基于消费级表面肌电图臂带的亚急性卒中患者上肢运动功能评估研究

《Journal of NeuroEngineering and Rehabilitation》：Surface EMG-based classification and prediction of Fugl-Meyer upper extremity scores in subacute stroke

　　

摘要

背景

卒中是全球范围内导致长期残疾的主要原因之一。随着发病率上升和全球康复专业人员短缺，对可扩展的肢体运动损伤评估方法的需求日益增长。表面肌电图（sEMG）已成为捕捉运动功能的有前景的手段。尽管具有潜力，但 sEMG 在临床实践中仍未被充分利用，且主要研究人群为慢性卒中患者，使得亚急性期阶段在很大程度上尚未被探索。其补充标准化评估的能力尚未得到充分确立。

方法

记录了 23 名亚急性卒中参与者在进行四项标准化手腕和手部任务时的双侧 sEMG 信号。提取任务级特征以训练机器学习模型，用于分类损伤的存在情况（受累侧或较少受累侧）及损伤程度，损伤程度通过上肢 Fugl-Meyer 评定（FMA-UE）及其手腕和手部子量表（FMA-WH）测量。使用留一法交叉验证（LOSO-CV）评估模型。基准回归模型以治疗师评定的子分数作为输入，并通过配对 t 检验比较了其绝对误差与基于 sEMG 的模型的误差。使用 SHapley 加性解释值（SHAP）检查模型的可解释性，以确定对预测损伤水平贡献最大的 sEMG 特征。

结果

在损伤分类方面，手腕伸展获得了最高的分类性能（准确率 0.87 ± 0.16；受试者工作特征曲线下面积 [AUC-ROC] 0.96 ± 0.07）。对所有二元和三元任务组合的评估显示，手腕伸展结合钳握实现了最佳的整体分类（准确率 0.92 ± 0.12；AUC-ROC 0.99 ± 0.03）。对于损伤程度估算，基于 sEMG 的预测在 FMA-WH 上的均方根误差（RMSE）达到 3.12，在 FMA-UE 上达到 6.68。基于 sEMG 模型的 SHAP 分析显示，更高的伸肌激活强烈推动了更高的预测分数。

结论

利用手部及手腕任务期间从消费级臂带获得的 sEMG 信号，能够估算部分及完整 FMA-UE 分数，实现的预测误差低于完整 FMA-UE 的最小临床重要差异（MCID）。此外，两项任务方案（手腕伸展 + 钳握）实现了最高的分类准确率，证明可以在不降低性能的情况下减少临床评估负担。这突显了可扩展且便携式评估方案的潜力，但仍需更大规模的纵向验证。