許多臨床醫師目前使用來評估頸部損傷的技術仍然有重大缺陷，本文的研究團隊透過軟硬體整合技術的客觀指標，協助將頸部損傷的評估簡化及自動化。

接近三分之二的普遍人口在一生當中至少會遭遇一次頸部疼痛的影響，這提高了醫療保健方面的隱憂。這種症狀的常見原因，包含揮鞭症候群（whiplash）、頭部撞擊，或者激烈的工作條件。舉例來說，花費許多時間蜷縮在工作崗位的專業人士—例如外科醫生和牙醫—經常會出現頸部疼痛：還有穿戴著沉重防護頭盔的人，包含運動員、飛行員、消防員，也都可能面臨風險。

許多臨床醫師目前使用來評估頸部損傷的技術仍然具有重大缺陷，因為這些方法仰賴主觀的運動範圍（range-of-motion）觀察，很難衡量損傷的程度或追蹤治療進度。有一些還會包含像是戴在患者頭部的雷射筆的勞力密集人工操作，產生主觀的結果。

我們團隊開發了硬體和軟體來透過客觀指標，協助將頸部損傷的評估簡化及自動化。這項技術研究原本是在雷克雅未克大學（Reykjavik University）進行，而我們的新創公司NeckCare正在進一步將該技術發展為商業產品。作為早期的創業投資，我們加入MathWorks Accelerator Program，以較為優惠的方案來使用MATLAB，並且得到MathWorks工程師的支援來協助檢驗技術。

這項技術依靠的是一組嵌入慣性量測單元（inertial measurement unit；IMU）的頭戴式裝置，以及在MATLAB開發的資料分析和機器學習演算法。這套演算法處理來自IMU（圖1）的訊號，產生客觀、可量化的頸部活動3D指標。透過比較健康受試者的IMU感測器資料和正遭受揮鞭症候群或腦震盪等情況所苦的病人的資料，該演算法可以精準區分出無症狀的案例，並且辨識遭受頸部損傷常見原因的案例。

圖1 : 頸部活動評估設置（左）與IMU頭戴裝置（右）。

蝴蝶測試介紹

使用搭配MATLAB的IMU頭戴裝置，可以執行各種評估，包含人類運動學的三個主要維度：運動範圍、本體感覺（感覺身體部位運動和方向的能力）、和神經肌肉控制。通常對於診斷來說，當中的神經肌肉評估最具有價值，但也最難透過現有技術來量化執行。

為了評估一個人的神經肌肉控制能力，我們發明了一套稱為「蝴蝶測試（butterfly test）」的專門流程，並取得專利保護。在測試期間，受試者會坐在電腦螢幕前方，戴上IMU頭戴裝置。這位受試者被要求看著螢幕上的一個圓點，並且追蹤圓點三種不同軌跡的移動，從簡單到困難（圖2）。

圖2 : 移動的圓點跟隨的路徑，用於簡單、中等、困難的蝴蝶測試。速度會隨著曲度而變化，因此目標在直線部分移動較快，彎曲部分則速度放慢。

測試進行期間，IMU持續地測量受試者跟著移動的圓點時的頭部方向變化（圖3）。具體來說，它會以每秒60次的頻率記錄轉動、俯仰和偏離的角度，也會記錄頭部角速度與這些維度的加速度。這些記錄下來的資料，會成為在MATLAB裡面使用統計和機器學習技巧來處理的資料。

圖3 : 受試者在執行蝴蝶測試時追蹤移動的圓點。

統計分析與視覺化

在MATLAB開發的軟體設計是用來客觀量測受試者，在蝴蝶測試中跟隨著移動的圓點時，控制他們的頭部和頸部的能力。作為第一步，軟體會將透過IMU捕捉到的旋轉角度投射到與顯示器螢幕表面重疊的一個2D平面。利用這樣的投射，軟體接著可以比對圓點的路徑和受試者的追蹤路徑。透過繪製這些路徑重疊部位的圖，很容易可以看到無症狀受試者和遭受頸部損傷的受試者之間的表現差異（圖4）。

圖4 : 無症狀與患有揮鞭症候群之受試者的蝴蝶測試表現視覺化。

除了產生視覺化圖像之外，軟體也計算了幾種統計指標，可以更妥善地量化無症狀受試者與有症狀受試者之間的差異。有一項關鍵的指標是振幅的準確性，或者在整段測時期間內，目標圓點與由受試者控制的游標之間的平均差異。這套軟體也計算瞄準時間，也就是游標位於目標上，或靠近目標的時間百分比，這包括下衝（undershoot）與過衝（overshoots）—分別是落後或高於目標的時間比例。

最後，該軟體會計算運動平滑度，這是一個量化抖動的參數，該參數基於主體追?的空間座標的三階導數的二次和的積分，根據目標追蹤的相同量進行歸一化。

持續以軟體進行的分析結果顯示，無症狀與揮鞭症候群受試者在幾乎所有的計算指標都出現統計上的顯著差異，p-values通常小於0.001（圖5）。

圖5 : 無症狀（AB）、腦震盪（CC）、和揮鞭症候群（WAD）受試者的振幅準確性圖表。

機器學習分類

我們最近一直在探索使用機器學習根據測試結果將受試者分為無症狀、揮鞭或腦震盪等類別。使用Statistics and Machine Learning Toolbox內的Classification Learner app，以一個包含了蝴蝶測試的15個變量、各種運動測試的30個變量、頭/頸位移測試的28個變量的資料集訓練出多種機器學習模型。在使用有限的資料集訓練模型以後，發現單純貝氏模型（naive Bayes model）的效果最好，對於受試者的分類準確率達到或接近100%（圖6）。

圖6 : Classification Learner app中呈現以所有可用特徵來測試單純貝氏模型與其他模型的結果比較。

我們也使用Classification Learner app內的特徵排序功能來找出對於分類最重要的特徵（圖7）。

圖7 : Classification Learner app內的特徵排序。

透過這項功能，我們決定只挑選前面七項特徵來做為分類依據—如同使用變異分析或ANOVA的排序—這與使用所有的特徵來進行分類具備相同的準確度（圖8）。

我們正在將訓練資料集擴大，包含數量更多的受試者，也正在開發能夠更進一步將受試者依損傷嚴重程度分類的模型。

圖8 : Classification Learner app呈現出以排序前七名的特徵來測試單純貝氏模型與其他模型的結果比較。

臨床應用

我們正積極地將此項技術運用到臨床上，幫助物理治療師更適當地治療頸部受傷的患者。我們的頭戴裝置已經在美國食品和藥物管理局（U.S. Food and Drug Administration；FDA）註冊為I類醫療器材。此外，也持續開發MATLAB演算法來支援越來越多的軟體應用程序。此類應用之一是遠距醫療和其他居家健康解決方案，患者可以在家中使用技術來從事有益健康的運動。

另一項應用是評估運動員在頭部受傷後是否適合參加競賽。這項技術還可能提供方法來驗證揮鞭症候群患者提出的保險和失能索賠。最後，我們計畫將該技術的使用範圍從頸椎評估擴大到人體其他部位。

（本文由鈦思科技提供；作者Magnús Gíslason於雷克雅未克大學和NeckCare公司；Thorsteinn Geirsson和Eythor Kristjansson於NeckCare公司）