儿科机器人辅助步态训练中的多模态参与度评估：生理感知与生物力学交互的整合

《Journal of NeuroEngineering and Rehabilitation》：Multimodal engagement estimation in paediatric robot-assisted gait training: integrating physiological sensing and biomechanical interaction

　　

摘要

背景

在机器人辅助步态训练中，患者的参与度对其效果起着关键作用，尤其是在儿童神经康复领域，患者的积极性与主动参与程度会显著影响功能恢复情况。尽管这一评估方法具有重要的临床意义，但目前仍主要依赖主观观察，这限制了其客观性与可扩展性。对于脑瘫儿童的参与度进行客观建模的研究还相对较少，尤其是利用治疗过程中获得的生理信号时，由于各种后勤、伦理和技术方面的挑战，多模态数据收集及样本量控制都面临困难。本研究提出了一种新的多模态框架，可用于自动评估接受机器人辅助步态训练的脑瘫儿童的参与度，从而捕捉不同患者之间的临床相关差异。

方法

本研究对20名使用Hocoma Lokomat?系统接受机器人辅助步态训练的脑瘫儿童进行了多次治疗过程的监测。通过心率变异性、面部红外热成像以及外骨骼设备获取的生物力学特征，来了解与患者参与度相关的生理和行为反应。这些信号被分割成不同的时间窗口，进而提取出统计、频谱和复杂性特征。由专业临床医生根据三类标准（未参与、中性、参与）对患者的参与度进行标注。之后，研究开发了一种基于监督的多类机器学习模型，利用多模态数据来预测患者的参与度，在严格的训练-测试分离条件下，通过多次分层划分和类别加权学习方法来处理类别不平衡问题，并对比了多种集成分类器的性能。

结果

将多模态特征与Extra Trees分类器结合使用取得了最佳效果，宏观F1分数为0.658±0.027。从类别分布来看，对于极端参与度水平（未参与和参与）的预测精度较高，而误分类多发生在相邻类别之间，尤其是中性状态。通过特征选择和可解释性分析发现，外骨骼设备检测到的扭矩特征是最具预测价值的因素，而热成像和心率变异性特征则分别提供了自主神经系统和情绪状态的相关信息。

结论

本研究提出了一种新的多模态机器学习方法，可用于自动评估脑瘫儿童在机器人辅助步态训练过程中的参与度。除了在分类性能方面表现优异外，该方法还证明了通过整合生理指标和机器人交互数据，能够在复杂的临床群体中实现参与度的客观建模。研究结果凸显了多模态感知技术在支持自适应康复系统、实现持续监测以及个性化人机交互方面的巨大潜力。