保证治疗效果具有重要的应用价值。

关键技术方法
研究人员以肘关节为对象建立力矩平衡方程，基于惯性测量单元（IMU，一种运动感知传感器）与力传感器数据计算外部扭矩（T_external），通过分析加速度变化与外部扭矩变化的发散关系提出IDATC。研究联合UIUC开展临床实验，使用可穿戴多传感器设备PVRM采集8例脑卒中患者的运动学、交互力及表面肌电图（EMG，记录肌肉电活动信号的检查方法）数据；经四阶Butterworth滤波、一阶与二阶数值微分分别获得外部扭矩变化与关节角加速度变化（角jerk，即加速度的变化率），且滤波与微分仅利用当前及历史数据。EMG信号经去趋势、50 Hz陷波、10–500 Hz带通滤波、整流及最大峰值归一化处理，基于EMG峰值建立痉挛判定标准，并通过设定IDATC阈值实现痉挛事件的实时识别与性能评估（精确率、检测率/召回率、F1分数）。

3.1 数据处理
研究在矢状面上分析肘关节运动，由IMU获取φ_f、φ_u及其角速度以计算肘关节角θ_elbow，并结合六维力传感器数据计算外部扭矩T_external。位置、速度、加速度信号经4 Hz四阶Butterworth滤波，力与扭矩信号经15 Hz四阶Butterworth滤波；外部扭矩变化与角加速度变化分别通过一阶与二阶数值微分获得。EMG信号经去趋势、50 Hz陷波、10–500 Hz带通滤波、整流及归一化处理后，以超过峰值20%且持续超过0.5秒判定为主动肌肉收缩，未超过20%视为无痉挛。基于EMG参考定义真阳性（TP）、假阳性（FP）、假阴性（FN），并引入精确率、检测率（召回率）与F1分数评估识别性能。

3.2 初步结果
八名受试者完成实验，对肱二头肌与肱三头肌分别进行（5+3×2）×8=88次拉伸（其中慢速64次、快速24次，总计176次），共实施128次慢速拉伸均未诱发痉挛，48次快速拉伸共诱发39次痉挛事件。实验过程中，慢速牵引时EMG与运动学数据变化平缓，IDATC无异常；快速拉伸触发痉挛时，EMG出现尖锐峰值，运动速度与加速度发生剧烈变化，IDATC显著呈现负峰值，且该负峰值与相应痉挛肌肉的EMG峰值高度一致。以2.0×10⁵ N·m·°/s⁴作为阈值时，痉挛识别F1分数达到100%，表明该方法在康复训练中实时识别痉挛具有较高可行性。

4.1 基于IDATC识别痉挛的合理性
研究人员以肱二头肌快速拉伸诱发痉挛为例，阐释了IDATC负峰值与痉挛发生时刻的对应关系。痉挛触发后，肘关节产生角加速度与角速度，肱二头肌出现EMG峰值，治疗师随即施加缓慢拉伸以缓解痉挛。在该痉挛事件中，EMG峰值到IDATC负峰值出现的延迟为0.201秒，39次痉挛事件的平均延迟为0.165秒（标准差0.044秒）。考虑到肌电延迟（Electromechanical Delay, EMD，从肌肉电活动出现到产生机械运动的时间延迟），IDATC负峰值出现时间与痉挛机械运动发生时间一致，指向痉挛发生时刻，因此基于IDATC识别痉挛具有合理性。当IDATC首次穿越阈值时即判定痉挛发生，早于峰值出现；使用2.0×10⁵ N·m·°/s⁴阈值时，EMG峰值到首次穿越阈值的平均延迟为0.151秒（标准差0.042秒）。该延迟未包含实时数据处理时间；该痉挛事件中EMG峰值到治疗师处理的延迟为0.478秒，只有当实时康复系统的总响应时间与此相当时，方可达到治疗师水平的痉挛响应。

4.2 阈值选择问题
39次痉挛事件IDATC负峰值最大值为?4.0×10⁵ N·m·°/s⁴，其余时段最小值为?1.3×10⁵ N·m·°/s⁴。因此，选择满足1.3×10⁵ < threshold < 4.0×10⁵（N·m·°/s⁴）的阈值可在该实验中产生100% F1分数。阈值过低会导致非痉挛时段被误判而降低精确率，阈值过高则导致部分痉挛时刻无法识别而降低检测率。未来随着临床数据积累，阈值选择范围可进一步优化，并可依据患者个体情况（如痉挛分级、张力水平、肌力等）设定不同阈值，而非采用固定阈值。

4.3 局限性
第一，阈值选择与性能评估使用了同一数据集，可能导致过拟合，结果不能可靠反映对独立数据的泛化能力，未来需采用独立外部数据集验证。第二，低角速度条件下的适用性尚未验证，实验中慢速拉伸（速度<30°/s）未观察到痉挛，该方法在低转速条件下的性能有待检验。第三，实时性能方面，EMG峰值到IDATC峰值或首次穿越阈值的延迟与典型EMD相当，但该延迟未包含识别过程本身的时间消耗；此外，不同传感器类型与放置方式、不同体位下重力扭矩计算复杂度及平台算力差异均会影响识别时间，实时性能仍需进一步验证。第四，目前以肘关节为例进行验证，虽理论上可拓展至上肢其他关节，但需进一步验证；不同康复训练任务与动作下的性能亦需验证。此外，临床样本有限，不同受试者人群、病程、传感器类型与放置方式均可能影响延迟、F1分数等性能指标。

5. 结论
基于痉挛的临床表现及理论分析，研究人员提出了IDATC以及基于康复训练中加速度与交互力变化的上肢痉挛实时识别方法（基于IDATC）。利用8例脑卒中患者收集的上肢痉挛数据对所提方法进行了验证，结果表明该方法在痉挛识别方面具有潜力。此外，若选择适当阈值，该方法可能达到极高的识别F1分数（初步结果；阈值在同一数据集中选择与评估，需进一步独立验证）。然而，所提出的方法仍存在局限性，因此在康复机器人中广泛应用之前，需在不同康复任务中，于更大规模、更具异质性的卒中人群中开展进一步验证。