使用可穿戴气压传感器改善活动性障碍中风患者的活动识别资料说明

　　全球每年约有1700万人受到中风的影响〔1〕。中风后的幸存者主要受到运动障碍的影响，这些障碍是由于共济失调或偏瘫，以及中风后运动皮层损伤的后果。运动功能的恢复需要强化的身体康复，必须为患者量身定做，以获得更好的疗效。目前，治疗决策通常基于对运动功能的临床评估，使用功能测试，如平衡评估的Berg平衡量表（BBS）或步态和平衡评估的定时起跑（TUG）或患者报告，包括生活质量问卷，如一般中风影响量表〔4〕或中风特定生活质量〔5〕。虽然这些评估有用，目前在临床实践中使用，但人们认识到，这些评估可能有一些局限性。对问题的主观解释和患者的心理状态可能会对生活质量评分产生偏差。临床功能测试仅在医院进行，不能反映患者日常生活中的实际运动表现。例如，患者在临床检查中可能表现出良好的平衡和稳定的步态，在日常生活中表现出良好的灵活性，但实际上他/她可能避免长距离步行或爬楼梯。因此，日常生活中的活动监测有望对中风后患者的身体功能和生活质量提供更全面的评估。

　　近十年来，随着可穿戴技术的发展和普及，人们对现实生活中的基本日常活动进行了广泛的研究。在慢性疼痛或中风患者的关键部位放置一组多个惯性传感器（加速度计和陀螺仪），成功地监测他们的日常活动。放置在躯干上的传感器用于检测躺着和行走的时间，并描述姿势转移，如从坐姿到站姿和从站姿（STS）转换［9］，与中风后功能恢复评估相关［10，11］，大腿上的惯性传感器（加速计）可以区分坐姿和站立姿势，而小腿/脚上的传感器（陀螺仪）则用于详细评估步态模式。然而，将多个传感器放置在患者身体上可能会导致不适，从而阻碍他们执行正常日常活动的能力和意愿。鉴于这一局限性，许多研究致力于开发使用单一传感器配置的活动监视器［12–14］对说谎）仍然有限。例如，放置在大腿上的加速计无法准确区分坐姿和躺姿［15，16］病人〔13，17〕。提高这些算法性能的一个可能的解决方案是使用额外的传感器模式，如大气压（BP）。BP提供传感器绝对高度的估计，这对于区分涉及高度/身体的活动之间的转换特别有用海拔变化（例如上/下水平行走、爬楼梯、STS过渡）。这种方法可以检测额外的活动，例如评估患者爬楼梯时的活动性，这是卒中后恢复的相关结果［18］。〔19〕和Moncada Torres等人。〔20〕提出了包括基于bps的爬楼梯检测算法在内的活动识别算法，但仅在健康对照组上验证了结果。

　　除了传感器配置（数量和位置）外，从原始传感器数据中识别/分类活动的方法也是至关重要的。最常见的方法是基于历元的分类〔21〕，即将传感器数据分割成固定长度的历元，并根据提取的特征应用机器学习技术将每个历元分类为一个活动。另一种方法是基于事件的分类，它包括对关键事件的检测和分类，如姿势转换、行走开始/结束和躺卧期。遵循这种方法，Salarian等人。〔22〕在基于模糊逻辑的活动识别算法中加入特定于姿势转换的知识，以提高分类性能。该算法仅基于固定在中继线上的单个惯性传感器的信息，因此STS分类的精度受到限制。本文的工作基于以下假设：（1）STS姿势转换、倾斜行走和爬楼梯过程中躯干高度的变化可以通过惯性（加速度计、陀螺仪）和BP传感等多模态传感器进行检测；（2） 该信息可用于设计一种改进的基于事件的活动分类算法。提出了一种基于单干线磨损多模态传感器系统（惯性测量单元IMU和BP）和基于模糊逻辑的活动分类器的可穿戴活动监测系统。该分类器考虑了行为约束，并且在站立和运动期间估计了身体的高度（平直、上下）。