基于脈沖序列分析和深度學習的康復運動分類新方法：從生物啟發的特征提取到精準評估

《Scientific Reports》：Spike train analysis in rehabilitation movement classification using deep learning approach

【字體： 大 中 小 】 時間：2025年12月05日 來源：Scientific Reports 3.9

　　

在當今醫療資源分布不均的背景下，物理治療作為重要的康復干預手段面臨著嚴峻挑戰。據統計，2021年全球有超過314萬患者需要接受物理治療，而馬來西亞每千人僅擁有0.05名物理治療師，遠低于其他發達國家水平。傳統康復模式要求患者定期前往醫院或康復中心，這對行動不便的老年患者、臥床患者或偏遠地區患者造成了巨大負擔。同時，標準化運動處方難以滿足患者個體化差異需求，缺乏客觀量化評估手段也制約了康復效果的精準判斷。

家庭康復作為一種變革性范式，為患者提供了更靈活、便捷和連續的護理方案。隨著傳感器技術的快速發展，基于機器學習技術的智能運動監測系統成為研究熱點。然而，現有傳感器技術在物理治療評估中的多功能性和魯棒性仍有待提升。為此，Fadilla Atyka Nor Rashid等研究人員在《Scientific Reports》上發表了題為"Spike train analysis in rehabilitation movement classification using deep learning approach"的研究論文，提出了一種基于脈沖序列特征提取的創新方法，通過深度學習框架實現康復運動的精準分類和正確性評估。

關鍵技術方法概述

本研究采用三種數據集(UI-PRMD、K3Da和自采數據集)，將骨骼關節位置數據轉換為脈沖序列表示，生成約415種獨特脈沖模式。通過滑動窗口(長度W，重疊α)處理，采用自適應閾值算法將運動幅度轉換為二進制脈沖。使用留一主體交叉驗證(LOSO)和重復分組10折交叉驗證評估模型性能。提出定制化51層CNN架構，包含49個卷積層和2個全連接層(丟棄率0.5)，利用脈沖發放頻率推導平均誤差百分比(MPE)和平均絕對偏差(MAD)作為運動正確性評估指標。

研究結果

脈沖序列的顯著模式分析

研究通過脈沖序列分析發現，每種康復運動都具有獨特的脈沖發放模式，這些模式可作為運動識別的生物啟發特征。從三種數據集的脈沖序列柵格圖中可以清晰識別不同運動的特征模式。

在UI-PRMD數據集中，深蹲(圖13a)、直線弓步(圖13c)和坐站轉換(圖13d)由于運動方向相似(均為上下方向包含膝屈伸運動)，脈沖模式較為相似。而跨步(圖13b)因運動方向相反而呈現不同模式。肩伸展(圖13e)和抬腿(圖13f)運動因均涉及直立姿勢且無膝屈伸而模式相近，但肩伸展脈沖分布更分散，反映了不同肢體運動的特征差異。

K3Da數據集的脈沖模式分析顯示，平衡(睜眼)與單腿平衡(圖14a、d)模式相似，但單腿平衡表現出更多不穩定特征。椅子起立(圖14b)呈現重復站坐運動的周期性模式，而最大跳躍(圖14c)則顯示爆發性運動的明顯波峰特征。自采數據集雖序列較短(25幀/運動)，但仍表現出明顯的類別特異性脈沖特征。

基于平均發放率曲線的運動正確性評估

研究通過調諧曲線分析神經元平均發放率與運動方向的關系，提出使用平均百分比誤差(MPE)和平均絕對偏差(MAD)量化運動正確性。在UI-PRMD數據集中，對比正確與錯誤動作的發放率曲線發現，肩伸展運動的錯誤動作與正確動作偏差最大(MPE=54.00%)，而直線弓步偏差最小(MPE=11.81%)，表明受試者在上肢運動方面存在更多困難。

K3Da數據集的正確性評估以年輕健康受試者為基準，結果顯示單腿平衡運動正確性最低(80.14%)，而平衡(睜眼)和最大跳躍正確性較高(分別為98.47%和98.95%)。自采數據集的評估中，坐站轉換運動正確性最低(70.89%)，而抬腿運動正確性最高(84.74%)。

識別率性能評估

研究比較了多種CNN架構在康復運動分類中的性能，提出的51層CNN在三個數據集上均表現最優：UI-PRMD識別率達99.44%，K3Da為98.21%，自采數據集達100.00%。顯著優于ImageNet(95.12%)、GooLeNet(96.11%)、ResNet18(94.44%)和ResNet101(96.11%)等傳統架構。

混淆矩陣分析顯示，提出的CNN模型在大多數運動類別上識別準確，僅單腿平衡與跳躍運動因模式相似存在少量誤判(10%)。與傳統機器學習方法相比，脈沖序列結合CNN的方法在各項運動識別任務中均表現出優勢。

物理治療評估驗證

研究通過對比深度學習預測的正確性指標與基于發放率計算的運動正確性，驗證了提出框架的有效性。在UI-PRMD數據集中，深蹲和直線弓步運動的預測正確性與計算正確性存在輕微偏差(分別差7.5%和6.97%)，但均在可接受范圍內。三個數據集的驗證結果均表明，提出的物理治療評估框架可靠且有效，為家庭康復監測提供了實用工具。

研究結論與意義

本研究成功開發了一種基于脈沖序列分析和深度學習的康復運動分類與評估框架，通過生物啟發的時空特征提取方法，在多個數據集上實現了優異的運動識別性能。研究的主要貢獻在于：一是提出了脈沖發放頻率作為運動正確性評估的輔助指標，二是為每種康復運動生成了視覺顯著的脈沖模式，三是采用定制化CNN架構實現了高精度運動分類。

與傳統的骨架基于圖卷積網絡(ST-GCN)和長短期記憶網絡(LSTM)等顯式建模時間依賴的方法不同，脈沖序列編碼強調時間稀疏性和事件時序特性，更適用于捕捉運動正確性的細微偏差。這種生物啟發表示為康復運動分析提供了新的視角。

研究的局限性包括僅使用健康受試者數據，缺乏患者群體驗證；僅關注關節位置數據而未融合方向特征；數據集規模相對較小等。未來研究方向包括融合多模態骨骼特征、擴展至12類運動-正確性聯合分類、在更大規模數據集上驗證泛化能力，以及探索與Transformer或圖架構的混合建模。

該研究的發現表明，脈沖序列編碼為康復運動識別提供了有前景的新途徑，有望補充現有基于骨架的人體動作識別方法，增強臨床反饋系統的能力，為家庭基康復監測提供技術支撐。隨著遠程醫療和個性化康復需求日益增長，這種基于生物啟發計算的方法有望在改善患者護理效果方面發揮重要作用。