随着我国老龄化社会的加剧，脑卒中已经成为目前世界上三大致死和致残疾病之一。然而，受我国康复资源紧张、分布不均衡等因素的限制，许多脑卒中患者无法得到完善的康复治疗和指导服务。同时，传统的临床康复评定主要依赖评定量表（如：Brunnstrom六阶段分期法、Fugl-Meyer评定量表和Wolf运动功能测试等），容易受康复医生的主观因素影响且存在“天花板”效应，无法精细、准确地反映脑卒中患者的肢体运动功能。

基于以上问题，中国科学院苏州生物医学工程技术研究所光健康研究中心郭立泉、郁磊等人使用自己开发的远程康复训练与评定系统，以脑卒中患者为研究对象，使用多传感器融合的方法对患者肢体运动功能进行了量化评定。首先利用极限学习机（Extreme Learning Machine, ELM）算法建立7个动作各自的多源传感器信号与Fugl-Meyer量表动作对应得分之间的非线性映射模型；然后再建立综合量化康复评定模型实现7个动作各自得分与Fugl-Meyer量表上肢部分总得分之间的映射模型。在模型学习阶段，共有200组多源传感器数据参与训练；在模型测试阶段，共包含40组多源传感器数据作为测试。实验结果表明，所建立的映射模型具有良好的泛化性能，可以准确地从多传感器信息中预测出脑卒中患者的Fugl-Meyer得分，且二者相关性的决定系数可达0.918。

同时，为了降低映射模型的复杂度，基于集成学习思想和遗传算法对多传感器信息中的高维特征进行降维和筛选，用Jaccard系数作为鲁棒性度量指标。研究结果表明，与传统的特征选择算法相比，本方法具备更好的稳定性，平均Jaccard系数达到了0.926。相关研究成果发表在Computer Methods & Programs in Biomedicine 杂志上。

    文章链接

图1 远程康复训练与评估系统整体框图。该系统主要由三部分组成：脑卒中患者客户端、医生客户端和云服务器 

图2 量化康复评定模型建立流程。主要包含以下几个步骤：信号预处理、特征提取和选择、单个动作的量化康复评定模型建立和综合量化康复评定模型的建立 

图3 经过特征选择后的7个动作量化评估模型和综合量化评估模型的预测结果。可以看出模型达到了较高的预测准确度，综合量化康复评定模型的决定系数可以达到0.918