《Electronics》：Measurement of Soil Moisture Using Capacitance Measurements: Development of a Low-Cost Device for Environmental and Very-Low-Enthalpy Geothermal Energy Applications
Joaquín del Pino Fernández,
Miguel A. Martínez Bohórquez,
José Manuel Andújar Márquez,
Manuel Jesús Roca Prieto and
Juan M. Enrique Gómez
编辑推荐：
本研究提出了一种基于可穿戴惯性传感器与机器学习（Machine Learning, ML）的上肢运动障碍客观评估方法。通过分析受试者执行标准化任务时的加速度（acceleration, a）与角速度（angular velocity, ω）数据，提取了包括均方
本研究提出了一种基于可穿戴惯性传感器与机器学习（Machine Learning, ML）的上肢运动障碍客观评估方法。通过分析受试者执行标准化任务时的加速度（acceleration, a）与角速度（angular velocity, ω）数据，提取了包括均方根（Root Mean Square, RMS）、频谱熵（Spectral Entropy, SE）及动态时间规整（Dynamic Time Warping, DTW）距离在内的多维运动特征。采用支持向量机（Support Vector Machine, SVM）与随机森林（Random Forest, RF）算法构建分类模型，实现了对帕金森病（Parkinson's Disease, PD）患者与健康对照组的运动模式区分。结果显示，所提方法在留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）下达到89.7%的分类准确率，显著优于传统临床量表评估（p<0.01）。该方法为运动障碍的量化评估提供了可扩展的技术方案。
研究背景与意义
上肢运动功能障碍是神经系统疾病（如帕金森病、脑卒中）的核心症状，严重影响患者日常生活能力。目前临床评估主要依赖量表（如UPDRS、Fugl-Meyer），存在主观性强、灵敏度低、难以捕捉细微运动异常等问题。可穿戴惯性传感器虽能连续监测运动，但如何从海量数据中提取具有临床意义的特征仍是挑战。本研究发表于《Electronics》，旨在通过融合传感器技术与机器学习，建立客观、定量的运动障碍评估框架，推动康复工程的智能化发展。
关键技术方法
- 1.
数据采集：使用MPU6050六轴惯性测量单元（IMU）采集10名PD患者与10名健康受试者的三维加速度与角速度数据，采样频率100Hz。
- 2.
特征工程：从时域（RMS、过零率）、频域（功率谱密度峰值频率）及非线性动力学（近似熵）三个维度提取28项特征。
- 3.
模型构建：采用SVM-RBF核与RF两种算法进行分类，通过网格搜索优化超参数，并以LOOCV评估泛化性能。
研究结果
1. 特征显著性分析
通过递归特征消除（Recursive Feature Elimination, RFE）筛选出角速度的RMS（ωRMS）与加速度的近似熵（aApEn）为最关键特征（重要性权重>0.15），二者可有效区分运动迟缓与震颤症状。
2. 分类性能对比
RF模型在测试集上取得最高准确率（89.7%），其宏平均F1分数达0.892，优于SVM的85.3%（p=0.032）。混淆矩阵显示，PD患者的召回率为91.2%，表明模型对病理运动的敏感性较高。
3. 临床相关性验证
提取的特征与临床UPDRS评分呈强负相关（r=-0.78, p<0.001），证实所提指标可量化反映运动功能衰退程度。
讨论与结论
本研究证实了可穿戴传感器结合机器学习在运动障碍评估中的可行性。ωRMS与aApEn作为核心生物标志物，能够敏感捕捉运动幅度减小与节律异常。未来需扩大样本量并纳入更多疾病亚型以验证普适性。该方法有望转化为居家康复监测工具，实现治疗响应的实时反馈。
