人工智能在支持基础两点与三点抓握鉴别诊断工具中的应用

《Applied Sciences》:Artificial Intelligence in Support of Differentiating Diagnostic Tools for Basic Two-Point and Three-Point Grips

【字体: 大 中 小 】 时间:2026年09月27日 来源:Applied Sciences 2.5

编辑推荐:

  本文展示了人工智能(AI)方法在鉴别和改进用于评估基础手部抓握(包括两点抓握和三点抓握)的诊断工具中的应用。特别强调了使用机器学习(ML)算法分析多维数据集,以及对手部功能参数进行自动分类的方法。AI技术的应用使得特征性运动模式的识别、测量结果的精确解释以及诊

  
本文展示了人工智能(AI)方法在鉴别和改进用于评估基础手部抓握(包括两点抓握和三点抓握)的诊断工具中的应用。特别强调了使用机器学习(ML)算法分析多维数据集,以及对手部功能参数进行自动分类的方法。AI技术的应用使得特征性运动模式的识别、测量结果的精确解释以及诊断决策支持成为可能。所开发的方法有助于提高手部灵巧性评估的客观性、可重复性和有效性,为现代功能诊断和康复提供重要支持,尤其是在中风幸存者和老年人中,这些参数可作为重要的诊断标志物。
手功能评估是神经康复、老年康复和运动诊断的关键环节,抓握能力直接影响个体的独立性、职业表现和生活质量。两点抓握和三点抓握作为操作与精细处理的基本功能模式,在临床诊断中具有重要地位。然而,当前诊断方法存在术语体系不统一、评分主观性强、抓握分类和测量程序标准化不足等问题,文献中描述相似抓握模式的术语如捏、剪刀、三脚架、指尖抓握等存在重叠,增加了临床与科研沟通的难度。此外,物体尺寸的选择很少标准化,且需兼顾个体手部尺寸,现有方法普遍忽视人体测量学特征,导致评估结果的可比性受限。近期人工智能(AI)的进展为克服上述瓶颈提供了新契机,但已有研究在AI区分基本抓握类型方面应用有限,缺乏大规模数据集和个性化诊断模型。为此,本研究旨在提出一种将AI分析与标准化抓握分类、个性化人体测量参数整合的框架,以提升手功能评估的准确性和可重复性。

研究人员开发了一个用于区分两点与三点抓握的智能诊断框架。在构建过程中,研究人员整合了四个Kaggle数据集,并保留了包含30名无神经损伤老年人和30名中风患者的60人临床队列作为独立参考人群。所有受试者接受了标准化的手抓握评估,测量内容包括最大握力、捏力分布、运动轨迹、执行时间、抓握稳定性和操作准确性。数据经特征协调、单位归一化和一致性检查后,按70%和30%划分为训练集和验证集。研究人员采用支持向量机(SVM)、随机森林、XGBoost、ResNet-50及EfficientNet-B0五种算法进行监督分类,以比较经典机器学习与深度学习(DL)模型的效能。分类任务定义为区分两点与三点抓握的二元分类,采用参与者级分层五折交叉验证防止数据泄漏,并引入留一受试者交叉验证作为敏感性分析。

关键技术方法包括:数据融合与预处理(将四个不同来源的Kaggle数据集进行特征协调与尺度标准化);机器学习分类器(SVM、随机森林、XGBoost、ResNet-50、EfficientNet-B0);参与者级五折交叉验证(确保同一受试者数据不跨训练和验证集);可解释AI(XAI)分析(用于识别影响抓握分类的关键预测变量);以及AI聚类分析(用于区分不同的功能表型)。基于AI结果,研究人员进一步规划了原型诊断系统的开发路径。

在结果部分,研究人员报告了以下主要发现。模型评估方面,EfficientNet-B0取得最高总体分类准确率(94.2±1.3%),其次为ResNet-50(93.1±1.5%)、XGBoost(91.6±1.7%)、随机森林(89.8±2.1%)和SVM(88.4±2.4%),表明深度学习模型在区分两点与三点抓握方面优于传统机器学习方法。可解释性分析方面,XAI识别出五个最具影响力的预测变量:手指压力分布(28.4%)、拇指对掌角度(21.7%)、物体直径与手部尺寸之比(18.9%)、握力曲线(16.5%)和运动时间(14.5%),这些变量总贡献达模型预测重要性的绝大部分,符合精细抓握的生物力学原理。一致性验证方面,EfficientNet-B0模型与专家临床评估的Cohen's κ为0.89,达几乎完全一致水平,显著优于手动分类的κ=0.71(p<0.001)。功能表型聚类方面,AI聚类分析识别出中风后患者的三种功能表型:保留精细抓握但力量生成减少;手指协调受损并伴代偿性腕部策略;以及严重抓握功能障碍,表现为力量下降、启动延迟和压力分布异常。机器人集成方面,将AI诊断模型与原型手部外骨骼整合后,可实现训练参数的实时自适应调整,初步测试显示训练个性化程度和患者依从性较固定康复方案有所提高。

在讨论部分,研究人员从多个维度对研究意义进行了系统阐述。在局限性方面,研究指出临床验证队列仅60人且属历史性数据,限制了直接临床应用的结论强度,后续需更大规模、前瞻性、多中心研究。在RAT与手部外骨骼方面,研究人员认为这些工具可为老年中风患者提供重复、密集且任务特异性的训练,AI的引入可进一步优化机器人辅助参数。在人工智能数字孪生(DT)方面,基于AI的手抓握数字孪生可整合多模态数据,通过持续反馈实现康复过程的个性化预测和自适应干预。在未来研究方向方面,研究提出应发展智能环境中的精确诊断工具,整合握力、运动学、肌电、神经影像等多元信息,并注重可解释AI和绿色AI原则。此外,研究人员还分析了技术落实、经济效益、社会公平、伦理法律及可持续性等广泛影响,指出AI诊断工具需在隐私保护、算法透明、法规监管和电子废物管理等方面加以完善。

研究结论可归纳为:AI在提高区分基本手抓握(特别是两点与三点抓握模式)诊断工具的准确性、客观性和个性化方面展现出重要前景。将机器学习、多维数据分析与人体测量参数相整合,能够克服当前术语不一致、评估主观和物体选择标准化不足等局限。统一的基本手抓握分类系统与AI分析框架相结合,可为中风患者、老年人和健康个体提供更可靠的手功能评估基础。未来AI模型应纳入手部尺寸、抓握生物力学、运动特征和临床结局,以建立个性化诊断标准和优化康复策略。将AI辅助工具与RAT、手部外骨骼、电子健康平台和数字孪生体系整合,有望实现持续监测和适应性干预规划。进一步的多中心研究和临床验证仍是将这些概念转化为实际临床诊断方案的必要条件,从而最终改善患者的功能恢复、独立性和生活质量。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号