許多臨床醫(yī)師目前使用來評估頸部損傷的技術(shù)仍然有重大缺陷，本文的研究團(tuán)隊(duì)透過軟硬體整合技術(shù)的客觀指標(biāo)，協(xié)助將頸部損傷的評估簡化及自動化。

接近三分之二的普遍人口在一生當(dāng)中至少會遭遇一次頸部疼痛的影響，這提高了醫(yī)療保健方面的隱憂。這種癥狀的常見原因，包含揮鞭癥候群（whiplash）、頭部撞擊，或者激烈的工作條件。舉例來說，花費(fèi)許多時(shí)間蜷縮在工作崗位的專業(yè)人士—例如外科醫(yī)生和牙醫(yī)—經(jīng)常會出現(xiàn)頸部疼痛：還有穿戴著沉重防護(hù)頭盔的人，包含運(yùn)動員、飛行員、消防員，也都可能面臨風(fēng)險(xiǎn)。

許多臨床醫(yī)師目前使用來評估頸部損傷的技術(shù)仍然具有重大缺陷，因?yàn)檫@些方法仰賴主觀的運(yùn)動範(fàn)圍（range-of-motion）觀察，很難衡量損傷的程度或追蹤治療進(jìn)度。有一些還會包含像是戴在患者頭部的雷射筆的勞力密集人工操作，產(chǎn)生主觀的結(jié)果。

我們團(tuán)隊(duì)開發(fā)了硬體和軟體來透過客觀指標(biāo)，協(xié)助將頸部損傷的評估簡化及自動化。這項(xiàng)技術(shù)研究原本是在雷克雅未克大學(xué)（Reykjavik University）進(jìn)行，而我們的新創(chuàng)公司NeckCare正在進(jìn)一步將該技術(shù)發(fā)展為商業(yè)產(chǎn)品。作為早期的創(chuàng)業(yè)投資，我們加入MathWorks Accelerator Program，以較為優(yōu)惠的方案來使用MATLAB，並且得到MathWorks工程師的支援來協(xié)助檢驗(yàn)技術(shù)。

這項(xiàng)技術(shù)依靠的是一組嵌入慣性量測單元（inertial measurement unit；IMU）的頭戴式裝置，以及在MATLAB開發(fā)的資料分析和機(jī)器學(xué)習(xí)演算法。這套演算法處理來自IMU（圖1）的訊號，產(chǎn)生客觀、可量化的頸部活動3D指標(biāo)。透過比較健康受試者的IMU感測器資料和正遭受揮鞭癥候群或腦震盪等情況所苦的病人的資料，該演算法可以精準(zhǔn)區(qū)分出無癥狀的案例，並且辨識遭受頸部損傷常見原因的案例。

圖1 : 頸部活動評估設(shè)置（左）與IMU頭戴裝置（右）。

蝴蝶測試介紹

使用搭配MATLAB的IMU頭戴裝置，可以執(zhí)行各種評估，包含人類運(yùn)動學(xué)的三個(gè)主要維度：運(yùn)動範(fàn)圍、本體感覺（感覺身體部位運(yùn)動和方向的能力）、和神經(jīng)肌肉控制。通常對於診斷來說，當(dāng)中的神經(jīng)肌肉評估最具有價(jià)值，但也最難透過現(xiàn)有技術(shù)來量化執(zhí)行。

為了評估一個(gè)人的神經(jīng)肌肉控制能力，我們發(fā)明了一套稱為「蝴蝶測試（butterfly test）」的專門流程，並取得專利保護(hù)。在測試期間，受試者會坐在電腦螢?zāi)磺胺剑魃螴MU頭戴裝置。這位受試者被要求看著螢?zāi)簧系囊粋€(gè)圓點(diǎn)，並且追蹤圓點(diǎn)三種不同軌跡的移動，從簡單到困難（圖2）。

圖2 : 移動的圓點(diǎn)跟隨的路徑，用於簡單、中等、困難的蝴蝶測試。速度會隨著曲度而變化，因此目標(biāo)在直線部分移動較快，彎曲部分則速度放慢。

測試進(jìn)行期間，IMU持續(xù)地測量受試者跟著移動的圓點(diǎn)時(shí)的頭部方向變化（圖3）。具體來說，它會以每秒60次的頻率記錄轉(zhuǎn)動、俯仰和偏離的角度，也會記錄頭部角速度與這些維度的加速度。這些記錄下來的資料，會成為在MATLAB裡面使用統(tǒng)計(jì)和機(jī)器學(xué)習(xí)技巧來處理的資料。

圖3 : 受試者在執(zhí)行蝴蝶測試時(shí)追蹤移動的圓點(diǎn)。

統(tǒng)計(jì)分析與視覺化

在MATLAB開發(fā)的軟體設(shè)計(jì)是用來客觀量測受試者，在蝴蝶測試中跟隨著移動的圓點(diǎn)時(shí)，控制他們的頭部和頸部的能力。作為第一步，軟體會將透過IMU捕捉到的旋轉(zhuǎn)角度投射到與顯示器螢?zāi)槐砻嬷丿B的一個(gè)2D平面。利用這樣的投射，軟體接著可以比對圓點(diǎn)的路徑和受試者的追蹤路徑。透過繪製這些路徑重疊部位的圖，很容易可以看到無癥狀受試者和遭受頸部損傷的受試者之間的表現(xiàn)差異（圖4）。

圖4 : 無癥狀與患有揮鞭癥候群之受試者的蝴蝶測試表現(xiàn)視覺化。

除了產(chǎn)生視覺化圖像之外，軟體也計(jì)算了幾種統(tǒng)計(jì)指標(biāo)，可以更妥善地量化無癥狀受試者與有癥狀受試者之間的差異。有一項(xiàng)關(guān)鍵的指標(biāo)是振幅的準(zhǔn)確性，或者在整段測時(shí)期間內(nèi)，目標(biāo)圓點(diǎn)與由受試者控制的游標(biāo)之間的平均差異。這套軟體也計(jì)算瞄準(zhǔn)時(shí)間，也就是游標(biāo)位於目標(biāo)上，或靠近目標(biāo)的時(shí)間百分比，這包括下衝（undershoot）與過衝（overshoots）—分別是落後或高於目標(biāo)的時(shí)間比例。

最後，該軟體會計(jì)算運(yùn)動平滑度，這是一個(gè)量化抖動的參數(shù)，該參數(shù)基於主體追?的空間座標(biāo)的三階導(dǎo)數(shù)的二次和的積分，根據(jù)目標(biāo)追蹤的相同量進(jìn)行歸一化。

持續(xù)以軟體進(jìn)行的分析結(jié)果顯示，無癥狀與揮鞭癥候群受試者在幾乎所有的計(jì)算指標(biāo)都出現(xiàn)統(tǒng)計(jì)上的顯著差異，p-values通常小於0.001（圖5）。

圖5 : 無癥狀（AB）、腦震盪（CC）、和揮鞭癥候群（WAD）受試者的振幅準(zhǔn)確性圖表。

機(jī)器學(xué)習(xí)分類

我們最近一直在探索使用機(jī)器學(xué)習(xí)根據(jù)測試結(jié)果將受試者分為無癥狀、揮鞭或腦震盪等類別。使用Statistics and Machine Learning Toolbox內(nèi)的Classification Learner app，以一個(gè)包含了蝴蝶測試的15個(gè)變量、各種運(yùn)動測試的30個(gè)變量、頭/頸位移測試的28個(gè)變量的資料集訓(xùn)練出多種機(jī)器學(xué)習(xí)模型。在使用有限的資料集訓(xùn)練模型以後，發(fā)現(xiàn)單純貝氏模型（naive Bayes model）的效果最好，對於受試者的分類準(zhǔn)確率達(dá)到或接近100%（圖6）。

圖6 : Classification Learner app中呈現(xiàn)以所有可用特徵來測試單純貝氏模型與其他模型的結(jié)果比較。

我們也使用Classification Learner app內(nèi)的特徵排序功能來找出對於分類最重要的特徵（圖7）。

圖7 : Classification Learner app內(nèi)的特徵排序。

透過這項(xiàng)功能，我們決定只挑選前面七項(xiàng)特徵來做為分類依據(jù)—如同使用變異分析或ANOVA的排序—這與使用所有的特徵來進(jìn)行分類具備相同的準(zhǔn)確度（圖8）。

我們正在將訓(xùn)練資料集擴(kuò)大，包含數(shù)量更多的受試者，也正在開發(fā)能夠更進(jìn)一步將受試者依損傷嚴(yán)重程度分類的模型。

圖8 : Classification Learner app呈現(xiàn)出以排序前七名的特徵來測試單純貝氏模型與其他模型的結(jié)果比較。

臨床應(yīng)用

我們正積極地將此項(xiàng)技術(shù)運(yùn)用到臨床上，幫助物理治療師更適當(dāng)?shù)刂委燁i部受傷的患者。我們的頭戴裝置已經(jīng)在美國食品和藥物管理局（U.S. Food and Drug Administration；FDA）註冊為I類醫(yī)療器材。此外，也持續(xù)開發(fā)MATLAB演算法來支援越來越多的軟體應(yīng)用程序。此類應(yīng)用之一是遠(yuǎn)距醫(yī)療和其他居家健康解決方案，患者可以在家中使用技術(shù)來從事有益健康的運(yùn)動。

另一項(xiàng)應(yīng)用是評估運(yùn)動員在頭部受傷後是否適合參加競賽。這項(xiàng)技術(shù)還可能提供方法來驗(yàn)證揮鞭癥候群患者提出的保險(xiǎn)和失能索賠。最後，我們計(jì)畫將該技術(shù)的使用範(fàn)圍從頸椎評估擴(kuò)大到人體其他部位。

（本文由鈦思科技提供；作者M(jìn)agnús Gíslason於雷克雅未克大學(xué)和NeckCare公司；Thorsteinn Geirsson和Eythor Kristjansson於NeckCare公司）