《Frontiers in Bioengineering and Biotechnology》：Automated assessment of balance function based on a lightweight end-to-end multimodal deep learning framework: predicting Mini-BESTest scores from center of pressure signals in a single stance condition
编辑推荐：
背景：平衡功能障碍是老年人和神经系统疾病患者中常见的健康问题。Mini-BESTest（Mini-Balance Evaluation Systems Test，迷你平衡评价系统测试）是广泛用于平衡评估的临床工具。然而，其完整实施需要受过训练的临床医生完成14
背景：平衡功能障碍是老年人和神经系统疾病患者中常见的健康问题。Mini-BESTest（Mini-Balance Evaluation Systems Test，迷你平衡评价系统测试）是广泛用于平衡评估的临床工具。然而，其完整实施需要受过训练的临床医生完成14项任务，且评分存在评分者间差异。目的：本研究旨在开发一种端到端、轻量级多模态深度学习框架（约55 K参数），仅利用单一站立条件下的压力中心（center of pressure, COP）信号并结合临床元数据，自动预测Mini-BESTest总分及其四个分量表得分。方法：研究人员使用了来自公开数据集（Santos等，PeerJ, 2016, 4）中163名受试者的COP信号和临床元数据。研究人员提出了一种轻量级多模态深度学习模型，包含三个不同扩张率的扩张卷积分支、一个通道注意力机制和一个元数据融合模块。进行了三组独立比较实验，以考察站立条件、试验次数和时间窗口长度对预测性能的影响。基于这些结果，选择了合适的数据配置用于后续实验。采用基于同方差不确定性（homoscedastic uncertainty）的自适应任务加权方案，以平衡五个分数范围不同的回归目标。使用五折交叉验证评估模型，并构建折外（out-of-fold, OOF）预测以提供全样本预测性能评估。结果：在所选数据配置（泡沫表面睁眼、第二次试验、前30秒数据）下，五折交叉验证预测的Mini-BESTest总分平均绝对误差（mean absolute error, MAE）为1.971（满分28）。全样本OOF预测的总分MAE为1.979，皮尔逊相关系数r = 0.758，确定系数R2 = 0.574。在消融实验中，移除元数据分支导致总分MAE数值上最大增加（至2.338），而移除通道注意力模块导致较小增加（至2.034）。仅使用元数据的模型实现总分MAE为2.105。配对Wilcoxon符号秩检验（paired Wilcoxon signed-rank test）未显示完整模型与消融变体之间存在统计学显著差异（所有p > 0.05）。结论：本研究表明，端到端深度学习框架可以从泡沫表面睁眼条件下的30秒静态站立COP信号，结合基本临床元数据，预测完整的Mini-BESTest得分。在保持预测准确性的同时，这种轻量级框架（约55 K参数）可能代表了未来在便携式或远程环境中部署的潜在方向，但需要进一步的工程和临床验证。
平衡控制是维持日常生活活动的基础，涉及预期姿势调整、反应性姿势控制、感觉定向和动态步态等多个子系统的协同运作。平衡功能障碍在老年人和神经系统疾病患者中普遍存在，是跌倒和相关损伤的主要原因。Mini-BESTest是临床常用的平衡评估工具，包含14项任务，满分28分，但其完整实施需要训练有素的临床医生，且不同评分者之间可能存在判断差异。压力中心（COP）信号是力台测量的核心指标，但传统分析方法依赖手工特征提取，不同研究间的参数设定和特征计算方式不一致，且单一COP参数难以直接对应特定平衡子系统功能。近年来，深度学习被尝试用于平衡评估，但多数研究仍需要手工特征或使用大规模网络，轻量级且直接从原始COP信号学习的模型仍较少见。为此，研究人员开发了一种端到端轻量级多模态深度学习框架，仅利用单一站立条件下30秒静态站立COP信号和基本临床元数据，自动预测Mini-BESTest总分及其四个子系统得分。结果表明，在泡沫表面睁眼条件下，该框架的总分MAE为1.979，且模型参数仅约55 K，展示了在简化数据采集条件下实现自动平衡评估的潜力，为未来便携式或远程场景中的部署提供了可能方向。
在技术方法上，研究人员使用Santos和Duarte（2016）发布的PhysioNet公开数据集，包含163名受试者（116名女性，47名男性，年龄18–85岁）的COP信号与临床元数据。模型由三个扩张率分别为1、4、16的扩张卷积分支并行提取不同时间尺度的特征，经拼接后输入通道注意力模块进行特征重标定，再经降采样和全局平均池化得到64维COP特征；临床元数据通过两层全连接网络编码为32维特征，二者拼接后经融合层输出五个回归目标。损失函数采用基于同方差不确定性的自适应任务加权，以平衡不同量程的分数。通过三组比较实验确定了最终数据配置为泡沫表面睁眼、第二次试验、前30秒数据。全部实验采用按受试者划分的五折交叉验证，并构建OOF预测用于全样本性能评估；另设仅使用元数据的线性回归作为基线。
**3.1 站立条件的选择**：通过比较四种单一站立条件及混合所有条件的预测性能，发现泡沫表面条件（尤其睁眼）的总分MAE较低，混合条件性能较差，表明不同站立条件下COP模式差异较大；综合考虑准确性和数据完整性，选定泡沫表面睁眼（Foam + EO）条件用于后续实验。
**3.2 试验次数的选择**：在Foam + EO条件下比较第一次、第二次、第三次试验以及三次平均的预测误差，发现仅使用第二次试验时总分MAE最低（1.989），而三次平均反而更高，说明首次试可能受不熟悉影响、第三次可能受疲劳影响，因此选定第二次试验作为标准输入。
**3.3 时间窗口的选择**：在选定条件下比较10秒至60秒共六个时间窗口的预测性能，发现预测性能在20–30秒后趋于稳定，30秒窗口的总分MAE为1.971，与60秒（2.019）接近；基于预测精度与数据采集效率的权衡，选定30秒窗口作为输入时长。
**3.4 折外预测性能**：在最终配置下，全样本OOF预测的总分MAE为1.979，Pearson相关系数r = 0.758，R
2 = 0.574；四个子系统得分中，预期姿势调整（APA）MAE = 0.661、r = 0.770，反应性姿势控制（RPC）MAE = 0.982、r = 0.392，感觉定向（SO）MAE = 0.647、r = 0.419，动态步态（DG）MAE = 0.915、r = 0.693。这说明总分和部分子系统能达到较好的一致性预测，而RPC相关性较低。
**3.5 消融研究**：将完整模型与移除元数据分支、移除通道注意力模块以及仅使用元数据的模型进行比较。数值上，移除元数据分支使总分MAE从1.971升至2.338，其中动态步态亚量表变化最明显；移除通道注意力模块使总分MAE升至2.034；仅元数据模型为2.105。配对Wilcoxon符号秩检验均未显示显著差异（p > 0.05）。此外，仅使用元数据的线性回归基线总分MAE为2.326，高于完整模型的1.971。
讨论部分指出，本研究的全样本OOF总分MAE（1.979）低于已报道的Mini-BESTest最小可检测变化值（如慢性卒中患者MDC = 3.0，脊髓损伤患者MDC = 4.0等），说明预测误差落在临床工具自身测量噪声范围内，但模型分数不能直接替代临床评估，而是提供快速、客观、可重复的辅助估计。与Ren等先前使用同一数据集、224个手工特征和全部四种站立条件的传统回归器相比，本研究以更少的输入数据且不依赖手工特征获得了数值上更低的MAE（1.971对2.658）。泡沫条件下COP信号可能包含更丰富的平衡相关信息。消融结果提示临床元数据可在COP信号基础上提供互补信息，但差异未达到统计显著。子系统预测中，SO误差较小，APA和DG相关性相对较高，RPC相关性最低，这与静态站立不包含外部扰动、对反应性平衡信息有限相符。模型约55 K参数，较常用ResNet-18等模型减少约两个数量级，适合未来在便携力台或嵌入式设备中部署，但尚需实测延迟与能耗并在实际设备中验证。局限性包括：数据来自单中心方便样本、年龄分布不均、少量缺失试验、未纳入其他生理信号，且数据配置选择与性能评估在同一五折交叉验证框架内完成，仍需独立外部数据验证。
本研究结论翻译如下：本研究开发了一个端到端、轻量级多模态深度学习框架，能够利用泡沫表面睁眼条件下的30秒静态站立COP信号，结合基本临床元数据，预测Mini-BESTest总分及其四个子系统得分。通过一系列比较实验确定了合适的数据配置，并通过消融研究评估了各组件的贡献。通过OOF程序获得了性能估计，其中对每名受试者的预测来自训练期间未见过该受试者的模型。这一轻量级框架（约55 K参数）展示了自动化平衡评估的潜力。其在社区筛查和远程康复监测中的适用性尚需在目标人群中进一步验证。
