Перевод (c) М. Г. Жеглова
ПРИГЛАШЕННЫЙ АВТОР
P. 450-460 Proceedings of the IEEE| Vol. 98 No. 3, March 2010
/Труды IEEE. Т.98, № 3, март 2010 года
0018-9219/$26.00 © 2010 IEEE
Авторские права принадлежат: IEEE Xplore.
Загружено 22 апреля 2010 года в 04:28:05 по Гринвичу из источников IEEE XPlore. Ограничения применяются.
НОВЫЙ ПОДХОД К МОНИТОРИНГУ РЕЗУЛЬТАТОВ РЕАБИЛИТАЦИИ У ЛЮДЕЙ, ПЕРЕНЕСШИХ ИНСУЛЬТ: ИСПОЛЬЗУЕТСЯ ПОРТАТИВНАЯ ТЕХНОЛОГИЯ
Данные акселерометра используются для оценки успешности попыток реабилитации во время движений, от плеча до кончиков пальцев, у пациентов с инсультом.
Авторы: Шиамаль Пател, Ричард Хьюгс, Тодд Хестер, член-студент IEEE, Джоеэль Штейн, Метин Акай, действующий член IEEE, Дженнифер Г. Ди и Паоло Бонато, старший член IEEE
Рукопись получена 21 ноября 2009 года. Текущая версия опубликована 5 марта 2010 года. Работа частично финансировалась грантом под названием «Полевые измерения для функциональных задач в случае интервенции CIT», номер гранта R21HD045873-01, NIH-NIGHD, и грантом «Портативная беспроводная сеть для мониторинга моторного восстановления у пациентов после инсульта», выданного Центром интеграции медицины и инновационной технологии.
S. Patel и R. Hughes работают в отделении физической медицины и реабилитации, Гарвардская медицинская школа, Реабилитационный госпиталь Сполдинга, Бостон, штат Массачусетс, 02144 США (адрес электронной почты=e-mail: spatel19@partners.org; rhughes1@partners.org).
T. Hester работает в Университете штата Техас в Остине, «Информатика», Остин.
Техас 78712 США (e-mail: todd@cs.utexas.edu).
J. Stein работает в Университетах Колумбии и Корнелла, Реабилитационная медицина. Нью-Йорк, штат Нью-Йорк 10032 США (e-mail: js1165@columbia.edu).
M. Akay работает в Отделе биомедицинской инженерии, Университет Хьюстона, Хьюстон, штат Техас 77204-5060 США (e-mail: Metin.Akay@asu.edu).
J.G.Dy – Северо-восточный университет, Электрическая и инфо-инженерия, Бостон, Массачусетс, США (e-mail: jdy.ece@gmail.com).
P.Bonato – отделение физической медицины и реабилитации, Гарвардская медицинская школа, Реабилитационный госпиталь Сполдинга, Бостон, штат Массачусетс, 02144 США и Харвард-МИТ (Массачусетский Технологический Институт), отдел наук о здоровье и технологии, 77 Массачусетс-Авеню, Кембридж МА 02139 США (e-mail: pbonato@partners.org).
РЕЗЮМЕ:
Количественная оценка моторных способностей у переживших инсульт может представить ценную обратную связь при контроле клинических интервенций. Многочисленные клинические шкалы были разработаны в прошлом для оценки уровней повреждения и функциональной ограниченности у индивидов после удара. «Шкала функциональной способности» (ШФС) является одной из таких клинических шкалы. Это – 75-балльная шкала, которая используется для анализа функциональной способности субъектов с градуировкой качества движения во время выполнения 25 моторных заданий. Выполнение этих моторных заданий требует, чтобы люди дотронулись до предмета (например, карандаш на столе) и манипулировали ими (например, поднять карандаш). В этой статье, мы показываем, что данные акселерометра, записанные во время выполнения субъектом моторных заданий, относящихся к шкале функциональных способностей, в потенциале являются надежным средством получения точных оценок количества баллов, представленных клиницистом, который применял эту шкалу. Оценки, основанные на показаниях акселерометра, получили сегментированием записи на компоненты движения (достижение цели, манипулирование, отпускание/возврат на место), извлечением характеристик данных, выбором черт, которые максимизируют уровень разбиения на классы, ассоциированные с определенным клиническим баллом, включением этих же параметров в систему «Random Forests” для оценки баллов для индивидуальных моторных заданий, и с использованием общего балла по ШФС на основании клинических баллов для индивидуальных двигательных заданий, полученных при помощи показаний акселерометра. Результаты показали возможность достижения оценок общего балла по ШФС, для которого типично отклонение в 0,04 пункта по шкале и стандартное отклонение 2,43 пункта при использовании всего трех датчиков сбора данных во время выполнения лишь шести моторных заданий.
КЛЮЧЕВЫЕ СЛОВА: «Random forests; реабилитация; инсульт; портативная технология
I. ВВЕДЕНИЕ
Инсульт – это основная причина инвалидности у взрослых, и его частота, как ожидается, возрастет со старением популяции (1). Глубокие нарушения и функциональные ограничения поражают людей, перенесших инсульт. Традиционные реабилитационные интервенции привели к успеху в достижении моторного восстановления только отчасти, и поэтому большое количество интервенций было предложено в качестве попыток улучшение функциональных выходов. Интенсивные упражнения верхних конечностей (2), функциональная электростимуляция (3), робототерапия (4), виртуальная реальность (5) и терапия движений, индуцированных ограничениями (constraint-reduced movement therapy) – это лишь некоторые подходы, недавно исследованные в целях усовершенствования мышечного восстановления у людей. К сожалению, клинические результаты реабилитации верхних конечностей до сих пор неудовлетворительны, что касается процентного соотношения людей, перенесших инсульт (8).
В данном контекста, исследователи и клиницисты сфокусировали свое внимание на разработке и клиническом применении методик оценки, направленных на количественное улучшение мышечной моторики после пост-инсультной реабилитации. Эти техники могут потенциально играть важную роль в направлении реабилитации. Использование количественных показателей качества движения (например, непрерывность движения и межсегментная координация) было предположено многими исследователями как средство рефлексии по поводу потенциальных ограничений традиционной технологии моторной оценки (9-12). Так же, акцент был поставлен на необходимость разработки действий, которые «схватывают» воздействие реабилитационных интервенций на функциональную способность субъектов в условиях реальной жизни, т.е. дома и в обществе.
Портативная технология обладает потенциалом, дающим средства для сбора качественных показателей дома и в обществе (13). За последнюю декаду, мы наблюдали замечательные успехи в области портативных технологий (14). Беспроводная и электронно-волоконная системы были разработаны для мониторинга физиологических переменных и паттернов движения с применением их к широкому спектру клинических проблем, включая мониторинг неврологических (15, 16) и сердечно-сосудистых состояний (17, 18). Однако, методы извлечения осмысленной информации из данных, полученных в контексте пост-инсультной реабилитации, до сих пор неясны.
В настоящей статье, мы представляемее новый подход для оценки качества движений верхних конечностей у индивидов, перенесших инсульт, на основании анализа данных акселерометра, а именно – чувствительную технологию, которая широко используется в качестве компонента портативных систем (19). Более конкретно, мы показали, что использование информации, полученной с носимых на теле датчиков (напр., акселерометров), мы можем точно оценить клинические баллы, выверенные с использованием Шкалы функциональной способности (ШФС) (20). ШФС – это клиническая шкала, позволяющая оценивать качество движений у выживших после инсульта людей через визуальную проверку двигательных паттернов, ассоциированную с выполнением «батареи» из 15 моторных заданий. Точность баллов ШФС, полученных посредством анализа данных акселерометра, определяли через сравнение таких оценок с реальными баллами ФАС, представленными врачом.
II. МЕТОДЫ
На Рис. 1. схематически показан предложенный алгоритм, состоящий из следующих шагов: 1) извлечь сегменты данных, соответствующие компонентам движения (т.е., достижение, манипуляция и освобождение/возврат); 2) оценить характеристики данных акселерометра, взятых из каждого сегмента данных; 3) упорядочить по рангам характеристики согласно их способности обеспечивать разбиение между классами, ассоциированными с различными клиническими баллами; 4) выбрать характерные наборы параметров, которые минимизируют перекрывание между классами, ассоциированными с различными клиническими баллами; 5) воспользоваться «Random Forests» для расчета клинических баллов, полученных при оценке качественных характеристик движения для индивидуальных моторных заданий; наконец, 6) оценить общий балл ШФС, используя уравнение прямой, соотносящее сумму прогнозных баллов для избранных моторных заданий и общий балл по ШФС. Подробную информацию об экспериментальных процедурах и реализации алгоритма можно видеть ниже.
А. Сбор данных
Двадцать четыре субъекта (57,5 +/- 11,8 лет, 4,2 +/- 3,7 лет после инсульта) с остаточным расслаблением верхних конечностей (гемипарез) участвовали в исследовании после получения информированного согласия. Экспериментальные процедуры были одобрены Советом по обзору исследований Реабилитационного госпиталя Сполдинга. Пациентов оценивал врач, используя Шкалу функциональной способности (FAS=ШФС) (2). ШФС представляет собой шестибалльную шкалу (0-5) для оценки качества движений у лиц, переживших инсульта, через наблюдение показателей в 15 моторных заданиях по Тесту моторных функций Вольфа (20-22). Балл 0 означает неспособность выполнить задание, а балл 5 показывает, что задание было выполнено идеально. Критерии для выставления баллов включают скорость, координацию, усилия, плавность по отношению к движению в норме, успешное окончание задания и присутствие патологических синергий в компенсаторных стратегий. Моторные задания, выполненные во время оценки по ШФС, включают следующие: дотянуться до близких и отдаленных объектов, перенести кисти руки или предплечья от бедра на стол, толкать и тянуть вес по столу, пить жидкость из банки с прохладительным напитком , поднять карандаш, бросить карты и повернуть ключ. Общий балл ШФС рассчитывается как сумма баллов, приписанных 15 моторных заданиям. Балл ШФС для субъектов, набранных для участия в исследовании, варьировал в диапазоне от 27 до 66 пунктов (среднее 47,2 пункта, стандартное отклонение 12,3 пункта).
Хотя пациенты были клинически оценены по всем 15 моторным заданиям, данные датчика собирали для поднабора из 8 заданий. Мы выбрали восемь моторных заданий, которые, согласно нашей гипотезе, отражали бы основные аспекты ШФС. Наш выбор был произвольным. При этом любопытно заметить, что Bogard et al. (23) недавно сделал попытку ввести в широкое пользование Тест моторных функций Вольфа и получил хорошие результаты, выбрав поднабор моторных заданий, который во многом перекрывается с восемью моторными заданиями, выбранными в нашем исследовании. Таблица 1 показывает перечень из восьми моторных заданий, выполненных субъектами, во время которых проводилась регистрация данных акселерометра. Описания этих моторных заданий и присвоенные им номера приведены в настоящей статье так же, как и у Wolf et al. (24). Субъекты выполняли от 5 до 20 повторений каждого задания. Моторные задания, выбранные для количественной оценки через данные акселерометра, можно видеть здесь как примеры заданий на «достижение» и «манипуляции». Поэтому, ниже мы будем ссылаться на первый набор из четырех моторных заданий, выбранных для нашего исследования (ШФС1: предплечье на стол–вбок; ШФС4: распрямить локоть – вес; ШФС5: ладонь на стол, и ШФС8: достичь и снова взять), как на задания «дотянуться», и на второй набор заданий (ШФС9: поднять банку; ШФС10: поднять карандаш; ШФС13: положить карты; и ШФС15: повернуть ключ в замке) как на манипуляционные задания.
Датчики акселерометра были расположены, как показано на Рис. 2, для мониторинга движений руки, предплечья, плеча и туловища. Акселерометры, расположенные на указательном пальце, большом пальце и туловище были одноосными, а те, что находились на ладони, на дорсальной стороне предплечья и плеча, были двухосными. Данные с датчиков регистрировались с использованием Vitaport 3 (от “Temec BV”, Нидерланды) – амбулаторного регистратора, так как беспроводные портативные датчики не было доступны в начале исследования. Однако, блоки акселерометра, применяемые в этом регистраторе, имеют характеристики, аналогичные характеристикам платформы SHIMMER (у которой узлы датчика на теле оборудованы трехосными акселерометрами) (25). Из-за значительного сходства двух систем, методы и результаты, представленные в этой статье, могут считаться применимыми к платформе SHIMMER.
Кроме сбора данных акселерометров, мы делали видео-записи для субъектов при выполнении моторных заданий в целях дальнейшего анализа специалистом-клиницистом, который готовил ШФС-баллы для каждого из заданий, выполняемых этими людьми. Баллы были представлены для каждого из 8 заданий, во время которых мы записывали данные акселерометра, а также и для дополнительных 7 заданий, относящихся к ШФС (что основано на 15 моторных заданиях), что получить общие клинические баллы по ШФС.
Б. Сегментация данных
Данные акселерометра были проведены через низкочастотный фильтр в цифровом виде, с частотой отсечки 8 Гц, чтобы убрать высокочастотный шум, и затем сегментированы, чтобы изолировать компоненты движений. Сегментацию проводили с использованием цифровых маркеров, введенных при сборе данных, для идентификации начала и конца каждого повторения задания. Для заданий «дотянуться», цифровые маркеры позволили нам изолировать сегменты данных, соответствующие выполнению каждого повторения каждого моторного задания. Для манипуляционных заданий, кроме цифровых маркеров в начале и конце каждого повторения моторных заданий, мы использовали два дополнительных цифровых маркера для разделения временных серий на компоненты движений. Эти дополнительные цифровые маркеры были извлечены с использованием емкостных измерительных преобразователей, что позволило нам обнаружить контакт между кистью субъекта и объектом (например, банкой содовой воды, карандашом и т.д.), использовавшимся во время выполнения манипуляционных заданий. Манипуляционные задания состоят из трех компонентов движений: сегмент 1 (S1) – это компонент задания, связанный с движением «дотянуться» (например, описание задания, в котором субъект мог бы «начав с положения ладони на бедре, дотянуться до банки с содовой»); сегмент 2 (S2) является компонентом задания с манипуляционным движением (например, субъекта можно попросить «достать банку с содовой, изобразить глоток из нее и поставить банку на место»); и сегмент 3 (S3) – это компонент задания «высвободить/вернуть» (т.е. субъекта просят «отпустить банку с содовой и положить ладонь снова на стол»). Рис. 3 показывает пример сегментированных данных акселерометра. Данные акселерометра, приведенные на рисунке, были записаны, когда субъект выполнял моторные задания на подъем банки с содовой (ШФС9).
В. Выделение характеристик
Выделение характеристик проводили двухшагово. Первое. Мы использовали алгоритм РелифФ (ReliefF) (27), ранжирующий характеристики по убывающему порядку значимости. Алгоритм отбора характеристик РелифФ является расширением оригинального алгоритма РелифФ, предложенного Kira et al. (28). Алгоритм РелифФ проводит итерацию по каждому случаю, обновляя вес, приписанный характеристике на каждой итерации. Для любого случая, он ищет К ближайших соседей из того же класса (называется это ближайшие попадания Н), и К ближайших соседей из всех других классов (что называется ближайшие упущения М). Тогда, он обновляет качество оценки W (A) для каждого атрибута А и переходит к новому случаю. Номер ближайшего соседа К был установлен на 10, как было предложено Робник-Сиконья и Кононенко (27). Алгоритм РелифФ с вычислительной точки зрения прост. Он является более надежным по сравнению с исходным алгоритмом, поскольку он может работать с неполными и «зашумленными» данными. МЫ использовали версию WEKA (29) алгоритма.
Второе. На следующем этапе процедуры отбора характеристик мы выбирали некоторое число характеристик с высоким рангом, выделенных с помощью алгоритма РелифФ в шаге 1. Мы приняли критерий отбора высших N-ранговых характеристик, которые обеспечивали максимальное разделение среди классов, ассоциированных с различными клиническими баллами, которые были определены в сжатом пространстве характеристик. Это достигалось расчетом индекса валидности кластеров Дэвис-Бульдена (DB) (30). Вместо утилизации индекса DB для оценки качества кластеров, мы применили его для анализа дискриминирующей способности наших поднаборов характеристик-кандидаток с целью определения классов. Индекс DB измеряет, насколько хорошо сегментированы образцы данных, и каковы симилярные образцы, принадлежащие к одному и тому же классу. Это – функция отношения суммы внутри-классового разброса к (индексу) межклассового разделения. Так, меньшие величины индекса DV соответствуют лучшей степени разбиения на классы и наоборот. Индекс DB был рассчитан путем инкрементального добавления, по одной с каждым шагом, характеристик с рангом, приписанным по алгоритму РелифФ. Мы определили оптимальную точку отсечки для двух групп моторных заданий (например, заданий как «дотянуться» и «манипуляционных заданий»), выше которой большее число характеристик привело к незначительному улучшению индекса DB.
Г. Классификация
Чтобы оценить баллы ШФС, ассоциированные с каждым из моторных заданий, указанных в Таблице 1, мы предпочли проводить обучение на «Random Forests» (31-32) (RFs), регистрируя данные акселерометра, извлеченные и отобранные так, как было вкратце сказано выше. RFs – это ансамбли слабо коррелированных древ решений, которые «отдают голос за» классификацию вводимых данных. Эти ансамбли улучшают обобщенное поведение индивидуальных древ решений. При конструировании каждого дерева RF, «фиксированный» учебный образец выбирается путем выделения случайного поднабора n случаев (инстанций) из N учебного набора образцов, с заменой после каждого акта выявления. Затем, на каждом узле дерева, поднабор из m характеристик выбирается как кандидат для разбиения, и используется лучшая кандидатура. Это контрастирует с обычной практикой построения древ решений, когда все переменные-характеристики отбираются для разбиения.
Обучение RF включает выбор небольшого количества характеристик, используемых в каждом узле для разбиения, и количества «деревьев в лесу». Мы установили, что число случайных характеристик, выбранных для каждого узла, – это первое целое число, меньшее log2M +1, где М – это общее количество характеристик. Количество древ в RF определяли путем минимизации процентной ошибки классификации, влияющей на оценку баллов ФШС. Мы извлекли процентную ошибку классификации, проведя десятикратную кросс-валидацию. Мы использовали версию WEKA (29) – машинный учебный инструментарий для RF и алгоритмы кросс-валидации.
Д. Общая оценка балла по ШФС
Оценки баллов ШФС для индивидуальных моторных заданий, полученные из RF, добавлялись и применялись в качестве вводимых в линейное уравнение. Это уравнение было определено как линейная регрессия между общими баллами ШФС, полученными врачом после визуального наблюдения за качеством движения субъектов, м суммой баллов ШФС, полученных из временных серий акселерометра для восьми моторных заданий, выбранных в нашем исследовании для сбора данных с датчиков. До получения уравнения, баллы, полученные врачом, и баллы, полученные из данных акселерометра, нормализовались. Баллы, представленные врачом, выражены как процент от 75 пунктов на шкале ШФС. Сумма баллов ШФС, полученная из данных акселерометра для каждого субъекта, выражалась как процентная доля от 40 пунктов, относящихся к восьми моторных заданий ШФС, для которых были записаны данные акселерометра. Ошибка оценки характеризовалась через извлечение квадратного корня, отклонения и стандартного отклонения.
Кроме случая, в котором все шесть датчиков акселерометра и все восемь моторных заданий использовались для получения оценок общих баллов ШФС, мы также рассматривали эффект на ошибку оценки использования сокращенного количества датчиков и сокращенного количества моторных заданий. Мы получали оценки общих баллов ШФС для всех возможных комбинаций расположения датчиков и моторных зданий. Общее число возможных комбинаций было (2N – 1) * (2M – 1) = 16065, где N = 6 представляет собой количество местоположений датчика, а M = 8 – количество моторных заданий. Затем, мы попытались идентифицировать минимальное количество датчиков и моторных заданий, необходимых для достижения точных оценок общих баллов ШФС. Мы учли и удобство наложения всех датчиков на сегменты тела, поскольку это оказалось весьма важным при клиническом применении предложенной методики.
III. РЕЗУЛЬТАТЫ
На Рис. 4 показаны агрегированные данные по индексу DB для заданий «дотянуться» (столбики слева) и для манипуляционных заданий (столбики справа). Для заданий второго типа, результаты были получены с помощью характеристик, оцененных исходя из всех трех сегментов данных (S1 – дотянуться, S2 – манипуляция и S3 – отпускание/освобождение/возврат). Вначале характеристики были ранжированы с использованием алгоритма РелифФ, а затем они использовались в этом порядке для извлечения индекса DB для 2–50 характеристик с приращением по 1 характеристике. На Рис. 4 показано также среднее значение индекса DB для различных номеров характеристик. Кривая средних значений нанесена на ячейки, которые показаны только – для большей ясности – для поднабора значений номеров характеристик.
Выбор 20 характеристик соответствовал значению минимума на кривой средних значений индекса DB и для заданий типа «дотянуться, и для манипуляционных заданий, таким образом, показывая, что оптимальное разделение среди классов, ассоциированных с различными клиническими баллами, может быть достигнуто применением первых 20 признаков, выбранных с помощью алгоритма РелифФ. В форме столбиков приведена значимая вариация значений индекса DB для данного количества характеристик. Такая вариация существует благодаря наличию разницы между заданиями. Однако аналогичные тенденции в ячейках DB индекса наблюдались по всем заданиям, в целом указывая на минимум, если мы использовали 10-20 тех характеристик, которые были выбраны в алгоритме РелифФ. Те же тренды так же наблюдались, когда признаки только из одного сегмента данных (S1 – дотянуться, S2 – манипуляции, и S3 – освобождение/возврат) использовались для получения столбиков со значениями индекса DB для манипуляционных заданий.
В наборах из 20 признаков-характеристик, выбранных как задания «дотянуться» (см. выше), в основном преобладали две черты: среднее значение отфильтрованных на низких частотах данных акселерометра и парный коэффициент корреляции временных серий акселерометра. Фактически, 40-45% характеристик для всех заданий «дотянуться» были средними величинами низкочастотно-фильтрованных данных акселерометра. Так же, 40-45% черт для первых трех заданий в этой группе (т.е. ШФС1: предплечье на стол – вбок, ШФС4: разогнуть локоть – вес; и ШФС5: ладонь на стол) были корреляционными коэффициентами для разных пар временных серий акселерометра. Для четвертого из заданий «дотянуться» (т.е. ШФС8: достать и вернуть), только 15% избранных признаков были коэффициентами корреляции. Это и неудивительно, ведь задание «достать-вернуть» не требует крупной координации движений различных сегментов тела. Ни одна из черт не оказалась доминирующей для определения хорошо разделенных классов (для разных клинических баллов) для задания «достать-вернуть». Характеристики (исключая коэффициенты корреляции), извлеченные от дистальных сегментов тела (ладонь и предплечье) отбирались чаще (отвечая за 53-67%) общих черт, полученных от проксимальных сегментов (грудина и плечо). Корреляционные коэффициенты, полученные от временных серий акселерометра на кисти и предплечье, отвечали за 30-50% признаков коэффициентов корреляции, что, таким образом, указывало на релевантность координации движений кисти–предплечья для определения клинических баллов для задания типа «дотянуться».
В наборах характеристик, выбранных для манипуляционных заданий, так же преобладали среднее значение временных серий акселерометра, отфильтрованных по низким частотам (что отвечало за 50-75% признаков, за исключением четвертого задания в группе – повернуть ключ в замке, – для которого эта черта отражала 7 из20 характеристик, выбранных с помощью вышеописанного алгоритма). Коэффициенты корреляции соответствовали 10-20% выбранных признаков. Это было тем случаем, когда черты из трех сегментов данных (S1 – дотянуться, S2 – манипулировать, и S3 – освободить/вернуть, как показано на Рис. 3) использовались для получения набора признаков для оценки клинических баллов в манипуляционных заданиях. Немногим большее число корреляционных коэффициентов было выбрано для анализа каждого из сегментов данных отдельно. В последнем случае, на коэффициенты корреляции приходилось 20-50% избранных признаков. Однако анализ, проведенный сведением воедино характеристик из всех трех сегментов данных, показал, что сегмент манипуляционных данных (S2) и данных по движениям дотягивания (S1) более важны, чем сегмент данных «освободить/вернуть» (S3) для оптимизации результатов. И действительно, 47,5% черт оценивались исходя из сегмента «освободить/вернуть» (S3). Это неудивительно, поскольку последний сегмент не является предметом визуального наблюдения клинициста, оценивающего качество движений у людей, переживших удар. Характеристики, полученные от дистальных сегментов тела (кисть и предплечье), оказались здесь более важными, чем признаки с проксимальных сегментов тела (грудина и предплечье), для оценки клинических баллов, связанных со следующими заданиями: ШФС9 – поднять жестяную банку, ШФС10 – поднять карандаш, и ШФС15 – повернуть ключ в замке. Для этих заданий, 65-75% характеристик были получены с помощью данных акселерометра, отмеченных на кисти и предплечье. Наоборот, данные акселерометра, зарегистрированные на проксимальных сегментах тела (грудина и плечо) были использованы для оценки 72% характеристик, выбранных для задания на раскладывание карт (IAC13). Эти числа не включают признаки корреляционных коэффициентов, которые – как указано выше – не доминировали в наборах признаков, выбранных для заданий по манипуляции.
Отбор характеристик до применения классификационных алгоритмов на основе RF был ключом к минимизации процентной классификационной ошибки от задания к заданию. На Рис. 5 показано, что значимое сокращение величины процентной классификационной ошибки достигалось, если выбирались 20 признаков-характеристик (согласно результатам анализа индекса DB на основании характеристик, ранжированных с использованием вышеописанного метода РелифФ) и если они приводили к RF, по сравнению к случаю, когда использовались все признаки. На Рис. 5 показан также и эффект на процентную классификационную ошибку при использовании различных количеств деревьев в RF. Результаты отражены для 10, 20, 50 и 100 деревьев. Независимо от числа деревьев, использованных в RF, классификационная ошибка уменьшалась примерно на 50%, если мы применяли 20 лучших характеристик согласно рангам, рассчитанным по РелифФ, по сравнению с использованием полного набора характеристик. Прогресс был несколько больше для заданий «дотянуться», чем для манипуляционных заданий. Средняя процентная классификационная ошибка (ПКО) была так же немного выше для первых, чем для вторых. ПКО для каждого задания и по всем заданиям оказалось выходящей на плато при 50 деревьях RF. Улучшение ПКО по сравнению с использованием 10 и 20 древ оказалось значительным, но далее значительного улучшения не наблюдалось (100 деревьев). На основании этого наблюдения, мы предпочли использовать RF с 50 древами. Этот выбор оправдан так же наблюдением, что ненужное увеличение количества деревьев в RF могло бы потенциально привести к увеличению корреляции среди деревьев, так влияя на поведение классификатора (31).
Таблицы 2 и 3 показывают количественные результаты, полученные с использованием RF с 50 деревьями, для обработки 20 признаков, выбранных согласно рангам, которые были рассчитаны по алгоритму РелифФ для каждого задания, применявшегося в этой работе. Классификационная ошибка для заданий «дотянуться» была в среднем 4,27%. Для манипуляционных заданий, ошибка была в среднем 3,49%, когда все сегменты данных использовались для получения характеристик данных, чтобы ввести их в RF. Небольшие вариации наблюдались при использовании признаков только одного сегмента данных (S1, S2, или S3). Интересно, что ПКО, полученная при использовании данных сегмента «освободить/вернуть» (S3), была больше в среднем (9,19%), чем ошибка, характерная для оценок, полученных только из сегмента данных по упражнениям «дотянуться» (S1) и манипуляционного сегмента данных (S2) – 5,35 и 3,89%, соответственно.
Затем мы оценили общий (по 15 моторным заданиям) балл ШФС для каждого субъекта. Мы рассчитали сумму баллов, полученных для восьми заданий (четыре на «дотягивание» и четыре манипуляционных) для каждого субъекта. Мы нормализовали общий балл по ШФС и выразили его как процент от 75 пунктов по шкале ШФС. Так же, мы нормализовали сумму оценок, полученную исходя из данных акселерометра, и выразили величины как процент от 40 пунктов, относящихся к 8 моторным заданиям ШФС, во время которых мы собирали данные с датчиков. Затем мы получили уравнение регрессии, связывающее общие баллы по ШФС, представленные клиницистом, и сумму баллов для восьми заданий, оцененных путем анализа временных серий акселерометра. Затем мы использовали регрессионное уравнение для оценки общего балла ШФС для каждого субъекта на основании анализа данных акселерометра и характеризовали ошибку оценки, выведя процентную ошибку RMS, а также отклонение и стандартное отклонение оценок. Процентная ошибка RMS была нормализовала в диапазоне баллов, полученных исходя из данных по группе субъектов–участников исследования. Отклонение и стандартное отклонение были получены как реальные пункты в ШФС.
На Рис. 6 приведены сводные результаты, достигнутые при использовании различных количеств заданий и датчиков для получения оценок баллов по ШФС. При применении лишь нескольких моторных заданий, ошибка оценки оказалась сильно подверженной влиянию ошибки квантизации, ассоциированной с ограниченным количеством дискретных уровней, которые можно считать атрибутами выполнения каждого моторного задания. Поэтому добавление датчиков не имело практического эффекта на качества оценок. Рассматривая более чем 4 моторных задания, оказалось, что добавление датчиков давало преимущество для качества оценок, однако все-таки количество заданий, использованных в анализе, кажется, имело больший эффект на ошибку оценки. Любопытно, ошибка RMS варьировала между 5 и 6 процентами для оценок клинических баллов, полученных при использовании шести-восьми заданий и характеристик трех-шести датчиков.
Во всех случаях с 6-8 заданиями и 3-6 датчиками, мы наблюдали хорошее линейное соответствие между общими баллами по ШФС, выданными врачом-клиницистом, и суммой баллов, оцененных для 8 моторных заданий, которые выбирались для анализа, основанного на показаниях акселерометра. Результаты на Рис. 7 показаны для 8 моторных заданий и 6 датчиков. Ошибка оценки в этом случае характеризовалась отклонением в 0,15 пунктов и стандартным отклонением 2,36 пунктов по ШФС. Результаты продемонстрировали умеренную вариацию по субъектам. Сколь-нибудь значительного роста ошибки оценки не наблюдалось, когда мы использовали данные, записанные только с трех датчиков, по сравнению с 6 датчиками. Минимальная ошибка для трех датчиков и 8 моторных заданий достигалась, когда три датчика были помещены на большой палец, плечо и грудинную В этом случае, отклонение, влияющее на оценки, было равно 0,10 пунктам, а стандартное отклонение – 2,25 пунктов. Однако даже более комфортная комбинация трех датчиков (например, датчики на кисти, предплечье и плече, что более удобно для самостоятельного их наложения, чем на грудину и на большой палец), приводило к оценкам, для которых было типично отклонение меньше 0,01 пункта и стандартное отклонение, равное 2,45 пункта).
Более внимательное рассмотрение результатов показало, что количество заданий, использованных для получения оценок общего балла по ШФС, можно было бы уменьшить, чтобы сделать тест более простым в выполнении. Например, когда мы использовали 6 моторных заданий для извлечения оценок клинических баллов, нами было обнаружено, что следующие задания приводили постоянно к низким ошибкам оценки независимо от количества датчиков, которые мы использовали для получения характеристик данных акселерометра: разогнуть локоть – ШФС4: ладонь на стол – ШФС5, дотянуться и вернуть – ШФС8, поднять жестяную баночку – ШФС9, поднять карандаш – ШФС10 и повернуть ключ в замке – ШФС15. При использовании этих 6 моторных заданий и трех датчиков (на кисти, предплечье и плече) для получения оценок общего балла ШФС, мы достигли отклонения 0,04 пункта и стандартного отклонения 2,43 пункта.
ОБСУЖДЕНИЕ И ВЫВОДЫ
Результаты, представленные в настоящей статье, показывают, что запись данных акселерометра во время выполнения набора моторных заданий, можно использовать для извлечения признаков (характеристик) данных, которые улавливают характеристики паттернов движений, ассоциированных с качеством движения, у людей, переживших инсульт. Они так же показывают, что такие признаки можно использовать для точной оценки клинических баллов качества движения, таких как балл ШФС.
Надежные результаты были получены путем анализа данных, зарегистрированных всего с тремя датчиками при выполнении всего шесть моторных заданий. Кисть руки, предплечье и плечо, как было обнаружено, пригодны для размещения датчиков, использовавшихся для мониторинга паттернов движений и извлечение характеристик данных о качестве движения. Эти места удобны для самостоятельного наложения датчиков и поэтому представляют интерес с точки зрения практического применения. Регистрация и анализ данных акселерометров во время выполнения следующих шести моторных заданий, оказывается, давали надежную оценку баллов ШФС: разогнуть локоть – ШФС4, ладонь на стол – ШФС5, дотянуться и взять – ШФС8, поднять банку – ШФС9, поднять карандаш – ШФС10, и повернуть ключ в замке – ШФС15. При использовании трех датчиков, находившихся на указанных частях организма, и проанализировав данные, собранные во время выполнения вышеперечисленных шести моторных заданий, мы получили оценки балла ШФС, для которого было типичным отклонение 0,04 пункта и стандартное отклонение, равное 2,43 пункта.
Эти результаты были достигнуты сегментацией данных акселерометра по компонентам движений (дотянуться, манипулировать, освободить/вернуть), отбором признаков данных, пригодных для получения четкого разделения между классами, ассоциированными с различными клиническими баллами для индивидуальных моторных заданий, применением классификаторов, реализованных с помощью RF, прибавлением оцененных баллов для избранных моторных заданий, и использованием такой величины как ввода в линейное уравнение, что давало оценку общего балла ШФС для каждого пациента.
Такие сегменты данных, как манипуляция и дотягивание, как было показано, несут больше всего интересной информации о получении надежных оценок общего балла ШФС. Среднее значение данных акселерометра и коэффициент корреляции для пар временных серий акселерометра, как было обнаружено, были чертами, наиболее релевантными для получения хорошо разделенных классов наборов признаков для наборов данных, ассоциированных с различными клиническими баллами от задания к задании. Это наблюдение предполагает, что ориентация сегментов организма и координация движений между ними являются ключевыми факторами в определении качества движений у людей, переживших инсульта, по крайней мере в том аспекте, который относится к паттерну движения и описывается ШФС. С приемлемым выбором набором признаков (характеристик) и использованием RF, мы добрались до надежных оценок баллов ШФС для индивидуальных моторных заданий, что, в свою очередь, привело к оценкам общего балла с отклонением менее одного пункта и стандартным отклонением менее трех пунктов по ШФС для нескольких комбинаций моторных заданий и датчиков.
Тот факт, что мы были способны использовать поднабор моторных заданий, относящихся к ШФС, для оценки общего балла, даваемого этой шкалой, согласуется с последними работами Bogard et al. (23). Авторы этих работ попытались ввести в широкое употребление Тест моторных функций, выбрав поднабор моторных заданий, которые используются для теста моторной функции по Вольфу (ТМФ) с целью извлечения общего балла ТМФ по Вольфу. Любопытно, что есть перекрытие между заданиями, отобранными по Богарду и др. (23), и шестью упражнениями, которые мы выбрали для достижения надежных оценок баллов по ШФС. Однако следует подчеркнуть, что Богард и др. (23) пытались оценить баллы ТМФ по Вольфу, т.е. время, требующееся для выполнения моторных заданий, тогда как в этой статье, мы продемонстрировали методологию для оценки баллов ШФС. Эти два теста взаимосвязаны (они используют один и тот же набор моторных заданий – за исключением заданий на оценку силы, которые выбраны в ТМФ по Вольфу, но не в ШФС), но они концентрируются на разных аспектах выполнения определенного их набора: время, необходимое для выполнения заданий (ТМФ по Вольфу) и качество паттернов движений, наблюдаемое в ходе выполнения этих заданий (ШФС).
Поскольку мы создавали метод анализа данных, выравнивая характеристики данных, которые были извлечены из данных, записанных во время выполнения компонентов движений (т.е. дотянуться и манипулировать) – части моторных задач, ассоциированных с деятельностью в обыденной жизни, постижимо, что эта техника могла бы быть модифицирована так, чтобы оценки баллов ШФС можно быть получать через анализ записей данных с акселерометра, собранных в домашней обстановке, когда субъекты заняты решением своих ежедневных задач. Реализация этого подхода равносильна факту, что надежные оценки ШФС можно достичь (как показано в нашем исследовании) через процессинг данных акселерометра, записанных с помощью лишь трех датчиков на сегментах тела, таких как дорсальная сторона кисти, предплечье и плечо. Требуется дальнейшая работа по оценке надежности результатов, полученных из полевых данных, и их зависимости от факторов (например, самостоятельное наложение датчиков), которые не могут быть полностью в контроле в домашних условиях и в социуме.
О дальнейших применениях этой технологии, основанной на процессинге данных, собранных в домашней обстановке и в социуме: мы планируем, что можно использовать методы детекции выполнения специфических моторных заданий (например, используя алгоритмы, такие как алгоритм, недавно предложенный Giuffrida et al. (33)) – изолируя сегменты данных, ассоциированных с компонентами движений (например, дотягивание, манипуляция и освобождение/возврат), и затем применяя этот алгоритм, представленный в нашей рукописи, для получения общего балла ШФС. Этот подход позволил бы оценить качество движений дома и на виду у всех – в обществе, и дать обратную связь с этой информацией в целях принятия решений в клинике, чтобы оптимизировать реабилитационные интервенции на индивидуальной основе.
Мы предсказываем будущие сценарии, в которых мониторинг субъектов проводится дома, применяя портативные технологии для оценки их ответа на реабилитационные интервенции. Недавние успехи портативной технологии (34) дают эту возможность. Предложенная методология дает способ оценить индивидуальные реакции на реабилитацию у лиц, перенесших инсульт, что заманчиво из-за легкости сбора данных и поскольку данные могут быть собраны в полевых условиях (например, дома и в социальных учреждениях). Данные, собранные в поле, дали бы средство прямого наблюдения за влиянием реабилитационных интервенций на способность людей, перенесших инсульт, для выполнения моторных заданий в условиях, близких к реальным. Оценка качества движения, полученная через эту технологию по методу, представленному в настоящей рукописи, могла бы в будущем стать частью клинической оценки у людей, перенесших удар и проходящих реабилитацию. Эти оценки, извлеченные с использованием данных с портативных датчиков, дополнили бы информацию от спорадических клинических оценок по традиционным шкалам нарушений и функциональной оценки, данных, собранных с использованием аналитических инструментов и данных, собранных во время сессий по реабилитации. Результаты всех этих оценок будут объединены для подтверждения ответа субъекта на текущие интервенции или для детектирования ситуаций, в которых субъект либо не отвечает, либо неадекватно отвечает на текущие реабилитационные процедуры. Эти инструменты в целом имеют потенциал улучшать эффективность реабилитационных интервенций, давая средства «предписывать» индивидуализированные интервенции, а именно, реабилитационные интервенции, которые ведут к максимальному улучшению моторного восстановления субъектов.
БЛАГОДАРНОСТИ
Авторы благодарят Бетани Кнорр и Делси Шеррилл за их вклад в предварительный анализ набора данных, применявшийся на стадии рукописи – мы руководствовались их результатами в разработке методов, представленных в настоящей статье. Авторы также хотели бы выразить признательность Мел Мейстер за ее вклад в реализацию установок по собору данных.
ЛИТЕРАТУРА