基于遗传算法和极限学习机FuglMeyer量表自动评估.docVIP

基于遗传算法和极限学习机FuglMeyer量表自动评估 　　摘要：为实现脑卒中上肢居家康复评定的自动化和定量化，针对临床上最常用的FuglMeyer运动功能评定（FMA）量表，利用极限学习机（ELM）建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作，采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据，经预处理和特征提取，基于遗传算法（GA）和ELM进行特征选择，分别建立单个动作ELM预测模型和综合预测模型。结果显示，该模型可对FMA肩肘部分得分进行精确的自动预测，预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性，可方便用于居家康复的评定。 　　关键词：脑卒中；居家康复；FuglMeyer评定；加速度传感器；遗传算法；极限学习机 　　中图分类号： TP18； TP391.4 　　文献标志码：A 　　Abstract： To realize automatic and quantitative assessment in homebased upper extremity rehabilitation for stroke， an Extreme Learning Machine （ELM） based prediction model was proposed to automatically estimate the FuglMeyer Assessment （FMA） scale score for shoulderelbow section. Two accelerometers were utilized for data recording during performance of 4 tasks selected from shoulderelbow FMA and 24 patients were involved in the study. Accelerometerbased estimation was obtained by preprocessing raw sensor data， extracting data features， selecting features based on Genetic Algorithm and ELM. Then 4 singletask models and a comprehensive model were built individually using the selected features. Results show that it is possible to achieve accurate estimation of shoulderelbow FMA score from the analysis of accelerometer sensor data with a root mean squared prediction error value of 2.1849 points. This approach breaks through the subjective and timeconsuming property of traditional outcome measures which rely on clinicians at hand and can be easily utilized in the home settings. 　　Key words： stroke； homebased rehabilitation； FuglMeyer Assessment （FMA）； accelerometer sensor； Genetic Algorithm （GA）； Extreme Learning Machine （ELM） 　　0引言 　　随着生活水平的提高和人口老龄化，脑卒中的发病率呈上升趋势，且趋于年轻化，70%～85%首次脑卒中患者留有偏瘫[1]。据统计[2]，我国每年新增250万例脑卒中患者，死于脑卒中相关疾病者达120万～150万，另外还有700万发生脑卒中后存活下来，其中约75%遗留不同程度残疾，40%为重度残疾，这些高发病率、高死亡率和高致残率给社会和家庭带来沉重的精神压力和巨大的经济负担。 　　与下肢相比，上肢运动更为精细且恢复缓慢，因此，脑卒中后上肢运动功能的康复一直是一个重要的问题，21%的脑卒中患者不能够达到上肢功能的完全恢复[3]。近年来，随着远程医疗技术、康复机器人技术和虚拟现实技术等的发展，居家康复越来越受到人们的关注，并且有文献报道[4]，居家康复可以获得和住院康复一样的效果。然而，如何有效监测并评价