1. 康复训练评估算法工程导论

康复训练评估算法工程，是一门把“康复医学的评估需求”翻译成“可运行、可验证、可迭代的算法系统”的交叉工程学科。它既不是单纯的机器学习调参，也不是单纯的临床量表整理，而是要在患者、治疗师、传感器、算法模型和报告系统之间建立一条可靠的数据与决策链路。学习这门课，最终要能回答三个问题：评估什么、用什么信号评估、算法结果如何被临床信任。

课程定位：从量表到算法系统

传统康复评估依赖治疗师观察与量表打分，例如 Fugl-Meyer 上肢评定量表（FMA-UE）、Berg 平衡量表（BBS）、改良 Ashworth 量表（MAS）。这些工具信度经过验证，但存在三个工程痛点：评分依赖人工、过程难以复现、连续变化难以量化。算法工程的定位，就是把这些“离散、主观、低频”的评估，扩展为“连续、客观、可追溯”的量化评估，同时保留临床量表的解释框架。

因此本课程不把算法当作孤立模型，而是当作一个完整系统：输入是患者动作与生理信号，中间是特征提取与模型推理，输出是评分、异常标记与趋势曲线，最终要落到治疗师的决策与训练方案调整上。课程覆盖信号处理、特征工程、机器学习与深度学习、评估指标设计、系统集成与临床验证六个层面。

核心问题：评估算法到底难在哪

康复评估算法的核心难点，不是模型不够深，而是标签、信号与临床意义三者难以对齐。具体表现为：

• 标签稀缺且主观：金标准是治疗师评分，同一患者不同治疗师可能相差 3～5 分，模型学到的可能是评分者偏好而非真实功能。
• 信号非平稳、个体差异大：脑卒中患者与帕金森患者的运动模式差异显著，同一模型跨病种迁移往往失效。
• 评估目标多维：关节活动度、肌力、协调性、平衡、步态对称性，各自需要不同信号与指标，不能用一个准确率概括。
• 临床可解释性要求高：治疗师需要知道“为什么扣分”，而不是只得到一个 0.87 的概率值。

这些问题决定了康复评估算法工程必须以“评估任务”为中心，而不是以“模型”为中心。先定义评什么、怎么判、误差允许多少，再决定用什么传感器和算法。

技术栈全景

从数据到临床结论，技术栈可以分成五层。下图给出各层的关键对象与它们之间的数据流关系，便于建立整体工程视角。

这五层不是单向流水线，而是闭环：临床反馈会回到标签定义与特征设计，模型误差分析会反过来要求采集层增加通道或提高采样率。工程化思维的核心，就是始终把“临床可用性”作为约束条件，而不是最后才考虑。

工程化思维：从“能跑”到“可信”

一个康复评估算法从原型到临床，通常要跨过四道门槛，每道门槛都有明确的判断依据：

以 FMA-UE 评分为例，假设我们采集 12 个 IMU 通道、采样率 100Hz，做 10 次“手触对侧膝”动作。预处理阶段按动作起止切分，每个动作提取 18 维特征（关节角范围、角速度峰值、动作时长、轨迹平滑度等）。用 30 名脑卒中患者的数据训练岭回归模型，留一交叉验证得到 MAE 约 3.2 分、ICC 约 0.78。这个结果说明模型具备初步可用性，但还不能直接替代治疗师，需要进一步分析哪些动作误差最大。

本课程的学习路径

后续章节将沿着“评估任务定义 → 信号采集与预处理 → 特征工程 → 模型选择与训练 → 评估指标与验证 → 系统集成与临床落地”展开。每一章都会给出可运行或可复现的示例参数、数据结构与判断标准。学习时建议始终带着一个具体评估任务，例如“用 IMU 评估脑卒中患者上肢 FMA 评分”，把每章方法套用到这个任务上，形成自己的工程闭环。

需要特别强调的是，康复评估算法的输出不是诊断结论，而是辅助治疗师决策的量化证据。算法可以提示“本次动作代偿增加、评分下降 2 分”，但训练方案是否调整、是否需要转诊，仍由临床人员判断。明确这条边界，是工程化思维在伦理与安全层面的底线。