中风是一种由脑出血或脑梗塞引起的慢性疾病，是人类非创伤性残疾最常见的病因之一。大约三分之二的中风后患者在上肢运动方面有严重缺陷，这影响了他们在日常生活活动方面的表现。为了帮助这些患者在一定程度上恢复运动功能，长期高强度的康复（即物理治疗和作业治疗）被认为是必不可少的，运动功能评估在康复过程中起着重要的作用。评估步骤用于在康复开始时建立基线和个体化干预方向，同样的评估侧重于一旦开始治疗干预就评估治疗效果.

考虑到中风幸存者经常遭受肩关节和肘关节运动之间的异常耦合，病理协同作用可被视为患者功能状态的标志物。“协同”的概念最初用于描述中枢神经系统（CNS）为克服肌肉骨骼系统的冗余而确定的分辨率。对于中风后偏瘫患者，屈曲协同和伸展协同常常出现在孤立的上肢运动之前，有证据表明这些病理性运动学协同是肌肉协同活动改变的结果。在本项研究中，提出了一种新的评估方法来客观地量化中风后偏瘫患者的上肢运动功能。

实验是与中国康复研究中心（北京博爱医院）合作进行的，共招募了15例脑卒中后偏瘫患者（男9例，女6例，平均年龄52.1岁）± 15.1年），15名健康受试者（男10名，女5名，平均年龄48.5岁）± 13.1岁）进行比较。九个可旋转的杯子（高12cm，直径6.5cm）被放置在凹处的磁铁固定在盘子上，作为达到或达到抓取动作的目标。平台被固定在一张桌子上，工作空间根据90%的最大伸展距离与参与者保持一定距离。单独调整工作空间的高度，以确保板的中心与参与者的相应肩部对齐。

患者进行系统评估测试

为了探索正常和病理运动模式下的运动学和肌肉特征，所有实验均同步采集运动学和电生理数据。运动数据由光学运动跟踪系统（Qualisys AB，Gothenburg，Sweden）以200Hz的采样率记录，该系统由6个高速CCD摄像机组成。具体来说，在受试者的上肢解剖位置贴上11个反射标记。此外，使用ME6000生物监测器（Mega Electronics Ltd.，Kuopio，Finland）以1000 Hz的频率采集了10个通道的表面肌电信号。根据人体肌肉的解剖位置，将30个表面肌电电极连接到10块主要肌肉上。达到和抓住物体的能力是大多数日常生活能力的基础，本研究设计了4个实验任务，包括1个伸手任务和3个伸手抓握任务。

分类算法步骤

由于人体手臂可以简化为三段运动链，建立了七自由度的上肢模型，计算了肩内外旋、肩屈/伸、肩内收/外展、肘屈/伸7种主要运动的关节角，腕关节旋后/旋前、腕关节屈曲/伸展和腕关节桡/尺偏。由于电极已经消除了工频噪声，对10路表面肌电信号进行20～200hz的带通滤波，去除直流偏移和高频噪声，然后进行全波整流。为了消除全波整流带来的高频噪声，采用截止频率为5hz的低通巴特沃斯滤波器。在获得表面肌电信号的平滑包络线后，我们根据在所有任务中获得的最大表面肌电振幅对每个参与者的肌肉包络线进行归一化，然后将肌肉活动的采样频率与运动学数据的采样频率对齐。

在统计特征提取和运动协同量化之后，创建了两种类型的单模态分类器。采用三种有监督的机器学习方法来建立候选的单模态分类器，包括支持向量机、bp神经网络和RF。对于基于运动学的单模态分类器，分别在测试集上评估了不同的监督分类算法，目的是测试局部分类器和集成分类器的最优模型。结果显示了单模态分类器的分类性能，局部和集成分类器的最佳结果分别以粉色和蓝色突出显示。在统计运动特征的基础上，支持向量机的局部分类准确率为87.96%，分别比bp神经网络和RF高3.24%和1.39%。通过将SVM分类器的输出与运动协同量化结果相结合，SVM在分类中的准确率也高于BPNN和RF。支持向量机在多模态融合中的性能优于BPNN和RF，能够显著提高对病理运动特征的识别精度。

考虑到该评估系统能够以相当高的准确度识别病理运动，进一步探讨了该方法能否定量分析脑卒中后偏瘫患者的上肢运动损伤。运动和肌肉协同效应的量化可以提供上肢功能状态的客观评价，具体来说，一个较低的值表示更好的功能状态。该系统还生成了一个定量评估分数，该分数与标准临床试验的分数有很好的相关性。从临床角度来看，令人兴奋的发展是评估过程可以自动执行，并为治疗师提供更多的时间根据评估结果修改康复方案。

总之，提出的评估系统有可能为临床决策提供有价值的信息，以及评估中风后上肢偏瘫患者治疗方法的有效性。未来的研究将在评估结果的基础上探讨康复策略的制定，以进一步验证评估体系。

C. Wang, L. Peng, Z. -G. Hou, J. Li, T. Zhang and J. Zhao, "Quantitative Assessment of Upper-Limb Motor Function for Post-Stroke Rehabilitation Based on Motor Synergy Analysis and Multi-Modality Fusion," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 4, pp. 943-952