人工智能与康复自动评估
1.基于人工智能的康复自动评估研究现状
脑卒中上肢运动功能评估包含手臂运动功能评估、手部运动功能评估及上肢运动功能评估三部分。近年来，物联网（Internet of Things，Io Ts）、可穿戴传感器网络（Wearable Sensor Networks，WSN）、机器学习等技术的发展为脑卒中患者的康复精细评估提供了一种新的途径。在上肢运动功能评估方面，已有部分研究基于可穿戴设备获取患者运动数据，使用机器学习方法预测患者功能量表得分。
（1）脑卒中手臂运动功能自动评估。
脑卒中患者存在不同程度的神经系统损伤，导致肌张力升高，引发肢体运动控制障碍，常表现为肢体一侧活动受限或瘫痪。上肢手臂运动功能评估的内容包括活动灵活性与稳定性、肌张力、协调性及运动模式等。目前，评估师通过观察法给出功能障碍的产生原因及严重程度。引入深度视频、IMU、sEMG等传感器设备对评估部位和功能进行客观测量，通过统计分析与机器学习进行自动评估有助于获得客观准确的评估结果。
王跃等通过微型IMU传感器采集脑卒中患者上肢手臂运动过程的加速度数据，通过滤波及特征提取处理后，使用极限学习机（Extreme Learning Machine，ELM）算法进行分类，产生对应于Brunnstrom分期的评估结果，准确度可达92.1%。Liparulo等提出基于几何无约束隶属函数的模糊核分类方法，采集三角肌中束的单通道sEMG信号，提取最大振幅、平均振幅等时域、频域特征输入，对9位不同程度的脑卒中患者进行Brunnstrom分期自动评估，准确率达92.47%。
Brunnstrom分期因具有评分简单、耗时短、易被患者接受等特点在临床中被广泛应用，但同时也具有敏感性差等不足。FMA评估法在Brunnstrom分期的基础上对评估项目与评分规则进行了细化，提高了评估信度和敏感度，但同时也增加了临床应用及科研难度。
Chiang等使用表面肌电电极采集三角肌前束、三角肌中束、肱三头肌长头、肱三头肌外侧头、肱二头肌、背阔肌和肱桡肌的表面肌电信号，引入隐马尔科夫模型提取患者运动状态特征，通过多变量自回归模型对脑卒中患者运动功能障碍进行评分，准确率达90%。Lee等构建脑卒中患者上肢运动功能FMA自动评估系统，使用深度传感器Kinect和力量电阻传感器采集人体关节相对位置信息，根据量表评分要求将33项上肢评估任务分为5种类型，设计二进制逻辑分类算法以预测患者Fugl-Meyer量表分数。实验结果显示，系统能对79%的评估任务进行自动评估，评估时间比传统评估方式减少85%，准确性达92%。
（2）脑卒中手部运动功能自动评估。
随着现代医学的快速发展，康复医学向个性化、精确化、远程化、智能化发展，精准评估是脑卒中康复评估的必然趋势。为弥补传统评估方法的不足，同时方便家庭环境下的康复评估开展，融合传感器技术和机器学习实现运动功能自动评估日益受到重视。已有的手部运动功能自动评估研究主要采用两种方式进行手部运动功能的客观测量：非接触式系统和接触式系统。典型的非接触式系统通过使用基于相机的设备和图像处理技术来捕获手势；接触式系统则常依赖惯性运动测量或者电生理信号测量的传感器，如加速度计、表面肌电等。
Cheryl等利用Kinect传感器提出了一种无标记的手部运动功能测量系统，使用Kinect采集的图像数据，提出了Grip分类算法进行手指关节角度的预测，与实验室的有标记运动捕捉系统进行对比验证，结果表明该无标记测量系统可以达到78%的准确度。Fang等利用便携式红外成像设备同时对手的多个关节角度进行测量，并且提出一种新的手指关节活动角度数据与FMA量表的映射方法，从而实现基于红外成像的FMA定量评估，使用相关系数法（Correlation Coefficient，CC）和百分比残差法（Percentage Residual Difference，PRD）对所提出的测量系统进行了性能评估和基准测试，经过15例脑卒中患者及10位健康人的临床试验，CC值为0.9672，PRD值为8.8%，相关系数较高。
这些非接触式手部运动测量系统不需要用户佩戴任何设备，大多是基于视觉成像的方式对手部运动轨迹进行刻画，但是这样的系统容易受到环境条件的影响，如照明和遮挡。相比之下，基于接触的设计在医疗环境中更为实用。
Yu等提出了一种脑卒中患者的远程定量Fugl-Meyer评估框架，其中使用了2个加速度计和7个柔性传感器来监测上肢、手腕和手指的运动功能，应用Relief算法寻找最优特征子集，建立了基于极值学习机的集成回归模型，将传感器数据映射到临床FMA评分。24例脑卒中住院患者参与了临床设置的实验，其中5例患者出院后参与了家庭设置的实验。临床和家庭环境下的实验结果均表明，所提出的定量FMA模型能够基于可穿戴传感器数据预测FMA评分的判定系数可达0.917。Lin等设计了一种集成六轴惯性测量单元传感器的数据手套系统，用于评估脑卒中患者的手功能，并且根据运动学知识提出了三个数据特征参数，应用K-means对患者进行Brunnstrom分期预测，对15名健康受试者和15名脑卒中患者的临床试验表明，该系统的Brunnstrom分期准确度达70.22%。
（3）脑卒中上肢运动功能自动评估。
上肢功能性活动是多关节参与的活动，上肢关节及手运动的灵巧性及协调性都是上肢功能性活动的重要部分。约70%脑卒中的幸存者遗留不同程度的上肢及手运动功能障碍，如不及时进行有效的治疗，会导致手部肌肉萎缩、手指痉挛，最终遗留严重的后遗症，严重影响患者的运动功能和生活质量。脑卒中患者上肢运动功能有效的恢复干预需要建立在准确的运动功能评估结果的基础上。近年来，随着神经电生理技术、生物力学、康复机器人、微型传感器等新技术广泛应用于临床，对脑卒中上肢运动功能的客观定量评估方法的研究日益增多。
Wang等立足于脑卒中患者家庭环境的康复需求，提出了一种基于支持向量回归（Support Vector Regression，SVR）的评估模型，以自动估计肩肘运动的FMA评分。通过分析在肩肘FMA执行4个任务期间记录的加速度计数据来获得估计值，并且使用了基于Relief F-SVR的组合特征选择方法，以简化计算并提高模型性能。有24名受试者参与验证实验，结果表明，使用提出的模型可以准确估计肩肘FMA评分，并且交叉验证预测误差值为2.1273。Villán-Villán等提出了一种基于阈值规则的FMA新颖客观运动评估方法，可以自动计算FMA量表中14个上肢运动评估项目的客观评分以及FMA全局客观评分，并对估计的客观评分进行解释。结果表明，计算出的总体评分与治疗师的得分有显著相关性（0.783和0.938，P＜0.01），并且每个动作的所有客观评分都与治疗师给出的分数相关，相关系数可以达到0.981（P＜0.01）。
2.基于人工智能的康复自动评估实践
（1）基于时间注意力循环神经网络的手臂运动功能自动评估。
脑卒中患者会伴随不同程度的神经系统损伤，导致肢体运动功能障碍，在上肢常常表现为手臂、肩关节、肘关节、腕关节的活动受限以及联合反应与协同运动异常。因此，脑卒中患者手臂运动功能评估主要对手臂完成简单重复动作过程中的灵活性与稳定性、肌张力、协调性及运动模式等进行评估。目前针对临床量表法存在的主观性缺点，已有部分研究通过可穿戴传感器和传统机器学习分类方法实现自动评估，但采用的数据分析方法根据先验知识提取传感器数据时域、频域静态特征，忽略了数据动态变化及相互间的依赖关系，导致特征提取欠充分并影响评估结果的准确性。本研究拟采用时间注意力循环神经网络模型实现脑卒中患者手臂运动功能自动评估。
1）实现方法：针对现有的运动功能康复评估体系，本研究提出了基于时间注意力循环神经网络的脑卒中患者手臂运动功能自动评估方法，如图6-1所示，主要包含数据准备、数据处理及手臂运动功能Brunnstrom分期三部分。在数据准备阶段，经过对国内外自动评估的研究调研，结合临床和康复患者的需求，首先自行设计惯性测量单元可穿戴传感器，用于采集三轴加速度、三轴角速度及三轴磁强数据。其次根据手臂运动功能评估常用量表的评估要求及临床专家指导设计了摸肩、摸头等简单的康复评估动作，用于最大限度地区别不同程度的患者运动功能障碍。由于传感器在不同环境下容易受到干扰，为了保证数据的质量，需要对采集的原始数据进行误差及过滤等预处理。在数据处理阶段，我们将基于传感器信号的自动评估任务建模为多变量分类任务，提出具有时间注意力的循环神经网络（Time Attention Recurrent Neural Network Model，TARM）模型，通过其序列分类能力，自动提取手臂运动功能状态（强度、频率和幅度等）相关的生理信号特征。最后实现手臂运动功能Brunnstrom分期。
图6-1 脑卒中患者手臂运动功能自动评估总体流程
本研究提出了一种新的深度学习结构——时间注意力循环神经网络模型，用于分析上肢运动过程中的惯性运动传感数据。TARM用于手臂运动功能自动评估的总体流程如图6-2所示。传感器数据和人口统计学信息经过数据预处理后使用TARM进行特征提取，以数据样本的真实评估结果为标签构建评估结果预测模型。
图6-2 TARM用于手臂运动功能自动评估的总体流程
2）数据集：为完成对所提出模型进行脑卒中各个分期患者分类的模型性能验证，需要具有相应的训练及测试数据集，实验的动作在临床专业医生的指导下进行，这些医生均为具有丰富的脑卒中患者康复研究和脑卒中康复治疗经验的康复医生。根据已有研究结果，在检测具有不同程度损伤的患者的肢体活动度差异的测试中，至少需要20位受试者（每组5位）才能达到0.95的统计能力，因此，本次实验共有36位健康人参加[男性20名，女性16名，年龄（23±1.5）岁]。每位受试者进行一次脑卒中患者BrunnstromⅡ～Ⅵ期上肢运动功能障碍的模拟实验，因为Ⅰ期患者无任何运动，故本次实验不予考虑，相当于处于每一期的数据样本数都为36，总共样本数达180。
IMU传感器用于测量肩关节、肘关节附近肢体的加速度、旋转角速度以及运动方向数据，绑定在患者患侧的大臂中部、前臂中部两处（加速度传感器位于上肢的几何中心，前臂上的加速度传感器与肘关节之间的距离为10cm，而上臂的加速度传感器与肱骨外上侧间的距离为8cm）。
以摸肩运动为手臂评估活动，观察受试者上肢的运动能力。正常情况下，一个完整的动作流程包含以下四个步骤。
起始位：受试者舒适地坐于椅子上，坐正，躯干挺直，头正，颈直，双上肢自然下垂于身体两侧（中立位），下肢自然放松屈膝90°。
在矢状面上上举偏瘫侧手臂，举至水平面高度（肩关节前屈90°）。
屈曲肘关节，用手掌触摸对侧肩膀（肘关节屈曲，前臂旋前）。
上肢自然回到起始位（肩关节后伸，肘关节伸直，前臂旋后）。
整个活动需要以可控的速度完成，不能过度摆动，这个运动通常也作为一种康复治疗动作来进行训练。在实验过程中，所有的受试者都必须在没有任何帮助的情况下完成动作，以反映他们真实的身体功能。执行动作需要多个肌肉群的作用。肘关节的伸展和屈曲运动可以显示肘关节的痉挛程度和协同模式，为了顺利完成动作，肌肉力量和关节灵活性也会受到测试。实验正式开始前，研究人员向受试者讲明实验要求并示范关键动作1或2次，受试者练习数次直至熟练，安静休息2分钟后正式采集数据。受试者根据身体情况连续执行不同分期情况下的评估动作，每个动作应在10秒内不间断地完成，每次之间休息2～3秒，过程中惯性测量单元会自动检测动作和采集相应的时空数据。
3）实验结果：将数据集以0.8、0.1、0.1的比例随机分为训练集、验证集和测试集。每种方法对训练集执行100次迭代，并以测试集上表现最佳的迭代参数作为最终结果。图6-3显示了TARM及对比算法进行自动评估的实验结果。
图6-3 实验结果
从图6-3中我们观察到，基于循环神经网络的深度学习模型在所有指标上的性能均优于线性模型。就逻辑回归模型而言，其在5个类别上的平均准确率为27.80%，平均AUROC为0.53，AUPRC为0.35，是所有模型中表现最差的，这与之前将神经网络与时序数据的线性模型进行比较的研究结果一致，深度学习方法比传统学习方法在参数上更复杂，可以自行提取更丰富、更准确的特征。另外，我们可以发现，我们所提出的TARM模型在所有指标上都比对比算法具有更好的性能，准确率为100%，AUROC和AUPRC都达到了最大值1.0。
（2）基于滤波器正则化全卷积神经网络的手部运动功能自动评估。
我国永久性功能障碍分级标准中，手指功能障碍占上肢功能的90%。脑卒中是常见的导致手功能障碍的原因，55%～75%存活的脑卒中患者会遗留肢体功能障碍，其中手功能障碍约占80%。被动和主动的手部康复训练都有利于提高手部力量和灵巧度。然而，手的康复计划应该基于对手功能的准确评估。在现有康复评估体系中，手部运动功能主要通过主观观察评估，而主观观察在很大程度上取决于治疗师的经验。传统方法由于其主观性强，难以满足临床的定量分析要求。此外，在不同的地区和组织中采用不同的临床评估方法，进一步加剧了这一问题。近年来，随着神经电生理技术、微型传感器等新技术广泛应用于临床医疗，对脑卒中患者肢体功能障碍的客观评估成为可能，但其所带来的海量数据分析给临床医生带来了巨大的挑战。因此，采用人工智能等计算机技术进行数据分析得出临床可靠的客观结论以实现康复医学中手和身体功能分析的自动化非常重要。从这样的系统产生的评估结果不仅将为康复训练处方提供精确的信息，而且还将指示其在训练过程中的功效。本研究采用深度卷积神经网络方法对可穿戴传感器数据进行分析，对患者手部运动功能康复的Carroll手部运动功能测试结果进行预测。
1）实现方法：传统的量表法如ARAT、Carroll手部运动功能测试、Jebsen-Taylor手部功能测试用于确定患者手部功能的稳定性、平滑度等详细信息时，需要治疗师进行触觉主观感知，在测量患者手部功能恢复的进展以及评估患者在康复过程中手部运动的质量时面临困难。半导体技术的进步已经使传感器小型化，采用惯性测量单元（IMU）可以实现对手指关节活动范围的测量，然后建立数学几何模型，可用于计算手指关节活动度。在完成抓、捏、握等精细动作时，通过柔性的压力传感器数据，可以对手部肌肉力量进行间接客观测量，使用深度卷积神经网络对时间序列进行编码分类学习，依据临床量表评估规则，实现手部运动功能的客观自动评估。技术路线见图6-4。
图6-4 手部运动功能自动评估技术路线图(https://www.daowen.com)
基于IMU和压力传感器的两种传感器信号可分别从惯性运动和肌力变化两个维度对受试者手部运动功能进行客观反映。本研究构建深度学习模型，将手指惯性运动参数和指尖压力数据相结合进行手部运动功能评估，模型由两个独立的滤波器正则化全卷积神经网络（RFCN）组成。两个子网络的输入分别为同一次评估过程采集的IMU数据和指尖压力数据，每个子网特征输出作为全连接层的输入，得到手部基于Carroll量表的运动功能评分，总体流程见图6-5。
图6-5 基于深度学习的手部运动功能Carroll自动评估总体流程
2）数据集：我们使用了两种类型的可穿戴传感器（加速度计和柔性压力传感器）进行手部运动功能测量。加速度计测量手指关节的活动范围，柔性压力传感器监测手指尖的用力分布情况。加速度计传感器芯片（MPU9250）分辨率随量程（g）增加而降低，该芯片在最小量程±2g时可使测量倾角变化小于1.0°，这就保证其可用于手部小范围运动捕捉。压力传感器精度可达0.11%FS，可以轻松识别手指用力的细微变化。所有传感器的采样频率设置为20Hz，主要是基于以下两个考虑：①每次完成一个任务需要10～15秒，即这些任务的频率小于1 Hz。因此，20Hz就足以捕捉这些运动的特征。②较低的采样频率可以降低传感器的功耗，使可穿戴设备可以持续工作更长时间（约10天，1小时/天），消除过于频繁充电给脑卒中患者带来的困难。实验的动作应在临床康复医生的指导下进行。实验共召集实验室志愿者35名，其中男性19名，女性16名，年龄（23.4±1.6）岁，手部运动功能Carroll评分在39～99分之间。
在实验开始前，受试者需要按照指示佩戴传感器，要注意保证压力传感器位于各个手指的指尖，IMU传感器位于手指关节中间部分，使用医用双面胶带进行固定，保证其不会轻易晃动，更不能给正常手指活动带来影响。
根据在临床中广泛使用的Jebsen-Taylor手部功能测试、Carroll手部运动功能测试等手部功能评估量表，针对手部完成抓、握、捏及翻转等运动功能要求，设计以下几个动作，并测量完成过程中数据手套的加速度、角速度和手指压力。
抓方块物体：受试者需要抓起放在桌面上的大小规格不同的正方体木块并放下（实验使用的三种木块尺寸分别为10cm×10cm×10cm、5cm×5cm×5cm以及2.5cm×2.5cm×2.5cm，重量约570g、75g与10g），以测量手部抓取物体的能力。收集数据手套测量的运动学数据和压力数据。
握圆柱物体：受试者需要握住并提起放在桌面上的大小规格不同的圆柱体木块并放下（实验使用的两种木块直径分别为4cm与2.2cm，重量约500g、125g），以测量受试者手部握住物体的能力、手指肌力与拇指灵活性。收集数据手套测量的运动学数据和压力数据。
翻转卡片：受试者需要将桌面上的卡片反面向上放回桌面。除拇指外的所有手指拉直将卡片从桌子上拿起，弯曲手指将卡片正反面翻转，放回桌面。该动作的目的是测量受试者的手部屈曲能力。
实验正式开始前，研究人员向受试者讲明实验要求并示范关键动作1或2次，受试者练习数次直至熟练并安静休息2分钟后正式采集数据。受试者根据身体情况连续执行上述3个动作并重复5次，每个动作应不间断地完成，每次之间休息2～3秒，过程中传感器会自动检测动作和采集相应的时空数据。
3）实验结果：我们将数据集以5折交叉验证的方式对本研究提出的方法（即对比算法）进行了性能验证，每种方法在训练集设置100次迭代，如果模型在5个Epoch内没有性能提升，则提前结束训练。以验证集上表现最佳的迭代参数作为最终结果，各个模型在测试集上的泛化性能见表6-1。模型Carroll预测值通过临床医生的评分进行评估，评估指标有均方根误差（RMSE）、R-square决定系数（R2）以及校正决定系数（Adjust-R2）。
表6-1 Carroll预测算法性能对比
本研究所提出的方法在三个性能指标上均占有更大的优势，R2达到最好的0.93，比排在第二位的CNN模型提高了0.02，说明所提出的方法用于手部运动功能评分预测具有有效性。另外，我们还可以观察到深度学习方法在本研究的时间序列回归任务上比传统机器学习方法要好上一个层次，R2均大于0.9，但是在训练时间的效率上来看，深度学习方法由于参数更多，层数更深，其训练时间大大增加，是传统机器学习方法的2倍左右。本研究的深度学习模型在迭代100次的情况下需要10分钟以上，而RFCN方法由于添加了去相关滤波器正则化，并且在每个卷积层后都有BN操作，能够去除一部分冗余的滤波器，加快模型的训练过程，相比没有这些操作的CNN而言，加快了2分钟左右，这在临床的实际应用中将是重要的提升，加快响应时间可以提升用户的体验。
为了更直观地展示各个模型在手部运动功能自动评估任务上的表现，我们将在测试集上各个模型的Carroll预测评分和临床医生得到的Carroll评分进行回归分析，绘制了图6-6所示的相关性散点图。每个点的横坐标为临床医生根据量表规则得到的Carroll评分，纵坐标表示算法模型得到的预测值，斜线表示线性相关方程。从图6-6中可以看出，各个模型得到的预测结果与实际结果之间的误差差别明显，本研究所提出的方法实现的预测值与真实值的误差方差更小，点紧密分布在斜线两侧，而其他方法图中点的分布范围更广，表示与真实值的偏差更大。
图6-6 预测评分与临床医生得到的评分的相关性分析
（3）基于分组约束卷积循环神经网络的上肢运动功能自动评估。
上肢运动功能的恢复是患者实现生活自理、重新回归家庭和社会的重要保证，对上肢运动功能的评估包含手臂及手部的上肢分离与协同运动以及眼-脑-上肢的协同运动的灵活性与稳定性评估。对活动过程基于视觉方式进行记录，使用卷积循环神经网络对上肢各个关节和运动轨迹进行捕捉，对各个动作进行识别并分类学习。
1）实现方法：为了解决传统量表评估法存在的问题，已有对脑卒中患者上肢运动功能的自动评估进行了一些研究，然而，仍然存在一些局限性。首先，研究主要使用可穿戴传感器来获取人体运动数据，如广泛使用的加速度计（或惯性测量单元和表面肌电传感器）。但在实际的应用中，佩戴它们需要相当长的时间，而且容易引起患者的不适。其次，我们在之前的研究中发现，由于脑卒中患者的协同性不佳和肌肉挛缩，将传感器固定在患者身体上存在困难，并且有线数据传输方式会给患者活动带来影响，但无线传输容易存在噪声，需要进行细致的预处理工作。此外，已有的研究常常使用机器学习算法（如随机森林、极限器学习机、支持向量机和人工神经网络等）对获得的数据进行临床量表得分预测。之前的研究可以证明，深度学习方法相比传统方法在处理高维复杂的数据方面存在优势。本研究就脑卒中患者上肢运动功能提出了一种可在临床环境中实际应用的自动评估系统，通过对临床常用量表FMA评估项目和评分细则的分析，采用非接触式深度传感器进行上肢动作捕捉，减少传感器佩戴时间和所需的专业知识，再使用所提出的深度学习方法进行上肢骨骼关节点运动特征提取，克服机器学习方法对视频图片分析需要特征工程的困难，最终基于提取的特征预测FMA评分。技术路线见图6-7。
图6-7 脑卒中患者上肢运动功能自动评估技术路线图
本研究使用分组约束卷积循环神经网络（Group-constrained Convolutional Recurrent Neural Network，GCRNN）完成这一任务，GCRNN模型见图6-8。该网络首先包含三个全卷积网络层，用于提取骨骼点位置信息之间的空间特征，再使用最大池层（Max-pooling）保证数据中的小失真和顺序特征不变的情况下降低特征维度，接下来的两层双向门控循环单元（GRU）有助于时间特性的建模，最终通过全连接Lasso回归分析进行FMA评分预测，在全连通层上施加的稀疏组约束（Sparse Group Lasso，SGL）也在一定程度上揭示了数据中的重要区域，达到了与注意力机制类似的效果。
图6-8 GCRNN模型
2）数据集：本实验一共召集健康志愿者15名，其中男性9名，女性6名，年龄（22.6±1.4）岁，每位志愿者随机模拟上肢运动功能FMA评分在30～100分之间，并且能保持坐姿。
受试者自行坐在实验环境下的椅子上，配合实验人员调整好姿态角度以便能更好地采集数据，然后受试者需要在指导下依次重复完成以下上肢评估动作。
肩屈曲：受试者坐在椅子上，尽可能向前抬高偏瘫侧的上肢，保持5秒，最后回到初始位置。
肩外展：受试者坐在椅子上，尽可能侧向外展偏瘫侧的上肢，然后保持5秒，最后回到初始位置。
前臂旋前旋后：受试者坐在椅子上，肩0°、屈肘90°的情况下，前臂旋前旋后。
手指对捏：患侧上肢肩0°、屈肘90°的情况下，尝试使用大拇指触摸小指，然后移回到初始位置。
移动圆柱物体：使用患侧手拿起桌面上一侧的圆柱物体，然后移动至桌面的另一侧放下。
每个评估动作都有一个指导视频，要求受试者在观看视频时尽最大努力（模拟）完成评估动作，同时有两位评估人员负责根据动作的完成情况按照FMA的评估要求和经验进行评分，然后将FMA评分求均值，并作为该受试者的真实FMA评分用于模型训练。每位受试者在实验前会观看动作指导视频，熟悉动作并练习3～5次后再开始实验。实验过程中受试者需要连续完成所有5个动作，中间间隔2～3秒稍作休息，便于后期数据拆分。受试者可以根据自身身体条件重复3～5次。整个实验过程使用摄像机进行记录，测量每个实验过程所需的时间，并分析受试者的动作。
3）实验结果：我们将数据集以5折交叉验证的方式对本研究提出的方法（即对比算法）进行了性能验证，每种方法在训练集上进行100次迭代，并以验证集上表现最佳的迭代参数作为最终结果。模型输出为上肢运动功能FMA评分预测值，通过和临床医生的评分进行相关性分析评价其性能，使用决定系数（R2）、均方根误差（RMSE）以及校正决定系数（Adjust-R2）作为模型性能指标。
我们首先分析了所提出的算法对5个评分任务单独的评分相关性分析结果，以及使用5个任务的数据进行FMA预测的相关性分析结果（图6-9）。我们可以发现任务1、任务2和任务5与FMA的相关性较高，单独使用这些评估任务时可以达到0.88、0.85、0.87的决定系数，由于任务3、任务4只有局部的手部动作，与整体FMA评估项目的相关性较弱，所以与临床医生的FMA评估的一致性只有0.78、0.72。当我们将5个评估任务的骨骼点数据全部输入至模型进行FMA预测时，虽然所取得的决定系数相对于使用单个任务数据作为输入时有所提升，但提升效果不明显，决定系数达到比任务1、任务5结果更低的0.86。
图6-9 单个评估任务数据预测FMA结果
为了实现使用尽可能少的评估任务完成上肢运动功能自动评估，我们在不同任务数量和任务组合的情况下进行预测，以争取发现最合适的评估任务个数和组合。根据图6-9所示的实验结果，我们对部分可能较好的组合进行了对比验证实验，结果见表6-2。
表6-2 评估任务组合对比
由表6-2可以看出，当任务组合为“任务1、任务2、任务3、任务5”时，能够达到最大的决定系数0.89。当任务数量为2时，由于覆盖的FMA评估项目太少，所能提供的上肢运动特征也较少，使得整体的决定系数较低。当评估任务数量为3时，相对于任务数量为2的情况有了较大提升，但是不同的任务组合对实验结果也有影响。由于任务4、任务5都是针对手部的功能评估，包含这两者的任务组合提供的运动功能特征存在重叠。另外，“任务1、任务2、任务5”的任务组合可以提供更多的运动特征，如从肩外展、前屈、抓握能力等多个维度提供运动特征，覆盖更多的FMA评估项目。