A data-physics hybrid generative model for patient-specific post-stroke motor rehabilitation using wearable sensor data
作者: Yanning Dai, Chenyu Tang, Ruizhi Zhang, Wenyu Yang, Yilan Zhang, Yuhui Wang, Junliang Chen, Xuhang Chen, Ruimou Xie, Yangyue Cao, Qiaoying Li, Jin Cao, Tao Li, Hubin Zhao, Yu Pan, Arokia Nathan, Xin Gao, Peter Smielewski, Shuo Gao
分类: cs.CE, cs.AI
发布日期: 2025-12-16
备注: 26 pages, 6 figures
💡 一句话要点
提出数据-物理混合生成模型，利用可穿戴传感器数据实现卒中后患者的个性化运动康复。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)
关键词: 卒中康复 步态预测 数据-物理混合模型 深度强化学习 可穿戴传感器 个性化康复 运动控制
📋 核心要点
- 现有卒中康复评估主要提供静态损伤评分，无法动态预测患者在斜坡行走或爬楼梯等特定任务中的运动能力。
- 该研究提出一种数据-物理混合生成模型，结合可穿戴传感器数据和物理控制，生成个性化步态模拟，预测患者在不同康复场景下的运动表现。
- 实验结果表明，该模型能有效提高步态模拟的保真度，缩短训练时间，并辅助临床医生制定更有效的康复方案，提升患者康复效果。
📝 摘要（中文）
本研究开发了一种数据-物理混合生成框架，旨在通过单次20米平地行走试验重建卒中幸存者的神经肌肉控制，并预测各种康复场景下的任务条件步态。该系统结合了可穿戴传感器运动学数据、比例-微分物理控制器、健康运动图谱以及目标条件深度强化学习（包含行为克隆和生成对抗模仿学习），从而生成物理上合理且患者特定的斜坡和楼梯步态模拟。在11名卒中幸存者中，个性化控制器在保留个体步态特征的同时，将关节角度和终点保真度分别提高了4.73%和12.10%，并将训练时间缩短至仅为纯物理基线的25.56%。在一项涉及21名住院患者的多中心试验中，使用该步态预测指导任务选择和难度调整的临床医生，在28天的标准康复治疗后，Fugl-Meyer下肢评分的增益高于对照组临床医生（平均变化6.0分 vs 3.7分）。这些发现表明，该生成式任务预测框架可以增强卒中后步态康复中的临床决策，并为动态个性化运动恢复策略提供模板。
🔬 方法详解
问题定义：卒中后患者的运动能力评估是康复治疗的关键，但现有方法主要依赖静态的损伤评分，无法动态预测患者在不同任务（如斜坡行走、爬楼梯）中的运动表现。这导致康复方案缺乏个性化和针对性，影响康复效果。现有方法难以准确模拟患者的步态特征，也无法有效利用患者的运动数据进行预测。
核心思路：本研究的核心思路是将数据驱动的方法（深度学习）与物理模型相结合，构建一个混合生成模型。通过可穿戴传感器获取的患者运动数据，结合物理控制器和健康运动图谱，利用深度强化学习生成个性化的步态模拟。这种混合方法既能保证步态的物理合理性，又能捕捉患者的个体特征，从而实现更准确的运动能力预测。
技术框架：该框架包含以下主要模块：1) 可穿戴传感器数据采集：收集患者在平地行走时的运动学数据。2) 比例-微分(PD)物理控制器：用于模拟基本的步态控制。3) 健康运动图谱：包含健康人群的步态数据，作为先验知识。4) 目标条件深度强化学习：利用行为克隆和生成对抗模仿学习，训练一个能够生成特定任务（如斜坡行走、爬楼梯）步态的控制器。整体流程是：首先利用患者的运动数据初始化PD控制器，然后利用健康运动图谱和深度强化学习对控制器进行优化，最终生成个性化的步态模拟。
关键创新：该研究的关键创新在于数据-物理混合建模方法。传统方法要么完全依赖物理模型，难以捕捉患者的个体特征；要么完全依赖数据驱动的方法，缺乏物理约束，生成的步态可能不合理。本研究将两者结合，既保证了步态的物理合理性，又捕捉了患者的个体特征。此外，利用生成对抗模仿学习，可以更好地学习患者的步态风格，提高步态模拟的真实性。
关键设计：在深度强化学习中，使用了行为克隆和生成对抗模仿学习。行为克隆用于快速初始化策略，生成对抗模仿学习用于学习患者的步态风格。损失函数包括运动学损失、动力学损失和对抗损失。运动学损失用于保证生成的步态与患者的运动数据相似，动力学损失用于保证步态的物理合理性，对抗损失用于提高步态模拟的真实性。网络结构采用Actor-Critic框架，Actor网络用于生成步态动作，Critic网络用于评估步态动作的质量。
📊 实验亮点
在11名卒中幸存者中，个性化控制器在保留个体步态特征的同时，将关节角度和终点保真度分别提高了4.73%和12.10%，并将训练时间缩短至仅为纯物理基线的25.56%。在一项涉及21名住院患者的多中心试验中，使用该步态预测指导任务选择和难度调整的临床医生，在28天的标准康复治疗后，Fugl-Meyer下肢评分的增益高于对照组临床医生（平均变化6.0分 vs 3.7分）。
🎯 应用场景
该研究成果可应用于卒中后患者的个性化康复治疗。通过预测患者在不同任务中的运动能力，临床医生可以制定更具针对性的康复方案，选择合适的任务和难度，从而提高康复效果。此外，该模型还可以用于评估康复方案的效果，为患者提供实时的反馈和指导。该方法也可推广到其他运动障碍疾病的康复治疗中，具有广阔的应用前景。
📄 摘要（原文）
Dynamic prediction of locomotor capacity after stroke is crucial for tailoring rehabilitation, yet current assessments provide only static impairment scores and do not indicate whether patients can safely perform specific tasks such as slope walking or stair climbing. Here, we develop a data-physics hybrid generative framework that reconstructs an individual stroke survivor's neuromuscular control from a single 20 m level-ground walking trial and predicts task-conditioned locomotion across rehabilitation scenarios. The system combines wearable-sensor kinematics, a proportional-derivative physics controller, a population Healthy Motion Atlas, and goal-conditioned deep reinforcement learning with behaviour cloning and generative adversarial imitation learning to generate physically plausible, patient-specific gait simulations for slopes and stairs. In 11 stroke survivors, the personalized controllers preserved idiosyncratic gait patterns while improving joint-angle and endpoint fidelity by 4.73% and 12.10%, respectively, and reducing training time to 25.56% relative to a physics-only baseline. In a multicentre pilot involving 21 inpatients, clinicians who used our locomotion predictions to guide task selection and difficulty obtained larger gains in Fugl-Meyer lower-extremity scores over 28 days of standard rehabilitation than control clinicians (mean change 6.0 versus 3.7 points). These findings indicate that our generative, task-predictive framework can augment clinical decision-making in post-stroke gait rehabilitation and provide a template for dynamically personalized motor recovery strategies.