| 作者： Magnús Gíslason，雷克雅未克大學

近三分之二的普通人一生中至少會受到一次頸部疼痛的影響。頸部疼痛已經成為日益嚴重的健康問題。引起這種疾病的常見原因可能包括頸部扭傷、頭部重擊或在工作時頸部姿勢不良。例如，長時間彎腰駝背工作的專業人士，比如外科醫生和牙醫，經常會出現頸部疼痛。佩戴厚重防護頭盔的人員，包括運動員、噴氣式飛機駕駛員和消防隊員，也可能面臨頸部損傷的風險。

臨床醫生當前用于評估頸部損傷的許多方法都有明顯的缺點，因為這些方法基于有主觀性的運動范圍觀測值，這讓損傷評估或跟蹤治療進程變得困難。有些方法還需要例如將激光指針連接到患者頭部等繁瑣耗時的手動治療程序，生成的還是主觀結果。

我們的團隊開發了硬件和軟件，以幫助簡化和自動化使用客觀指標對頸部損傷的臨床評估。該技術最初由雷克雅未克大學研究，目前已在初創公司 NeckCare 實現商業化。該技術依賴于具有嵌入式慣性測量單元 (IMU) 的頭盔，以及在 MATLAB 中開發的數據分析和機器學習算法。這些算法可處理來自 IMU(圖 1)的信號，并生成頸部運動可量化的客觀三維指標。通過將健康受試者的 IMU 傳感器數據與揮鞭傷或腦震蕩等患者的數據進行比較，它們還可以準確地對無癥狀病例進行分類，并識別那些受到頸部損傷常見病因困擾的人群。

蝴蝶測試介紹

使用 IMU 頭盔以及 MATLAB，我們可以進行各種各樣的評估，涵蓋人體運動學的所有三個主要維度：運動范圍、本體感覺(感知身體部位運動和方向的能力)和神經肌肉控制。其中，神經肌肉評估通常在診斷中最有價值，也最難以使用現有方法來定量執行。

為了評估個人的神經肌肉控制，我們發明了蝴蝶測試這一專用程序，并為其申請了專利保護。在這項測試過程中，受試者會佩戴我們的 IMU 頭盔坐在計算機監視器前。按照指示，受試者需要目視跟蹤監視器上一個點從難到易的三種不同運動軌跡的原則(圖 2)。

圖 2. 在難度為簡單、中等和困難的蝴蝶測試中動點遵循的路徑。速度隨曲率而變化，因此，目標點的移動速度在直線段會加快，而在彎曲處會減慢。

在該測試過程中，當受試者的視線跟隨動點移動時，IMU 會不斷測量頭部方向的變化(圖 3)。具體來說，它每秒會記錄 60 次滾動、俯仰和偏轉角，以及頭部在這些維度的角速度和加速度。我們在 MATLAB 中使用統計方法和機器學習方法處理的就是這些記錄的數據。

統計分析和可視化

我們基于 MATLAB 開發了軟件，用于客觀分析和測量受試者，在蝴蝶測試中跟隨移動點時控制頭部和頸部的能力。首先，該軟件將 IMU 捕獲的旋轉角，投影到的二維平面上(即監視器屏幕表面)。使用這種投影，它隨后可將該動點的路徑與受試者的跟蹤行為生成的路徑進行比較。通過繪制這些路徑的疊加圖，很容易就能看出無癥狀受試者和頸部受傷受試者的表現差異(圖 4)。

圖 4. 無癥狀和頸部扭傷受試者在蝴蝶測試中表現的可視化。

除了生成可視化，該軟件還可計算若干個統計指標，以更好地量化無癥狀和有癥狀受試者之間的差異。其中一個關鍵指標是幅度準確度，即整個測試期間目標點和受試者控制的光標之間的平均差值。此外，該軟件還可計算目標追隨時間，即光標位于目標點上或目標點附近的時間百分比。其中包括滯后和超前，分別是指滯后或領先于目標點的時間比例。最后，該軟件可計算運動的平滑度參數。該參數基于受試者軌跡空間坐標的三階導數平方和的積分來量化抖動程度。在計算中，受試者軌跡空間坐標根據目標點軌跡空間坐標進行了歸一化。

使用該軟件進行的分析一致顯示，對于幾乎所有的計算指標，無癥狀受試者與揮鞭傷受試者之間都存在顯著的統計學差異。通常，p 值小于 0.001(圖 5)。

圖 5. 無癥狀 (AB)、腦震蕩 (CC) 和揮鞭傷 (WAD) 受試者的幅度準確度圖。

機器學習分類

最近，我們一直在探索如何使用機器學習根據測試結果將受試者分為無癥狀、揮鞭傷或腦震蕩類別。使用 Statistics and Machine Learning Toolbox 中的分類學習器，我們根據特定的數據集訓練了各種機器學習模型。該數據集包含 15 個來自蝴蝶測試的變量、30 個來自運動范圍測試的變量，以及 28 個來自頭部/頸部復位測試的變量。在使用有限數據集訓練了模型后，我們發現，樸素貝葉斯模型表現最佳，它對受試者的分類準確度高達或接近 100%(圖 6)。

圖 6. 分類學習器顯示樸素貝葉斯模型與使用所有可用特征進行測試的其他模型的比較。

我們還使用了分類學習器的特征排名功能確定對分類最重要的特征(圖 7)。利用此功能，我們發現僅基于前七個特征(使用方差分析 (ANOVA) 進行排序)的分類與基于所有特征的分類精度相同(圖 8)。目前，我們正在擴展訓練數據以包括更多受試者，同時還在開發各種模型，以根據受試者受傷的嚴重程度對他們進一步分類。

圖 7. 分類學習器中的特征排序。

圖 8. 分類學習器顯示樸素貝葉斯模型與其他模型使用排名前七的特征進行測試的比較。

臨床應用

我們正在積極致力于將此技術投入臨床應用，以便于醫生能夠更好地治療有頸部損傷的患者。該頭盔目前已在美國食品藥品管理局注冊為 I 類醫療器械。此外，我們將繼續開發 MATLAB 算法，以支持越來越多的軟件應用程序。其中一個應用涉及遠程醫療和其他家庭保健解決方案。患者可以通過此類解決方案在家里使用我們的技術進行治療性鍛煉。另一個應用將用于評估運動員在頭部受傷后是否仍適合參加比賽。該技術可能還用于驗證頸部扭傷患者提出的保險和殘疾索賠是否恰當。最后，我們計劃擴大技術的應用范圍，使其不僅用于評估頸椎，而且還用于評估人體的其他部位。