在运动医学和康复领域，检测肌肉损伤和关节炎症至关重要。早期识别肌肉损伤可防止进一步恶化和长期并发症，并帮助专业人士制定针对性康复计划，缩短恢复时间。对关节炎的及时诊断有助于了解炎症的性质和严重程度，预防不可逆损害。此类检测不仅能减轻患者疼痛、提升生活质量，还能通过精准治疗降低后期医疗费用。

近日，美国佐治亚理工学院Quentin Goossens教授在IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING发表了题为“Active Vibrational Achilles Tendon Sensing for Identifying and Characterizing Inflammatory Symptomatology in Enthesitis Related Arthritis”的文章。本研究探讨了主动振动传感技术作为数字生物标记物的潜力，旨在识别和描述幼年特发性关节炎（JIA），重点关注跟腱及其附着点的反应。研究结果显示，主动振动感应在早期评估炎症反应、纵向症状追踪以及长期远程疾病监测方面具有潜在应用价值。

主动振动感测是一种新颖且紧凑的可穿戴技术，用于评估肌腱健康。它通过振动马达以非侵入性、可控的方式刺激肌腱，振动输出随肌腱的生理和机械特性而变化，并由加速度计捕捉。利用机器学习算法，这些数据可用于预测肌腱健康的数字生物标记。类似于超声波，该技术通过分析振动能量，提取患者解剖结构的临床见解。在工程领域，主动振动感测被用于评估机械结构的完整性，反映出质量、刚度和阻尼等属性。研究表明，在试验中，回归模型使用波形特征，以0.85±0.05的R²值和0.34±0.11 Nm/kg的误差成功预测踝关节力矩。其他研究也表明，通过测量剪切波速度，控制激励能够有效量化肌腱张力，并与肌腱负荷密切相关。每位受试者进行70秒录制，执行五项任务，每项任务持续10秒，由研究团队示范以确保正确执行。任务设计简单，旨在引发多样的肌腱负荷和伸展，以评估肌腱状态的有用信息。

研究团队采用两种方法降低突发和包络波形的维度，以提取关键肌腱状态信息用于机器学习分类。首先，对波形特征应用主成分分析（PCA）降维，并使用二次判别分析（QDA）分类器区分sxERA和asxNERA组。其次，对包络波形实施PCA，使用具有RBF核的支持向量机（SVM）分类器区分sxERA与asxERA组，及线性SVM通过波形主成分进行组分类。这些分类器提供独特决策边界，适应不同子群数据，实现高交叉验证性能。

未来研究应利用成像技术等黄金标准诊断验证关节健康标签，增强数据准确性。此外，优化传感器放置和测量方向，包括研究输入激励参数和使用三轴加速度计可提升研究精度。使用数值模型创建“数字孪生体”可降低优化研究的实验成本。

论文链接：

Active Vibrational Achilles Tendon Sensing for Identifying and Characterizing Inflammatory Symptomatology in Enthesitis Related Arthritis | IEEE Journals & Magazine | IEEE Xplore

注：此研究成果摘自《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》杂志，文章内容并不代表本网站的观点和和立场，仅供参考。