AI融合软体可穿戴生物传感器:睑痉挛异常面部运动的自动定量检测新策略

《Biosensors and Bioelectronics: X》:Integration of soft portable biosensors and artificial intelligence for automatic detection of abnormal facial movements in blepharospasm

【字体: 大 中 小 】 时间:2026年04月10日 来源:Biosensors and Bioelectronics: X CS4.6

编辑推荐:

  本研究针对睑痉挛(BSP)传统诊断方法依赖主观观察、存在误诊率高且评估不连续等问题,开发了一种集成人工智能与软体可穿戴生物电子的数字医疗系统。该系统通过柔性传感电极采集眼周及口周电生理信号,并利用深度学习算法实现BSP相关异常运动(眼周痉挛、异常眨眼、口部运动)的自动识别,分类准确率达82.5%、82.0%与84.4%。该研究为神经运动障碍的客观、连续监测提供了可穿戴解决方案,有望推动疾病管理的标准化与精准化。

  
当你走在街上,突然觉得眼皮不受控制地抽动,甚至无法睁开双眼,这可能是睑痉挛(Blepharospasm, BSP)在作祟。这种以眼周肌肉不自主、过度、重复收缩为特征的局灶性肌张力障碍,不仅可能导致功能性视力损害,还会严重影响患者的生活质量、社交与职业能力。遗憾的是,当前的临床诊断主要依赖神经科或眼科医生的肉眼观察,而现有的评分量表不仅包含主观成分,还将异质性的临床表现混为一谈,导致评估者间差异显著。更棘手的是,BSP的症状具有发作性和情境依赖性,短暂的诊室评估很可能遗漏或无法捕捉到异常表现,致使诊断延迟常超过一年,错失早期干预良机。传统的观察或视频检测方法,虽有一定客观性,但仍受限于光照、相机位置等环境因素,且连续面部录像涉及隐私隐忧。如何实现更客观、可重复、且能长期连续监测的评估工具,成为临床实践与研究的迫切需求。
为此,Kang-Min Choi、Hodam Kim、Gamze Kilic-Berkmen、Yunuo Huang、H.A. Jinnah和Woon-Hong Yeo等研究人员在《Biosensors and Bioelectronics: X》上发表了一项创新研究。他们巧妙地将人工智能(Artificial Intelligence, AI)与软体可穿戴生物电子技术相结合,开发了一套能够自动、定量检测BSP相关异常面部运动的数字医疗系统。这项研究不再满足于简单的“有病/没病”二元分类,而是向前迈进了一大步,致力于在事件层面识别多种具体的病理运动类型,从而为量化疾病严重程度提供新指标。
研究团队采用了几个关键的技术方法来实现这一目标。首先,在数据采集方面,他们使用了先前研发的软体可穿戴设备,该设备采用柔性印刷电路板上的可拉伸图案化Ag/AgCl电极,分别贴附于右眼周围和上唇,同步采集四通道生物信号(包括EOG和EMG)以及视频录像,持续2分钟。被试队列包括25名特发性BSP患者和18名健康对照(Healthy Controls, HC),所有视频由运动障碍领域的神经科专家进行人工标注,为三种目标行为(眼周痉挛、异常眨眼、口部运动)提供金标准标签。其次,在信号处理与建模上,他们将生物信号预处理后分割为10秒的时间窗,并构建了一个专用的深度学习(Deep Learning, DL)架构。该模型核心包含一个用于从EOG和EMG信号中提取特征的多尺度一维膨胀卷积神经网络(1D Convolutional Neural Network, 1D-CNN)层、一个用于局部特征精炼的非膨胀CNN层,以及一个双向长短期记忆(Bidirectional Long Short-Term Memory, Bi-LSTM)网络层,以共同学习信号中的局部形态模式和时间依赖性。
3.1. 研究概述
Figure 1 展示了整合软体便携传感器与人工智能以自动检测睑痉挛异常面部运动的研究流程。该系统对比了传统人工临床观察与新型数字医疗系统,后者通过软体可穿戴设备记录电生理生物信号,并利用自动化算法处理,以定量总结BSP相关行为。研究纳入了25名BSP患者和18名HC,以专家视频标注为参考标准,利用深度学习模型对眼周痉挛、异常眨眼和口部运动三类目标行为进行检测。
3.2. 临床特征的组间比较
Figure 2 展示了软体可穿戴设备、信号处理及基于标注的临床特征比较。基于专家视频标注的行为谱比较显示,痉挛仅出现在BSP患者中(占患者48.0%);异常眨眼在绝大多数BSP患者(96.0%)和超过半数HC(55.6%)中出现,但BSP组的总时间占比显著更高(BSP 16.3% vs. HC 0.4%);两组正常眨眼水平相近;口部运动在两组中均有出现,但HC发生率更低(BSP 9.6% vs. HC 0.3%)。这些结果支持了所标注异常事件类别的有效性。
3.3. 行为特征、深度学习模型及超参数优化
Figure 3 显示了各类事件的代表性波形。异常眨眼和痉挛的EOG波形高度相似,但痉挛事件的特征是显著更高的EMG信号。值得注意的是,即使在正常眨眼期间,BSP患者也表现出更高的基线EMG活性。Figure 4 详述了用于事件分类的深度学习架构。模型采用多尺度1D-CNN层从EOG和EMG信号中提取特征,后接Bi-LSTM层。超参数调优独立在三个模型上进行。
3.4. 分类性能与临床研究
Figure 5 展示了分类结果与代表性检测示例。尽管存在轻微的时间错位,但大多数事件都能与专家临床标注高度一致地被检测到。所提出的深度学习分类器在痉挛、眨眼和口部运动事件上均实现了超过80%的分类准确率和平衡准确率。研究假设症状更严重的患者会表现出更频繁、更长时间的病理行为,因此将检测到的异常事件时间比例作为症状严重程度的描述性指标进行评估。结果显示,量化的严重程度与基于专家标注的病理事件持续时间趋势一致。与视频方法相比,电生理学(EOG和EMG)具有高时间分辨率,能直接捕捉眼部和肌肉活动,可能对视频中不易察觉的细微生理变化敏感,且对基础设施要求最小。
3.5. 临床意义
临床评分量表在常规护理中仍不可或缺,但其效用受限于BSP的发作性和情境依赖性。本研究提出了一种基于可穿戴电生理学的BSP定量评估框架。研究发现应谨慎解读,因为样本量有限,且行为标注仍可能受人为主观性和不确定性影响。此外,尽管该可穿戴设备在先前研究中得到验证,但尚未在BSP患者中进行长期记录和纵向随访的验证。使用轻量、无线、柔软的穿戴设备可能有助于在家庭或门诊等半受控环境中进行更长时间的记录,从而实现对症状严重程度的更可靠评估。
4. 结论
本研究提出了一种软体便携生物传感器系统及集成的数字医疗框架,用于自动、定量检测与BSP相关的异常面部运动。通过将用于电生理信号采集的软体传感器与人工智能赋能的深度学习算法相结合,该可穿戴系统能够对BSP相关病理事件进行客观、连续的监测。该平台可靠地捕获眼周区域的电生理信号,并利用基于深度学习的分类模型稳健地识别多种行为类别。重要的是,系统生成的事件级分类能够基于病理事件负荷定量估计BSP的严重程度,与传统的观察或视频方法相比,提供了一种更标准化、数据驱动的疾病评估方法。总之,将软体可穿戴生物电子学与智能数据分析相结合,为异常面部运动的自动检测提供了一个可扩展的解决方案,并凸显了AI赋能的穿戴技术在支持客观监测、改进临床评估以及更有效管理现实世界中的神经系统疾病方面具有更广泛的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号