发表在第7卷第2期(2022):7月至12月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/41327,首次出版
用非接触传感器对手指运动的高维分析和脊髓型颈椎病的筛查:诊断性病例-对照研究

用非接触传感器对手指运动的高维分析和脊髓型颈椎病的筛查:诊断性病例-对照研究

用非接触传感器对手指运动的高维分析和脊髓型颈椎病的筛查:诊断性病例-对照研究

原始论文

1东京医科和牙科大学医学和牙科科学研究生院骨科和脊柱外科,东京,日本

2日本神奈川庆应义塾大学科学技术研究生院开放与环境系统科学学院

3.东京医科和牙科大学医学和牙科科学研究生院功能关节解剖系,东京,日本

*这些作者贡献相同

通讯作者:

藤田浩司,医学博士

功能性关节解剖科“,

医学和牙科科学研究生院“,

东京医科和牙科大学

文教区由岛1-4-5

东京,113 - 8519

日本

电话:81 3 5803 5279

传真:81 3 5803 5281

电子邮件:fujiorth@tmd.ac.jp


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。

JMIR Biomed Eng 2022;7(2):e41327

doi: 10.2196/41327

关键字



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[1-3.].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[4-6].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[7].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[8].

手笨是CM的一个特征和重要症状,称为手脊髓病[9].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[910].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[11].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[12-14].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[15-17].还进行了几项研究,利用传感器分析脊髓病手的运动[18-22].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[23].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。2425].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。


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[26].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(图1) [23].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,列于表1,被测量为波形数据(每秒60帧)。

图1。使用Leap Motion测量的图像。Leap Motion和Leap Motion测量的三个轴(A)。参与者将手放在Leap Motion上方,通过USB连接到笔记本电脑(B)。测量过程中,笔记本电脑屏幕上实时显示3D手模型(C)。
查看此图
表1。参数由Leap Motion测量。
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[27].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[28].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[29].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。


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表2.两组之间在年龄、性别或手优势方面没有显著差异。

表2。CM组、CTS组和对照组参与者的特征。
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)
性别(男性),n 12 5 16 .59
手优势(右),n 29 25 30. >。 36
手,n 58 34 62 N/A N/A
侧(右)n 29 20. 31 >。
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表3.对照和CM/非CM模型的ROC曲线如图所示图2

以各骨参数为限的模型AUC列于表4.使用拇指近端指骨参数的模型的AUC最高(0.86)。

表3。二元分类模型索引。

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。

图2。脊髓型颈椎病(CM)/对照模型(A)和CM/非CM模型(B)的受试者工作特征(ROC)曲线。在CM/对照模型和CM/非CM模型中,ROC曲线下面积分别为0.82和0.74。红色叉表示最佳截断值。
查看此图
表4。模型曲线下的面积,受限于每块骨的参数

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
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。


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)[23].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 [1030.31];手指逃脱标志的灵敏度为48%-55% [30.31];深肌腱反射改变的敏感性为15% ~ 56%,特异性为96% ~ 98% [31-33].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 [21].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[9].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[20.].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[23],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[13.],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[3435],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 [36].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。

  1. 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
  2. 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
  3. 退行性颈椎病。英国医学杂志2020年7月09;383(2):159-168。[CrossRef] [Medline
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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
  24. 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
  25. 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
  26. 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
  27. 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
  28. 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
  29. 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
  30. 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
  31. 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
  32. 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
  33. 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
  34. 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
  35. 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
  36. 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


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。


Baidu
map