利用廣義回歸神經網絡演算法自動化推估中風動作恢復的階段

研究顯示利用以廣義回歸神經網絡(Generalized regression neural network, GRNN)所建構的預測模型可準確的分析中風患者的動作恢復階段,且準確度可高達93.6%。所謂的廣義回歸神經網絡演算是由1991年D.F. Specht所提出來的方法,簡要的來說,它的原理技術是建立在非線性回歸分析的理論基礎上;其結構組成包含四個部分,分別為輸入、模式、加總、輸出,可參考以下圖示。

GRNN

那究竟實際的執行架構和應用情境為何?研究報告指出此自動化分析的系統共有三個結構,分別是病人端、醫療端和網路伺服器。使用的情境是首先病人會配戴加規於上臂中點和手腕關節部位(如下圖),再按照醫療人員的指示進行選定的測試動作,即用患側手碰觸對側的肩膀。在此同時,穿戴型的加速規會即時上傳資料到網路伺服器儲存並分析受試者的動作資料,最後自動化的判斷出中風病人功能恢復的階段。如此,醫療人員便可根據系統判讀的評估結果適時調整訓練處方或了解病人改善的程度。由於應用的概念是從遠距的需求為出發點,因此皆有助於日後在居家和社區上的推廣與實行。

加速規配置示意圖

關於此研究另一個值得探討和借鏡的是資料分析的方法。有5種高階的參數從加速規中被進一步計算取得,其中包括Maximum magnitude of data(AMP)、Root mean square value of data(RMS)、Root mean square value of the derivative of data (JERK)、Mean value of data(MEAN) 和Approximate entropy of data (ApEn)。還有許多其他速度、角度資料也被一併擷取成為GRNN演算模型的訓練資料。

當然,最後實驗的結果非常理想,如一開始在文中所描述到利用GRNN模型所建構的系統在判讀中風動作恢復階段的準確度高達93.6%。這樣的結果也說明了遠距執行評估的可能。未來亦能落實在社區或患者居家環境中,協助醫療人員有效率的掌握病人恢復改善的狀況和據此給予對應的治療計畫選擇。

參考資料

Wang J-P, Liquan G, Sheng T-Y, Xiong D. Automated Brunnstrom Assessment for Home Rehabilitation Based on GRNN Model. ITM Web of Conferences. 2017;12:01021.

發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com 標誌

您的留言將使用 WordPress.com 帳號。 登出 /  變更 )

Google photo

您的留言將使用 Google 帳號。 登出 /  變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 /  變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 /  變更 )

連結到 %s