腰椎退行性疾病(LDD)是指神經源性間歇性跛行、下肢疼痛等神經壓迫綜合征,其發病率隨著年齡的增長而新增,擾亂了人們的日常生活。傳統診斷通常採用磁響應成像或其他成像檢查,但放射學數據具有不確定的臨床相關性。最近的研究表明,LDD患者的步態與正常人不同。研究人員嘗試設計基於足底壓力輔助LDD診斷和康復的可擕式設備。然而,由於感測器較少,數據的空間分辯率較低。個人步態是隨時間變化的空間足底壓力變化,囙此需要更全面的資料分析方法,例如機器學習。
中國科學院北京納米能源與系統研究所王中林院士、唐偉副研究員,北京大學第三醫院李危石教授等人提出了一種用於LDD診斷過程的可穿戴鞋內有源矩陣傳感陣列(AMSA),來量測步行期間的足底壓力。結合機器學習算灋,該系統對半蹲、蹲、跳、走、慢跑等常見人體運動進行分類,準確率高達99.2%,展現出了識別個人活動的能力。在62例LDD患者的臨床樣本中,該系統可以進行人工智慧診斷並給出術後恢復評估,準確率達到100%。由於個人足底壓力還可以訓示其他疾病,例如糖尿病和筋膜炎,該系統可以擴展到其他醫學方面,在生物醫學工程中展現出巨大的應用潜力。該研究以題為“Active-Matrix Sensing Array Assisted with Machine-Learning Approach for Lumbar Degenerative Disease Diagnosis and Postoperative Assessment”的論文發表在《Advanced Functional Materials》上。
【AMSA的構成】
AMSA是由以100μm厚的聚醯亞胺為基板的柔性印刷電路板(FPCB)和由具有壓電特性的聚偏二氟乙烯(PVDF)組成的壓敏點陣列組成。PVDF的頂面和底面都被銀覆蓋,然後使用兩條導電膠帶將其固定並電連接到FPCB,最後用皮革封裝,形成總厚度為1.3毫米的鞋墊式結構。由於上述材料的柔韌性,整個AMSA可以高適應性地進行壓縮、折疊和扭曲。AMSA可以實时感知足底壓力變化,並通過基於藍牙的後續電路傳輸數據。測試結果表明,AMSA在一步移動期間檢測到的典型實时壓力變化與行走過程中的人體工程學非常匹配,表明其具有人體足底壓力感應的能力。帶有定制APP的手機可以顯示足底壓力映射,以及每個點的特定壓力曲線。數據可以上傳到醫療雲服務器上,供患者的醫生在未來進行疾病評估或康復評估。
圖1用於LDD診斷和恢復評估的AMSA設計
圖2 AMSA的表徵
【AMSA的人體運動分類】
作者使用AMSA對五種常見的人體運動進行分類:半蹲、深蹲、跳躍、步行和慢跑。訊號的密集度和幅度表示運動的强度和頻率,可用於對不同的運動進行分類。例如,半蹲和深蹲的電壓約為1.15 V,壓力出現在人站立或蹲下時的脚跟和前脚掌區域,深蹲由於向下運動更高而導致電壓更高。跳躍瞬間出現暫態峰值,發力位置在前掌區域。對於步行和慢跑運動,幾乎所有感測器都有輸出,但慢跑的頻率明顯高於步行。考慮到多元和海量數據,作者設計了SVM機器學習算灋對上述運動進行分類。作者選取平均電壓值作為特徵值來訓練機器學習模型,結果顯示出接近100%的精度,這證明了基於機器學習的AMAS在感知和分類人體動作方面的可行性。
圖3 AMSA結合機器學習檢測和分類不同人體運動的能力
【LDD診斷和恢復評估】
由於該系統在識別人體動作方面表現出良好的效果,並且LDD的症狀與足底壓力有很强的關係,作者利用其對LDD患者進行了調查,以建立一種輔助工具,幫助醫生進行診斷或評估患者的康復情况。作者選擇來自患者的72個樣本和來自正常人的73個樣本作為模型訓練和預測數据集,使用機器學習方法(SVM)來分析數據與症狀之間的關係。基於多維空間的分佈,該系統可以將患者與正常人區分開來,準確度高達100%。此外,作者利用該系統來評估患者的康復情况。根據對患者的隨訪,初步證實了該系統對患者康復評估的有效性。作者預計,隨著為訓練收集更多的患者數據,該系統的預測和評估準確性可以進一步提高,從而進一步分類更具體的症狀。
圖4機器學習區分LDD
總結:作者開發了一種能够即時監測個人足底壓力的可穿戴鞋內有源矩陣傳感陣列。對LDD患者的臨床實驗表明,該系統具有輔助診斷能力,經過125個個體樣本的訓練,預測準確率達到100%。由於個人足底壓力還可以訓示其他疾病,例如糖尿病和筋膜炎,該系統可以擴展到其他醫學方面,在生物醫學工程中表現出巨大的應用潜力。
原文連結:
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202113008