Rehab-DRLX:基于深度强化学习与Transformer的可解释神经康复预后模型

《Frontiers in Computational Neuroscience》:Rehab-DRLX: explainable neurorehabilitation prognosis using deep reinforcement learning and transformer-based models

【字体: 大 中 小 】 时间:2026年05月18日 来源:Frontiers in Computational Neuroscience 2.3

编辑推荐:

  神经康复预后在针对运动功能障碍及神经损伤患者的临床恢复任务中具有重要意义,尤其在改善日常生活活动能力(ADL)方面面临挑战。为解决此问题,研究人员提出一种新型混合深度学习(HDL)框架——Rehab-DRLX,结合深度强化学习(DRL)与可解释Transfor

  
神经康复预后在针对运动功能障碍及神经损伤患者的临床恢复任务中具有重要意义,尤其在改善日常生活活动能力(ADL)方面面临挑战。为解决此问题,研究人员提出一种新型混合深度学习(HDL)框架——Rehab-DRLX,结合深度强化学习(DRL)与可解释Transformer模型,以提供兼具准确性与可解释性的预后结果。该框架可有效处理多模态数据输入,包括临床记录、嵌入式传感器运动数据及神经影像数据,并利用其强化表征学习(RRL)模块捕捉随时间变化的恢复模式。RRL模块在DRL智能体中采用卷积神经网络(CNN),实现时空特征编码,并通过奖励引导学习方法动态优化策略。为保障可解释性,研究引入可解释预后Transformer(XPT),结合临床情境位置编码与分层注意力机制,实现透明可靠的决策支持。Rehab-DRLX的双重架构不仅能有效预测功能独立概率等恢复结局,还解决了传统黑箱预后工具缺乏可解释性的问题。实验结果显示,Rehab-DRLX在准确率(94.6%)、F1分数(0.93)、均方根误差(RMSE)(0.082)及平均绝对误差(MAE)(0.061)等指标上均显著优于现有研究。消融实验进一步验证了各架构组件对整体性能的贡献。结果表明,Rehab-DRLX不仅提升了临床决策质量,还通过可解释的洞察增强了临床信任度。
研究背景与意义
神经康复领域近年来因深度学习算法与嵌入式运动追踪技术的融合取得显著进展,尤其是在利用可穿戴传感器与深度相机获取高分辨率患者运动数据方面。这些数据包含颜色影像、深度映射、关节朝向及三维骨骼运动等多模态信息,为个性化康复提供了数字化基础。然而,从原始传感器数据到可操作预测的转化仍面临变异性、复杂性及不确定性的挑战。神经康复的恢复过程受行为、神经及生物因素的交互影响,具有非线性与适应性特征,传统统计模型与浅层机器学习方法难以捕捉复杂的时序依赖关系,而深度学习的黑箱特性则限制了临床决策的透明度与可信度。因此,亟需开发一种既能处理多模态高维数据、适应患者康复状态,又能提供实时可解释预测的智能系统。
主要技术方法
研究人员构建了一个结合深度强化学习(DRL)与可解释Transformer的混合框架Rehab-DRLX。数据采集采用Microsoft Kinect v2传感器,在实验室环境下对25名参与者(20-60岁,含10名女性与15名男性)进行下肢康复训练记录,获取25个骨骼关节的二维颜色坐标、四元数关节朝向、二维深度数据及三维空间坐标,采样频率为100 Hz。数据集按受试者划分进行五折交叉验证,确保时序完整性。预后标签由物理治疗师根据关节协调性、动作平滑度、平衡稳定性及完成准确度综合评分(0-1范围),并通过多数共识确定最终标注。模型包含两个核心模块:强化表征学习(RRL)模块将康复轨迹建模为马尔可夫决策过程(MDP),利用CNN提取空间特征,DRL智能体通过最大化累积奖励优化嵌入表示;可解释预后Transformer(XPT)模块融合RRL输出与临床序列,通过分层注意力机制与临床情境位置编码实现可解释预测。训练采用双重损失函数,同时优化预测精度与注意力可解释性。
研究结果
数据采集系统与采集方法
通过Kinect v2获取多模态骨骼运动数据,并基于治疗师评估生成功能恢复评分作为预后标签。采用受试者独立划分的五折交叉验证策略,避免数据泄露,确保评估可靠性。
强化表征学习模块
RRL模块将多模态输入(神经影像ytimg∈?H×W×C、传感器运动数据ytsen∈?d、临床指标ytclin∈??)经CNN编码为时空特征向量zt,并建模为MDP元组Λ=(S, A, P, R, ζ)。其中状态空间S为编码嵌入st=zt,动作空间A对应潜在策略更新,奖励函数R(st, at)=α·Acc(t)+β·Align(t)(α=0.6, β=0.4)平衡预测精度与临床对齐度。通过Actor-Critic算法优化策略梯度,输出优化后的嵌入序列ZRRL={z1*, z2*, …, zT*}。
可解释预后Transformer模块
XPT接收RRL嵌入ZRRL与临床序列C={c1, c2, …, cT},经线性投影与融合后输入Transformer编码器。采用分层注意力机制与临床情境位置编码P+ectx,通过时序注意力权重αt计算上下文向量v,最终经Sigmoid函数输出预测恢复概率?∈?。双重监督目标结合预测损失Lpred(均方误差或交叉熵)与可解释性损失Lexp(注意力熵正则化),总损失Ltotal=Lpred+?·Lexp。
实验结果与比较分析
Rehab-DRLX在准确率(94.6%)、F1分数(0.93)、RMSE(0.082)、MAE(0.061)上均优于HDL-PSR、ML-BCI、GACL-Net、TraxVBF及MSFormer等基线模型。注意力对齐得分(AAS)达0.78,表明模型关注点与临床关键康复阶段高度一致。消融实验显示,移除DRL导致准确率下降6.2%,移除XPT使F1分数降低4.8%,移除双重监督则损害校准性能与可解释性。
可解释性案例研究
通过时序-关节注意力热图与SHAP特征归因分析,模型能区分高、中、低恢复结局的特征关注模式。在高恢复案例中,模型聚焦于膝关节伸展、髋关节稳定及踝关节协调;在低恢复案例中,则强调不规则运动模式。SHAP分析识别出髋关节稳定性评分、膝关节屈伸幅度、运动时序平滑度等为关键影响因素。
结论与讨论
本研究提出的Rehab-DRLX框架通过融合深度强化学习与可解释Transformer,实现了神经康复预后的高精度与高透明度预测。实验证明其在多模态数据处理、时序依赖建模及临床可解释性方面的优势,为实时临床监测与个性化康复规划提供了可靠工具。未来工作将扩展至更广泛的患者群体与康复协议,以支持认知与个体化恢复辅助系统的发展。该研究发表于《Frontiers in Computational Neuroscience》。
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