
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于评估中风患者上肢运动功能的静息状态和任务状态功能性近红外光谱(fNIRS)融合评估方法
《Journal of NeuroEngineering and Rehabilitation》:Resting-state and task-state fNIRS fusion assessment method for upper limb motor function in stroke patients
【字体: 大 中 小 】 时间:2026年04月01日 来源:Journal of NeuroEngineering and Rehabilitation 5.2
编辑推荐:
摘要引言中风后的康复策略在很大程度上依赖于准确的运动功能评估。基于量表的评估方法存在固有的局限性,例如评估者间的差异性和较长的评估时间。神经生理生物标志物作为一种更为客观的补充评估工具正在逐渐受到重视。然而,很少有研究将多状态功能性近红外光谱(fNIRS)数据与机器学习结合,用于
中风后的康复策略在很大程度上依赖于准确的运动功能评估。基于量表的评估方法存在固有的局限性,例如评估者间的差异性和较长的评估时间。神经生理生物标志物作为一种更为客观的补充评估工具正在逐渐受到重视。然而,很少有研究将多状态功能性近红外光谱(fNIRS)数据与机器学习结合,用于预测中风患者的Fugl-Meyer评估(FMA)分数。
本研究招募了57名中风患者,在静息状态和握力任务状态下收集了他们的fNIRS信号。采用了一种改进的顺序正向选择算法,从三个领域中选取最优特征:静息状态和任务状态fNIRS的功能连接性(FCs)和图论指标,以及临床特征。随后应用支持向量回归对多领域特征集进行建模,以预测FMA分数。
对于皮质性和皮质下性中风患者,结合静息状态和任务状态fNIRS的融合模型相比单一状态模型显著降低了预测误差。在45%的网络稀疏度下获得了最佳性能 [R2 = 0.8434 (0.6889–0.9311), RMSE = 6.75 (4.26–8.78), MAE = 5.11 (3.17–7.00)],其中皮质性中风的R2值在所有网络稀疏度水平上都超过了0.73。对于皮质下性中风患者,融合模型在35%的网络稀疏度下表现更优 [R2 = 0.7546 (0.5255–0.8728), RMSE = 10.55 (7.51–13.83), MAE = 7.39 (5.35–10.17)]。此外,融合模型的拟合效果优于仅使用临床数据或fNIRS数据集的模型。
我们的研究结果表明,结合静息状态和任务状态fNIRS的融合模型显著提高了中风患者的运动功能评估准确性,优于单一状态或单一数据集模型。
中风后的康复策略在很大程度上依赖于准确的运动功能评估。基于量表的评估方法存在固有的局限性,例如评估者间的差异性和较长的评估时间。神经生理生物标志物作为一种更为客观的补充评估工具正在逐渐受到重视。然而,很少有研究将多状态功能性近红外光谱(fNIRS)数据与机器学习结合,用于预测中风患者的Fugl-Meyer评估(FMA)分数。
本研究招募了57名中风患者,在静息状态和握力任务状态下收集了他们的fNIRS信号。采用了一种改进的顺序正向选择算法,从三个领域中选取最优特征:静息状态和任务状态fNIRS的功能连接性(FCs)和图论指标,以及临床特征。随后应用支持向量回归对多领域特征集进行建模,以预测FMA分数。
对于皮质性和皮质下性中风患者,结合静息状态和任务状态fNIRS的融合模型相比单一状态模型显著降低了预测误差。在45%的网络稀疏度下获得了最佳性能 [R2 = 0.8434 (0.6889–0.9311), RMSE = 6.75 (4.26–8.78), MAE = 5.11 (3.17–7.00)],其中皮质性中风的R2值在所有网络稀疏度水平上都超过了0.73。对于皮质下性中风患者,融合模型在35%的网络稀疏度下表现更优 [R2 = 0.7546 (0.5255–0.8728), RMSE = 10.55 (7.51–13.83), MAE = 7.39 (5.35–10.17)]。此外,融合模型的拟合效果优于仅使用临床数据或fNIRS数据集的模型。
我们的研究结果表明,结合静息状态和任务状态fNIRS的融合模型显著提高了中风患者的运动功能评估准确性,优于单一状态或单一数据集模型。
生物通微信公众号