原始论文
摘要
背景:脊髓型颈椎病(CM)会引起手部笨拙等多种症状,通常需要手术治疗。CM的筛查和早期诊断很重要,因为一些患者没有意识到他们的早期症状,只有在病情变得严重后才咨询外科医生。10秒手握和释放测试通常用于检查CM的存在。这项测试很简单,但如果它能客观地评估CM特有的运动变化,则对筛查更有用。之前的一项研究使用Leap Motion(一种非接触式传感器)分析了10秒握握和释放测试中的手指运动,并开发了一种系统,可以使用机器学习以高灵敏度和特异性诊断CM。然而,之前的研究存在局限性,该系统记录的参数很少,无法将CM与其他手部疾病区分开来。
摘要目的:本研究旨在开发一种具有更高敏感性和特异性的CM诊断系统,并将CM与常见的手部疾病腕管综合征(carpal tunnel syndrome, CTS)区分开来。然后,我们用改进的Leap Motion来验证该系统,该系统可以记录每根手指的关节。
方法:总共有31、27和29名参与者分别被招募到CM组、CTS组和对照组。我们使用Leap Motion开发了一个系统,记录了参与者在尽可能快地抓住和释放手指时的229个手指运动参数。采用支持向量机进行机器学习,建立二元分类模型,计算敏感性、特异性和曲线下面积(AUC)。我们开发了两个模型,一个用于诊断CM和对照组之间的CM (CM/控制模型),另一个用于诊断CM和非CM组之间的CM (CM/非CM模型)。
结果:CM/对照模型指标:敏感性74.2%,特异性89.7%,AUC 0.82。CM/非CM模型指标敏感性71%,特异性72.87%,AUC 0.74。
结论:我们开发了一种能够诊断CM的筛查系统,具有更高的敏感性和特异性。该系统可以区分CM患者与CTS患者以及健康患者,并有可能在各种患者中筛查CM。
doi: 10.2196/41327
关键字
简介
脊髓型颈椎病(CM)发生于脊髓型颈椎病、后纵韧带骨化或颈椎间盘突出的患者[
- ].CM会引起手部笨拙、四肢和躯干麻木以及步态障碍等症状,通常需要手术。病程越长,病情越严重,术后效果越差[ - ].然而,一些CM患者并不知道他们的早期症状,只有在病情严重后才去看脊柱外科医生[ ].因此,CM的筛查和早期诊断对于监测症状和确定最佳手术时间很重要[ ].手笨是CM的一个特征和重要症状,称为手脊髓病[
].10秒手握和释放(10秒)测试通常用于检查是否存在脊髓病手[ , ].在10秒测试中,患者反复以尽可能快的速度握紧和松开手,持续10秒;如果重复次数少于20次,则怀疑是脊髓病手。10秒测试很简单,但如果它不仅能客观地评估重复次数,还能客观地评估脊髓病手的运动变化,那么它对筛查更有用。如今,最新的使用虚拟现实技术的商业传感器和设备已经开发出来,并被应用于医疗领域[
].一些研究报告称,使用智能手机和手写笔来分析手部运动并诊断疾病[ - ].在颈椎领域,已经有使用虚拟现实进行诊断、手术和康复的报道[ - ].还进行了几项研究,利用传感器分析脊髓病手的运动[ - ].这些研究大多使用可穿戴传感器,如运动捕捉系统、应变传感器、陀螺传感器和弯曲传感器,这些传感器都很复杂。为了更简单的测试,我们在之前的研究中使用Leap Motion (Leap Motion)分析了10秒测试中的手和手指运动[
].Leap Motion是非接触式传感器,由红外摄像机和led组成,可以实时捕捉手和手指的运动。 , ].此外,我们将机器学习算法应用于获得的数据,创建了一个二元分类模型,对CM进行分类,灵敏度为84%,特异性为60.7%,曲线下面积(AUC)为0.85。然而,由于系统的局限性,只能记录指尖的运动,而不能记录所有的关节运动。此外,由于只比较了CM患者和健康参与者,因此尚不清楚我们的模型是否能将CM与其他手部疾病(如腕管综合征(CTS))区分开来。为了解决这些问题,我们对系统进行了改进,使Leap Motion也可以记录每根手指的关节,旨在开发一个能够诊断CM的系统,具有更高的灵敏度和特异性。此外,我们还纳入了患有CTS(一种常见的手部疾病)的患者,以验证是否有可能将CM与CTS区分开来。
方法
伦理批准
本研究获得了东京医科和牙科大学机构审查委员会(M2019-047)的批准。所有参与者均提供书面知情同意书。
招聘
我们在2020年2月至2021年7月期间纳入了术前CM患者(CM组)、术前CTS患者(CTS组)和志愿者(对照组)。经验丰富的脊柱外科医生根据症状、身体和神经系统的表现以及磁共振成像(MRI)或计算机断层扫描脊髓图诊断CM。经验丰富的手外科医生根据症状、生理检查(如Tinel征和Phalen试验)和神经传导研究(NCSs)(由Neuropack X1 (Nihon Kohden)测量)诊断CTS。志愿者是从接受过全髋关节置换术的患者中招募的。
在所有组中,有其他上肢疾病、损伤或手术史的参与者;中风、脑瘤、创伤性脑损伤等神经系统疾病患者;患有风湿性关节炎等炎症性疾病的;患有痴呆症或精神疾病的人;而那些拒绝参与的人则被排除在外。此外,脊柱外科医生还检查了CTS和对照组的参与者,并从CTS和对照组中排除了那些有CM症状或身体检查结果的参与者。同样,手外科医生检查了CM组和对照组的参与者,并从CM组和对照组中排除了那些有提示CTS症状或身体检查结果的参与者。
CM组记录CM的原发疾病。术前t2加权MRI矢状面和轴向图像记录脊髓最大受压水平。在CTS组,Bland分类记录为基于ncs的严重程度[
].最后将CTS组和对照组合并为非cm组。跳跃运动测量
在测量之前,向参与者提供了程序和简短的演示。测量与跳跃运动的协议是基于以前的研究和执行如下:参与者坐在面前跳跃运动放置在笔记本电脑前和USB连接,延长了肘部的测量,放置10厘米以上手跳跃运动伏身位置,抓住和手指尽可能迅速和完全释放20倍后看到迹象开始考试(
) [ ].在测量过程中,我们通过实时观察屏幕上显示的3D手部模型,确认系统能够正确捕捉参与者的手部动作。所有参与者都完成了两次手部测量。共229个参数,列于 ,被测量为波形数据(每秒60帧)。参数 | n值, | 总数(N=229), N |
伸出手指(n) | 1 | 1 |
手掌位置 | 三维一个 | 3. |
手掌方向 | 三维 | 3. |
手腕伸展角 | 1 | 1 |
手腕位置 | 三维 | 3. |
前臂方向 | 三维 | 3. |
指尖速度 | 5个手指 | 5 |
指尖位置 | 5个手指× 3个维度 | 15 |
指尖方向 | 5个手指× 3个维度 | 15 |
骨远端的位置 | 5根手指× 4根骨头b× 3维 | 60 |
骨中心的位置 | 5根手指× 4根骨头× 3个维度 | 60 |
骨骼方向 | 5根手指× 4根骨头× 3个维度 | 60 |
一个维度由x, y, z坐标组成。
b骨骼由远端指骨、中端指骨、近端指骨和掌骨组成。为方便起见,我们假设拇指的骨骼包括远端指骨、近端指骨、掌骨和腕骨。
统计分析
参与者特征
使用Student评估参与者的特征t年龄检验,性别和测量手的一侧卡方检验,以及手优势的Fisher精确检验。一个P值<。05was considered statistically significant.
二元分类模型
我们的目标是创建两个模型,一个用于诊断CM和对照组之间的CM (CM/控制模型),另一个用于诊断CM和非CM组之间的CM (CM/非CM模型)。
在应用机器学习之前,对数据进行预处理。首先,每个波形数据被分成15段,每段64帧,同时允许重叠,因为每个参与者使用不同的帧来执行20次握紧和释放。这些片段(64帧)线性去趋势,并乘以汉宁窗口函数[
].利用快速傅里叶变换将处理后的片段转换为频域数据。子波形(64帧)转换为频域数据,只选择较低的16个频率。最后,每次试验获得54,960维数据集(229个参数× 16个频域数据× 15段)。将每只手两次试验的数据结合起来,用于创建CM/对照模型。另外,由于CTS只能发生在一只手上,因此只将来自一只手上的两个试验(右手或左手)的数据合并并用于创建CM/非CM模型。采用支持向量机(SVM)建立二元分类模型[
].支持向量机是一种常用的用于分类的机器学习算法,在以往的研究中表现良好。学习阶段结束后,SVM给出CM的预测标签,并给出概率分数。我们设置了一个阈值,并创建了一个二元分类模型来分类一个数据集是否为CM。CM组和对照组的数据用于CM/对照组模型,所有组的数据用于CM/非CM模型。验证阶段进行10倍交叉验证[ ].通过调整阈值和计算AUC,我们生成了受试者工作特征(ROC)曲线。ROC曲线上最接近图左上角的点被设置为最佳截断值。此外,为了研究手的哪些部位有助于CM的诊断,我们还使用仅来自20块骨骼中的一块的数据生成了修改的CM/控制模型,然后类似地计算AUC。
结果
受试者特征比较
共有31名参与者(62只手)、27名参与者(38只手)和29名参与者(58只手)分别被招募到CM组、CTS组和对照组。患者的人口统计和特征总结在
.两组之间在年龄、性别或手优势方面没有显著差异。特征 | Non-CM一个 | 厘米 | P价值 | ||||||||||
控制 | CTSb | 厘米/控制 | 厘米/ non-CM | ||||||||||
参与者,n | 29 | 25 | 31 | N/Ac | N/A | ||||||||
年龄(年),平均值(SD) | 63.6 (52.1 - -75.0) | 62.0 (49.2 - -74.7) | 67.0 (57.0 - -77.0) | 23) | 厚 | ||||||||
性别(男性),n | 12 | 5 | 16 | .59 | 厚 | ||||||||
手优势(右),n | 29 | 25 | 30. | >。 | 36 | ||||||||
手,n | 58 | 34 | 62 | N/A | N/A | ||||||||
侧(右)n | 29 | 20. | 31 | >。 | 点 | ||||||||
平淡分类,n | N/A | N/A | N/A | N/A | |||||||||
1级 | 3. | ||||||||||||
2级 | 0 | ||||||||||||
三年级 | 17 | ||||||||||||
4级 | 0 | ||||||||||||
五年级 | 14 | ||||||||||||
6年级 | 4 | ||||||||||||
原发疾病n | N/A | N/A | N/A | N/A | |||||||||
CSMd | 13 | ||||||||||||
OPLLe | 16 | ||||||||||||
鼎晖f | 2 | ||||||||||||
最大压缩水平,n | N/A | N/A | N/A | N/A | |||||||||
C1/2 | 1 | ||||||||||||
C2/3 | 0 | ||||||||||||
C3/4 | 12 | ||||||||||||
C4/5 | 8 | ||||||||||||
C5/6 | 9 | ||||||||||||
C6/7 | 1 |
一个脊髓型颈椎病。
b腕管综合征。
cN/A:不适用。
dCSM:脊髓型颈椎病。
e后纵韧带骨化。
fCDH:颈椎间盘突出。
二元分类模型
二元分类模型的指标列于
.对照和CM/非CM模型的ROC曲线如图所示 .以各骨参数为限的模型AUC列于
.使用拇指近端指骨参数的模型的AUC最高(0.86)。灵敏度(%) | 特异性(%) | AUC一个 | ||
厘米b/控制模型 | 74.2 | 89.7 | 0.82 | |
厘米/ non-CM模型 | ||||
总计 | 71.0 | 72.8 | 0.74 | |
右手 | 71.0 | 75.5 | 0.77 | |
左手 | 74.2 | 79.1 | 0.76 |
一个AUC:曲线下面积。
b脊髓型颈椎病。
拇指一个 | 食指 | 中指 | 无名指 | 小指 | |
远端方阵 | 0.83 | 0.82 | 0.80 | 0.78 | 0.78 |
中间方阵 | 0.86 | 0.83 | 0.81 | 0.80 | 0.79 |
近节指骨 | 0.84 | 0.82 | 0.84 | 0.83 | 0.83 |
掌 | 0.82 | 0.82 | 0.83 | 0.83 | 0.82 |
一个只有在拇指中,中指骨是指近端指骨,近端指骨是指掌骨,掌骨是指腕骨。
讨论
主要结果
我们建立了一种具有高敏感性和特异性的CM分类模型。然而,尽管增加了参数,本研究中CM/对照模型的诊断性能并没有得到较大的改善(敏感性为74.2%,特异性为89.7%,AUC为0.82),与之前的研究相比(敏感性为84%,特异性为60.7%,AUC为0.85)[
].只增加参数的数量就会提高诊断性能;因此,有必要增加样本的数量。尽管如此,本研究中的分类模型作为一种筛查方法仍然是有效的,因为它与经典测试相比具有足够高的诊断性能。例如,10-s试验的敏感性为61%-74%,特异性为52%-66%,AUC为0.71-0.77 [ , , ];手指逃脱标志的灵敏度为48%-55% [ , ];深肌腱反射改变的敏感性为15% ~ 56%,特异性为96% ~ 98% [ - ].在之前的另一项研究中,脊髓病手的分析和诊断是通过佩戴带有传感器的手套进行的,敏感性为87%,特异性为86%,AUC为0.93 [ ].虽然本研究的结果不如以往的研究,但我们的方法的优势在于,使用非接触式传感器更容易检测许多患者,适合于筛查。在限定各骨参数的模型中,使用拇指近端指骨参数的模型的AUC最高。此外,总体而言,使用拇指骨骼参数的模型具有较高的auc。这一结果与手指逃脱征相反,后者表明尺指在CM中更容易受到影响[
].造成这种差异的原因可能是由于这种方法中传感器的位置。因为Leap Motion从掌侧捕捉手部动作,所以在抓握和释放动作时,除了拇指之外的其他手指骨骼会暂时被其他骨骼所隐藏,偶尔也不会被准确捕捉到。另外,拇指移动总是由Leap Motion跟踪。此外,另一项研究报告称,CM患者在用拇指和食指捏捏动作时表现出特定的变化[ ].这一结果意味着,在CM患者中,不仅尺侧手指运动显著改变,桡侧手指运动也显著改变。这些因素将有助于使用拇指近端指骨参数的模型的较高auc。在本研究中,我们试图与之前的研究一样,不仅将CM组与对照组区分开来[
],但也有CTS(非cm)组,我们取得了较高的诊断性能。CM发病高峰在40至60岁之间[ , ],但其他手部疾病在这段时间也很普遍。因为CTS是一种常见的手部疾病,在40岁或40岁以上的人群中有发病倾向[ , ],我们将这些患者纳入我们的研究。我们的系统可以区分脊髓病手和拇运动障碍,这可能发生在CTS [ ].虽然还需要进一步的试验来区分CM与其他手部疾病,但这一结果表明了在各种手部疾病中准确筛查CM的可能性。一些研究也使用传感器来分析脊髓病手的运动,但Leap Motion的主要优势是简单。例如,运动捕捉可以提供详细的运动分析,但传感器的安装需要检查人员的技能和时间,并且不可能在短时间内测试大量患者。另外,如果程序可以共享,Leap Motion也可以用于我们的测试,只需将其连接到计算机即可。此外,只需简单的测试程序指南,单个患者就可以进行测试。Leap Motion也是一种较便宜的商用传感器,这是一个优势,因为它很容易获得。Leap Motion的这些优点对于在短时间内筛查大量患者非常有用。
限制
这项研究有一些局限性。首先,在CTS组和对照组中可能存在潜在CM的参与者,因为这些组的参与者没有接受MRI检查。同样,在CM组和对照组中也有可能存在潜在的CTS,因为这些组的参与者没有进行NCS。
其次,我们没有按脊髓病的解剖水平和CM和CTS的严重程度来比较亚组。同一组内的子组之间可能存在差异。第三,只进行了10倍交叉验证的内部验证,不进行外部验证。在未来的工作中,我们将收集更多的样本来解决这些问题。
结论
我们开发了一种通过手指运动的高维分析和机器学习来诊断CM的筛查系统,具有更高的灵敏度和特异性。该系统可以区分CM患者与CTS患者以及健康患者,并有可能在各种患者中筛查CM。
致谢
本研究得到JST AIP-PRISM JPMJCR18Y2和JST PRESTO JPMJPR17J4的支持。我们要感谢意得志的英文编辑。
利益冲突
没有宣布。
参考文献
- 李国强,李国强,李国强,李国强,李国强。退行性脊髓型颈椎病:流行病学、遗传学和发病机制。Spine (Phila Pa 1976) 2015年6月15日;40(12):E675-E693。[CrossRef] [Medline]
- Rao R.颈部疼痛、颈椎神经根病和脊髓型颈椎病:病理生理学、自然史和临床评价。中华骨关节外科杂志2002 10月;84(10):1872-1881。[CrossRef] [Medline]
- 退行性颈椎病。英国医学杂志2020年7月09;383(2):159-168。[CrossRef] [Medline]
- 田中军,陈志刚,陈志刚,陈志刚。椎管扩张成形术治疗老年脊髓型颈椎病的疗效观察。脊柱(Phila Pa 1976) 1999年11月15日;24(22):2308-2312。[CrossRef] [Medline]
- Tetreault L, Kopjar B, Côté P, Arnold P, Fehlings MG。退行性脊髓型颈椎病手术患者功能预后的临床预测规则:757名受试者的国际前瞻性多中心数据集分析中华骨关节外科杂志2015年12月16日;23(4):344 - 344。[CrossRef] [Medline]
- Tetreault LA, Kopjar B, Vaccaro A, Yoon ST, Arnold PM, Massicotte EM,等。确定接受手术治疗的脊髓型颈椎病患者预后的临床预测模型:来自前瞻性、多中心AOSpine北美研究的数据。中华骨关节外科杂志2013年9月18日;95(18):1659-1666。[CrossRef] [Medline]
- Sadasivan KK, Reddy RP, Albright JA。脊髓型颈椎病的自然史。中国生物医学杂志,2001;26(3):344 - 344。[Medline]
- Kobayashi H, Kikuchi S, Otani K, Sekiguchi M, Sekiguchi Y, Konno S.一种自我管理问卷的开发,用于筛查脊髓型颈椎病。BMC musloskelet discord 2010 11月22日;11:38 8 [免费全文] [CrossRef] [Medline]
- 小野K, Ebara S, Fuji T, Yonenobu K, Fujiwara K, Yamashita K。颈髓损伤的新临床表现。中华骨外科杂志1987年3月2日;[CrossRef] [Medline]
- 町野M,安藤K,小林K,森津M,田中S,伊藤K,等。各性别10 s握放和10 s步试验的截断值:454例脊髓型颈椎病患者与818名健康受试者的比较研究临床神经外科2019年9月;184:105414。[CrossRef] [Medline]
- Patel V, Chesmore A, Legner CM, Pandey S.下一代职业安全、健康和生产力的工作场所可穿戴技术和互联工人解决方案的趋势Adv智能系统2021年9月23日;4(1):2100099。[CrossRef]
- 小山T,佐藤S,鸟umi M,渡边T,尼村A,大川A,等。一种使用智能手机异常检测腕管综合征患者的筛查方法:诊断病例对照研究。JMIR Mhealth Uhealth 2021 3月14日;9(3):e26320 [免费全文] [CrossRef] [Medline]
- 潘D,达尔R,利伯曼A,珀蒂DB。一种基于移动云的帕金森病评估系统,用于家庭监测。JMIR Mhealth Uhealth 2015年3月26日;3(1):e29 [免费全文] [CrossRef] [Medline]
- 渡边T,小山T,山田E,尼村A,藤田K,杉浦Y.使用手绘筛查系统腕管综合征的准确性。中国临床医学杂志2021年9月27日;10(19):4437 [免费全文] [CrossRef] [Medline]
- Burström G, Nachabe R, Persson O, Edström E, Elmi Terander a .增强和虚拟现实仪器跟踪用于微创脊柱手术:可行性和准确性研究。脊柱(Phila Pa 1976) 2019 8月01日;44(15):1097-1104。[CrossRef] [Medline]
- Sarig Bahat H, Croft K, Carter C, Hoddinott A, Sprecher E, Treleaven J.慢性颈部疼痛患者的远程运动训练:一项随机对照试验。欧元脊柱J 2018年6月;27(6):1309-1323。[CrossRef] [Medline]
- sargg - bahat H, Weiss PL, Laufer Y.颈椎运动评估的虚拟现实。脊柱(Phila Pa 1976) 2009 5月01日;34(10):1018-1024。[CrossRef] [Medline]
- 王志强,王志强,王志强,等。一种用于手功能评估的低成本仪器手套的设计与评估。J Neuroeng Rehabil 2012年1月17日;9:2 [免费全文] [CrossRef] [Medline]
- 大森M,涩谷S,中岛T,恩多T,铃木S, Irie S,等。脊髓型颈椎病患者的手灵巧损伤:使用自然抓握运动的一项新的定量评估。行为学研究2018;2018:5138234。[CrossRef] [Medline]
- 脊髓型颈椎病患者手指运动分析。脊柱(Phila Pa 1976) 2005年12月15日;30(24):2777-2782。[CrossRef] [Medline]
- 苏旭,侯超,沈波,张伟,吴东,李强,等。基于虚拟现实技术的手部脊髓病评估工具的临床应用。脊柱(Phila Pa 1976) 2020年12月15日;45(24):E1645-E1652。[CrossRef] [Medline]
- Date S, Nakanishi K, Fujiwara Y, Yamada K, Kamei N, Kurumadani H,等。利用陀螺传感器定量评价脊髓病手握放试验中手指异常运动。PLoS One 2021;16(10):e0258808 [免费全文] [CrossRef] [Medline]
- 小山T,藤田K,渡边M,加藤K,佐佐木T,吉井T,等。利用非接触式传感器,以手指运动为重点的机器学习算法筛查脊髓型颈椎病。脊柱(Phila Pa 1976) 2022年1月15日;47(2):163-171。[CrossRef] [Medline]
- Guna J, Jakus G, pogazynik M, tomaikic S, Sodnik J.跳跃运动传感器的精度和可靠性及其静态和动态跟踪的适用性分析。传感器(巴塞尔)2014年2月21日;14(2):3702-3720 [免费全文] [CrossRef] [Medline]
- Weichert F, Bachmann D, Rudak B, Fisseler D.跳跃运动控制器的精度和鲁棒性分析。传感器(巴塞尔)2013年5月14日;13(5):6380-6393 [免费全文] [CrossRef] [Medline]
- 温和的JD。腕管综合征的神经生理学分级量表。肌肉神经2000年8月;23(8):1280-1283。[CrossRef] [Medline]
- 关于使用窗口进行离散傅里叶变换的谐波分析。机械工程学报(自然科学版),1999,26(1):1-8。[CrossRef]
- 高贵的WS。什么是支持向量机?Nat生物技术2006 Dec;24(12):1565-1567。[CrossRef] [Medline]
- 考利GC,塔尔博特NL。核fisher判别分类器的高效留一交叉验证。模式识别2003 Nov;36(11):2585-2592。[CrossRef]
- Findlay GFG, Balain B, Trivedi JM, Jaffray DC。走路会改变隆伯格标志吗?欧元脊柱杂志2009 10月;18(10):1528-1531 [免费全文] [CrossRef] [Medline]
- 王茂明,梁汉斌,王卫国。脊髓型颈椎病患者颈椎磁共振成像与x线测量的相关性。中华骨科外科杂志(香港)2004十二月;12(2):239-242 [免费全文] [CrossRef] [Medline]
- Cook C, Brown C, Isaacs R, Roman M, Davis S, Richardson W.诊断颈椎脊髓病的聚集性临床发现。中国科学通报2010年12月;18(4):175-180 [免费全文] [CrossRef] [Medline]
- Cook C, Roman M, Stewart KM, Leithe LG, Isaacs R.颈椎功能障碍患者脊髓病临床特殊检查的可靠性和诊断准确性。中华骨科杂志2009年3月39日(3):172-178。[CrossRef] [Medline]
- Atroshi I, Gummesson C, Johnsson R, Ornstein E, Ranstam J, Rosén I.腕管综合征在一般人群中的患病率。中国医学杂志1999 7月14日;282(2):153-158。[CrossRef] [Medline]
- 布兰德JDP,鲁道夫SM。1991-2001年英国两个地区腕管综合征的临床监测。中华神经外科杂志2003年12月;74(12):1674-1679 [免费全文] [CrossRef] [Medline]
- Kuroiwa T, Fujita K, Nimura A, Miyamoto T, Sasaki T, Okawa A.使用三轴陀螺仪测量对位运动时拇指旋前和手掌外展角度的新方法。J Orthop Surg Res 2018 11月16日;13(1):288 [免费全文] [CrossRef] [Medline]
缩写
10:10秒的握握和松开 |
AUC:曲线下面积 |
CM:颈脊髓病 |
CTS:腕管综合症 |
核磁共振成像:磁共振成像 |
nc:神经传导研究 |
中华民国:接收机工作特性 |
支持向量机:支持向量机 |
A Mavragani编辑;提交22.07.22;M Tada, L Guo, S Pandey同行评审;对作者16.08.22的评论;修订版本于05.09.22收到;接受15.09.22;发表03.10.22
版权©小山高文,松井良太,山本明子,山田立久,美尾诺露,茨原拓哉,熊木秀敏,日村秋本,杉浦佑太,斋藤秀夫,大川敦,藤田浩司。最初发表于JMIR生物医学工程(http://biomsedeng.www.mybigtv.com), 03.10.2022。
这是一篇开放获取的文章,根据创作共用归属许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用了首次发表在JMIR生物医学工程上的原创作品。必须包括完整的书目信息,https://biomedeng.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。