新闻网讯 9月20日，国际期刊Advanced Materials刊发机械学院吴豪教授、尹周平教授教授团队，人工智能与自动化学院黄剑教授团队和同济医学院附属协和医院肖喜玲教授团队在柔性电子医工交叉领域的新成果，题为“A full-process, fine-grained, and quantitative rehabilitation assessment platform enabled by on-skin sensors and multi-task gait transformer model(基于表皮传感器和多任务步态Transformer模型的全流程、细粒度、定量的康复评估平台)”，机械学院学院博士生王志新为论文第一作者，人工智能与自动化学院博士生何欣润为共同第一作者，吴豪教授和尹周平教授为通讯作者，人工智能与自动化学院黄剑教授、同济医学院附属协和医院肖喜玲教授为共同通讯作者。

下肢运动障碍患者的康复是一个复杂、漫长、循序渐进的过程，需要全流程康复评估（包括跌倒风险评估、步行能力评估、康复进展评估）来指导康复计划的实施。然而，目前的康复评估策略只能在一个阶段执行单一任务，难以满足全流程康复评估的需求；传统的步行能力评估依赖于医师们观察患者行走过程并根据量表打分，结果的主观性和医护人员的高工作量令人担忧；此外，粗粒度的康复评估结果也难以准确地反馈患者康复过程中的取得的细微进展。因此，迫切需要开发出一种全流程、细粒度、定量的康复评估平台。

为解决上述问题，研究人员提出了一种基于表皮传感器和多任务步态Transformer模型（MG-former model）的全流程、细粒度、定量的康复评估平台。通过材料选择与器件结构设计提升了表皮传感器的输出性能与传感灵敏度，保证了受试者步态信号高质量采集。该康复评估平台基于高性能表皮传感器采集的步态信号结合MG-former model，可以对下肢运动障碍患者进行跌倒风险评估、步行能力评估和康复进展评估，覆盖了整个康复周期，实现了全流程康复评估。

本工作中提出的MG-former model在处理序列数据时可以提供丰富的上下文信息，有利于准确地捕捉步态信号中的局部或全局特征，并自适应地学习不同部位之间的相关性，从而实现对受试者步态信号的深入理解和分析。MG-former model可同时执行二分类、多分类、回归等任务，分别对应跌倒风险评估、步行能力评估、康复进展评估，覆盖了整个康复周期，满足了全流程康复评估的需求，对医生和患者在整个康复过程中实施有效的康复计划具有指导意义。

相关工作得到了国家自然科学基金基础科学中心、原创探索项目、联合基金重点项目以及机械科学与工程学院STAR项目、华中科技大学“未来技术太湖创新基金”的支持。

相关链接：

https://onlinelibrary.wiley.com/doi/full/10.1002/adma.202408478