摘要
目的:在临床康复训练中保持高水平的参与度可以显著促进患者运动能力的恢复.本研究旨在利用功能性近红外光谱(fNIRS)技术监测被试者在训练过程中的参与状态变化,并应用机器学习算法对不同参与度进行分类与识别,为临床评估提供客观量化参与信息,促进优化康复训练方案.方法:本研究招募了 16名健康的右利手被试者,参与了不同难度水平的训练任务.使用一般线性模型选择显著激活的fNIRS通道,提取氧合血红蛋白(HbO)浓度特征,包括均值、斜率和样本熵,利用支持向量机(SVM)分类器对被试者的训练参与程度进行分类和识别分析.结果:通过8次3折交叉验证评估了 SVM分类器的性能,结果显示:斜率、均值、样本熵及这三种特征的组合下,分类模型的准确率分别为75.1％、83.2％、80.5％和86.8％.结论:采用SVM分类器能够有效对fNIRS信号进行分类和识别.该研究为运动训练提供了量化参与程度评估信息,将进一步或可为脑卒中运动功能康复智能评估研究奠定理论基础,并为智能康复处方的制定和动态参数调整提供依据,有助于提高运动康复训练效率和效果.
基金项目
国家重点研发计划项目(2023YFC3604302.2020YFC2007902)
维普
万方数据