
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在保持精度的同时缩短机器人上肢评估时间:一种基于时间序列基础模型的方法
《Journal of NeuroEngineering and Rehabilitation》:Reducing robotic upper-limb assessment time while maintaining precision: a time series foundation model approach
【字体: 大 中 小 】 时间:2026年05月08日 来源:Journal of NeuroEngineering and Rehabilitation 5.2
编辑推荐:
摘要 目的:在Kinarm机器人上进行视觉引导 reaching(VGR)实验能够获得敏感的运动学生物标志物,但需要完成40到64次伸展动作,这会带来时间和疲劳负担。我们评估了时间序列基础模型是否可以替代早期部分未记录的伸展动作,同时保持与完整实验过程中标准K
目的:在Kinarm机器人上进行视觉引导 reaching(VGR)实验能够获得敏感的运动学生物标志物,但需要完成40到64次伸展动作,这会带来时间和疲劳负担。我们评估了时间序列基础模型是否可以替代早期部分未记录的伸展动作,同时保持与完整实验过程中标准Kinarm参数估计值的一致性。方法:我们分析了461名中风患者和599名对照组参与者在4目标和8目标伸展协议下的VGR速度信号。我们保留了前8次或16次伸展动作的数据,使用在70%的参与者身上进行过微调的ARIMA、MOMENT和Chronos模型来预测后续的伸展动作。我们重新计算了基于记录数据和预测数据的四种运动学特征(反应时间、移动时间、姿势速度、最大速度),并通过ICC(2,1)方法与完整实验数据的参考值进行了比较。结果:当仅使用8次记录数据与预测数据结合时,Chronos模型的预测结果在所有参数上的ICC值均高于0.90,达到与使用24到28次记录数据时的相当水平(ΔICC ≤ 0.07)。MOMENT模型的改进效果较为中等,而ARIMA模型的改进效果则不明显。在不同群体和协议中,使用合成数据替代实际伸展动作并未显著降低特征可靠性。结论:基础模型的预测方法可以大幅缩短Kinarm VGR评估时间。对于受损最严重的中风患者,评估时间可从4到5分钟缩短至约1分钟,同时仍能保持与完整实验中Kinarm参数估计值的一致性。这种结合预测的评估方法为评估中风后的运动障碍提供了高效的方法。
目的:在Kinarm机器人上进行视觉引导 reaching(VGR)实验能够获得敏感的运动学生物标志物,但需要完成40到64次伸展动作,这会带来时间和疲劳负担。我们评估了时间序列基础模型是否可以替代早期部分未记录的伸展动作,同时保持与完整实验过程中标准Kinarm参数估计值的一致性。方法:我们分析了461名中风患者和599名对照组参与者在4目标和8目标伸展协议下的VGR速度信号。我们保留了前8次或16次伸展动作的数据,使用在70%的参与者身上进行过微调的ARIMA、MOMENT和Chronos模型来预测后续的伸展动作。我们重新计算了基于记录数据和预测数据的四种运动学特征(反应时间、移动时间、姿势速度、最大速度),并通过ICC(2,1)方法与完整实验数据的参考值进行了比较。结果:当仅使用8次记录数据与预测数据结合时,Chronos模型的预测结果在所有参数上的ICC值均高于0.90,达到与使用24到28次记录数据时的相当水平(ΔICC ≤ 0.07)。MOMENT模型的改进效果较为中等,而ARIMA模型的改进效果则不明显。在不同群体和协议中,使用合成数据替代实际伸展动作并未显著降低特征可靠性。结论:基础模型的预测方法可以大幅缩短Kinarm VGR评估时间。对于受损最严重的中风患者,评估时间可从4到5分钟缩短至约1分钟,同时仍能保持与完整实验中Kinarm参数估计值的一致性。这种结合预测的评估方法为评估中风后的运动障碍提供了高效的方法。
生物通微信公众号