康复始于评价，止于评价。评价自始至终贯穿于脑卒中患者的康复周期，对于患者的手部康复至关重要。然而现阶段的手部运动功能评价仍然存在着许多不足和局限性：缺少对患者手部运动数据的深度挖掘，手部运动功能评价精度较差；手部运动功能评价依赖于治疗师的观测，主观性强；缺少对患者手部运动功能的定量评价；量表存在“天花板效应”，对于手功能较好的患者无法区分其康复等级的差异。针对上述问题，本文围绕脑卒中患者的手部运动功能智能化定量评价开展了研究，论文的主要研究内容和创新点如下：
1. 提出了一种基于经验模态分解融合集成长短期记忆神经网络的患者数据增广方法(EMD-ILSTM)，并开展了临床实验验证。首先，利用经验模态分解方法，将1 维运动信号分解为多维信号矩阵，并利用LSTM 网络对整体的多维信号矩阵进行训练和增广。之后，在手部运动公开数据集Ninaweb 中进行分类测试，测试结果表明，在分类任务中使用增广数据可以提高5.2% 的分类准确率。此外，在中国康复研究中心附属北京博爱医院进行了临床测试。通过对患者的手部运动数据降维处理，验证了降维后的增广数据与原始数据的类内距离更小，类间距离更大，证明了数据增广的有效性。
2. 提出了一种基于集成学习的手部运动功能半定量评价方法，并开展了临床实验验证。首先，为了确定临床实验范式，提出一种基于LSTM 神经网络的手部运动学分析方法，利用层次聚类将公开数据集中的20 种手部运动分为4 类，并确定了5 个聚类中心动作。其次，设计了基于Leap Motion 传感器的手部运动数据采集系统，并基于该系统开展了临床实验，采集了50 名脑卒中患者的手部运动数据。最后，利用基于子空间的集成学习方法对患者进行分类，并与三种传统分类方法(加权K 最近邻、决策树、支持向量机) 进行了对比。同时，利用Wilcoxon 符号秩次检验、Kappa 检验两种非参数统计指标对该评价方法的有效性进行了验证。
3. 提出了一种基于高斯混合模型的手部运动功能定量评价方法，并开展了临床实验验证。首先，根据多种手部运动功能评价量表和多位治疗师的临床经验，设计了手部运动功能评价范式和基于数据手套和肌电手环的多模态数据采集系统。其次，基于该系统开展了临床实验。采集了35 名患者受试者和35 名健康受试者的手部运动数据和表面肌电信号(sEMG) 数据，并建立了脑卒中患者数据集和健康人对照组数据集。然后提取了11 种手部运动特征值，并进行特征组合。最后，完成了基于高斯混合模型的脑卒中患者的手部运动功能定量评价，并利用斯皮尔曼系数验证了该评价方法的有效性。
4. 提出了一种基于手部运动功能评价图网络(HAGCN) 的多模态手部运动精细评价框架，并开展了临床实验验证。首先，提出了HAGCN 网络结构，不仅在空间域对手部的关节点进行空间结构方面的架构和注意力机制的分析，并且在时间域上设计了卷积计算算法。其次，利用LSTM 神经网络处理表面肌电信号数据，自动提取表面肌电信号特征。然后，提出加权融合评价方法，并利用该框架进行手部运动功能评价。最后，开展临床实验，利用斯皮尔曼系数验证了该评价框架的有效性。该框架不仅可以完成手部运动功能的精细评价，同时可以避免一些传统量表的“天花板效应”。
关键词：手部运动功能定量评价，运动学分析，数据增广，高斯混合模型，图卷积网络