许多临床医师目前使用来评估颈部损伤的技术仍然有重大缺陷，本文的研究团队透过软硬体整合技术的客观指标，协助将颈部损伤的评估简化及自动化。

接近三分之二的普遍人囗在一生当中至少会遭遇一次颈部疼痛的影响，这提高了医疗保健方面的隐??。这种症状的常见原因，包含挥鞭症候群（whiplash）、头部撞击，或者激烈的工作条件。举例来说，花费许多时间蜷缩在工作岗位的专业人士例如外科医生和牙医经常会出现颈部疼痛：还有穿戴着沉重防护头盔的人，包含运动员、飞行员、消防员，也都可能面临风险。

许多临床医师目前使用来评估颈部损伤的技术仍然具有重大缺陷，因为这些方法仰赖主观的运动范围（range-of-motion）观察，很难衡量损伤的程度或追踪治疗进度。有一些还会包含像是戴在患者头部的雷射笔的劳力密集人工操作，产生主观的结果。

我们团队开发了硬体和软体来透过客观指标，协助将颈部损伤的评估简化及自动化。这项技术研究原本是在雷克雅未克大学（Reykjavik University）进行，而我们的新创公司NeckCare正在进一步将该技术发展为商业产品。作为早期的创业投资，我们加入MathWorks Accelerator Program，以较为优惠的方案来使用MATLAB，并且得到MathWorks工程师的支援来协助检验技术。

这项技术依靠的是一组嵌入惯性量测单元（inertial measurement unit；IMU）的头戴式装置，以及在MATLAB开发的资料分析和机器学习演算法。这套演算法处理来自IMU（图1）的讯号，产生客观、可量化的颈部活动3D指标。透过比较健康受试者的IMU感测器资料和正遭受挥鞭症候群或脑震荡等情况所苦的病人的资料，该演算法可以精准区分出无症状的案例，并且辨识遭受颈部损伤常见原因的案例。

图1 : 颈部活动评估设置（左）与IMU头戴装置（右）。

蝴蝶测试介绍

使用搭配MATLAB的IMU头戴装置，可以执行各种评估，包含人类运动学的三个主要维度：运动范围、本体感觉（感觉身体部位运动和方向的能力）、和神经肌肉控制。通常对於诊断来说，当中的神经肌肉评估最具有价值，但也最难透过现有技术来量化执行。

为了评估一个人的神经肌肉控制能力，我们发明了一套称为「蝴蝶测试（butterfly test）」的专门流程，并取得专利保护。在测试期间，受试者会坐在电脑萤幕前方，戴上IMU头戴装置。这位受试者被要求看着萤幕上的一个圆点，并且追踪圆点三种不同轨迹的移动，从简单到困难（图2）。

图2 : 移动的圆点跟随的路径，用於简单、中等、困难的蝴蝶测试。速度会随着曲度而变化，因此目标在直线部分移动较快，弯曲部分则速度放慢。

测试进行期间，IMU持续地测量受试者跟着移动的圆点时的头部方向变化（图3）。具体来说，它会以每秒60次的频率记录转动、俯仰和偏离的角度，也会记录头部角速度与这些维度的加速度。这些记录下来的资料，会成为在MATLAB里面使用统计和机器学习技巧来处理的资料。

图3 : 受试者在执行蝴蝶测试时追踪移动的圆点。

统计分析与视觉化

在MATLAB开发的软体设计是用来客观量测受试者，在蝴蝶测试中跟随着移动的圆点时，控制他们的头部和颈部的能力。作为第一步，软体会将透过IMU捕捉到的旋转角度投射到与显示器萤幕表面重叠的一个2D平面。利用这样的投射，软体接着可以比对圆点的路径和受试者的追踪路径。透过绘制这些路径重叠部位的图，很容易可以看到无症状受试者和遭受颈部损伤的受试者之间的表现差异（图4）。

图4 : 无症状与患有挥鞭症候群之受试者的蝴蝶测试表现视觉化。

除了产生视觉化图像之外，软体也计算了几种统计指标，可以更妥善地量化无症状受试者与有症状受试者之间的差异。有一项关键的指标是振幅的准确性，或者在整段测时期间内，目标圆点与由受试者控制的游标之间的平均差异。这套软体也计算瞄准时间，也就是游标位於目标上，或靠近目标的时间百分比，这包括下冲（undershoot）与过冲（overshoots）分别是落後或高於目标的时间比例。

最後，该软体会计算运动平滑度，这是一个量化抖动的叁数，该叁数基於主体追?的空间座标的三阶导数的二次和的积分，根据目标追踪的相同量进行归一化。

持续以软体进行的分析结果显示，无症状与挥鞭症候群受试者在几??所有的计算指标都出现统计上的显着差异，p-values通常小於0.001（图5）。

图5 : 无症状（AB）、脑震荡（CC）、和挥鞭症候群（WAD）受试者的振幅准确性图表。

机器学习分类

我们最近一直在探索使用机器学习根据测试结果将受试者分为无症状、挥鞭或脑震荡等类别。使用Statistics and Machine Learning Toolbox内的Classification Learner app，以一个包含了蝴蝶测试的15个变量、各种运动测试的30个变量、头/颈位移测试的28个变量的资料集训练出多种机器学习模型。在使用有限的资料集训练模型以後，发现单纯贝氏模型（naive Bayes model）的效果最好，对於受试者的分类准确率达到或接近100%（图6）。

图6 : Classification Learner app中呈现以所有可用特徵来测试单纯贝氏模型与其他模型的结果比较。

我们也使用Classification Learner app内的特徵排序功能来找出对於分类最重要的特徵（图7）。

图7 : Classification Learner app内的特徵排序。

透过这项功能，我们决定只挑选前面七项特徵来做为分类依据如同使用变异分析或ANOVA的排序这与使用所有的特徵来进行分类具备相同的准确度（图8）。

我们正在将训练资料集扩大，包含数量更多的受试者，也正在开发能够更进一步将受试者依损伤严重程度分类的模型。

图8 : Classification Learner app呈现出以排序前七名的特徵来测试单纯贝氏模型与其他模型的结果比较。

临床应用

我们正积极地将此项技术运用到临床上，帮助物理治疗师更适当地治疗颈部受伤的患者。我们的头戴装置已经在美国食品和药物管理局（U.S. Food and Drug Administration；FDA）注册为I类医疗器材。此外，也持续开发MATLAB演算法来支援越来越多的软体应用程序。此类应用之一是远距医疗和其他居家健康解决方案，患者可以在家中使用技术来从事有益健康的运动。

另一项应用是评估运动员在头部受伤後是否适合叁加竞赛。这项技术还可能提供方法来验证挥鞭症候群患者提出的保险和失能索赔。最後，我们计画将该技术的使用范围从颈椎评估扩大到人体其他部位。

（本文由??思科技提供；作者Magnús Gíslason於雷克雅未克大学和NeckCare公司；Thorsteinn Geirsson和Eythor Kristjansson於NeckCare公司）