陳邵文，崔丹妮，夏晴，夏文濤，江潔清，沈憶文

（1.復(fù)旦大學(xué)基礎(chǔ)醫(yī)學(xué)院法醫(yī)學(xué)系，上海 200032；2.復(fù)旦大學(xué)生物醫(yī)學(xué)研究院，上海 200032；3.司法鑒定科學(xué)研究院 上海市法醫(yī)學(xué)重點實驗室 司法部司法鑒定重點實驗室 上海市司法鑒定專業(yè)技術(shù)服務(wù)平臺，上海 200063）

法醫(yī)臨床學(xué)鑒定常涉及對肌力的評估，其結(jié)果可反映肢體運動功能，并與后續(xù)責(zé)任劃分、賠償?shù)人痉ㄟ^程密切相關(guān)。得出正確鑒定意見的前提是被鑒定人配合檢查，在測試過程中發(fā)揮最大努力[1]。但由于害怕疼痛或二次傷害，誤解檢測程序及指示，存在緊張、焦慮、抑郁或從損傷中獲益的心理因素，被鑒定人可能不會自主發(fā)揮全力，甚至偽裝、夸大傷情[2-4]。因此在法醫(yī)學(xué)鑒定實踐中，明確被鑒定人的配合程度至關(guān)重要。

目前檢測肌力主要采用傳統(tǒng)的徒手檢查法，精確性較差，難以判定受試者的配合情況。等速肌力測試與訓(xùn)練技術(shù)（即“等速技術(shù)”）是在預(yù)先設(shè)定的恒定角速度下評估肢體功能、提供康復(fù)鍛煉的一種技術(shù)，廣泛應(yīng)用于運動與康復(fù)醫(yī)學(xué)領(lǐng)域，能客觀、定量、安全地檢測肌力[5-6]。同時，等速運動過程中屈伸肌力矩值隨時間變化的力矩-時間圖，在受試者配合與偽裝膝關(guān)節(jié)運動時可分別呈現(xiàn)不同的圖像類型，具有區(qū)分受試者配合程度的潛力[7]。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是受動物視覺皮層結(jié)構(gòu)啟發(fā)而形成的一類深度學(xué)習(xí)模型，具有局部連接、權(quán)值共享、池化和多層結(jié)構(gòu)的特點[8]。CNN最主要的組成部分是交替連接的卷積層（convolutional layer）和池化層（pooling layer），其中卷積層通過卷積操作提取圖像局部特征，而池化層則合并語義上相似的特征，從而降低維數(shù)及運算量[8-9]。1990年，LECUN等[10]首先提出了梯度反向傳播算法訓(xùn)練的CNN模型，用于手寫體郵政編碼數(shù)字的識別。2012年，KRIZHEVSKY等[11]將深度CNN用于大規(guī)模圖像分類，在ImageNet競賽中取得了驚人的分類效果。目前CNN已在計算機視覺領(lǐng)域占據(jù)主導(dǎo)地位，并廣泛應(yīng)用于各領(lǐng)域的研究。在法醫(yī)學(xué)中，已經(jīng)開發(fā)CNN模型作為骨齡評估[12]、文身檢測[13]、人臉識別[14]、牙齒分類[15]等研究的輔助工具，為案件偵查及有關(guān)鑒定提供可靠證據(jù)。CNN具有強大的圖像分類能力，能自動、自適應(yīng)地提取并學(xué)習(xí)輸入圖像各個層次的特征，最終輸出分類結(jié)果。本研究嘗試開發(fā)CNN模型用于區(qū)分不同用力程度下的等速力矩-時間圖，以期在法醫(yī)臨床學(xué)鑒定中輔助判斷被鑒定人的配合情況。

1 對象與方法

1.1 研究對象

2018年9月—2019年1月共測試了200名健康青年受試者，其中男性92名，女性108名，年齡19～29歲，平均年齡23.3歲。受試者均無膝關(guān)節(jié)損傷與疾病史，下肢肌力及各關(guān)節(jié)活動度正常，未參加過專業(yè)肢體力量訓(xùn)練，未使用過任何等速肌力測試儀器。受試者均在測試前詳細了解實驗背景及可能風(fēng)險，自主決定參與實驗，并簽署知情同意書。

1.2 測試儀器

等速測試采用瑞士CMV AG公司生產(chǎn)的CONTREX Biomechanical Test and Training系統(tǒng)，每次測試前均采用常規(guī)系統(tǒng)校準。CNN模型運行環(huán)境為具有4塊NVIDIA TITAN Xp GPU的Linux服務(wù)器。

1.3 測試方法

實驗開始前，向受試者詳細說明實驗流程與動作，再按儀器說明將受試者正確固定在測試椅上。測試內(nèi)容為30°/s及60°/s角速度下等速向心右側(cè)膝關(guān)節(jié)全力和半力屈伸往復(fù)運動，測試次數(shù)為兩次，間隔時間約45 min。全力指受試者完全配合運動時所能施加的最大肌力，半力指受試者自我感知的50%最大肌力，用以模擬偽裝控力的情況。

測試流程：受試者首先于30°/s角速度下測試。執(zhí)行5～10次右側(cè)膝關(guān)節(jié)亞最大肌力屈伸往復(fù)運動作為熱身。休息1min后，進行5次全力屈伸往復(fù)運動。再休息1 min后，進行5次半力屈伸往復(fù)運動。休息2 min后，于60°/s角速度下再次進行熱身、全力及半力運動，屈伸次數(shù)及動作均與30°/s下一致。測試結(jié)束后受試者離開測試椅，充分休息45min后再次固定準備，重復(fù)上述測試內(nèi)容。

1.4 CNN訓(xùn)練

應(yīng)用 Keras（https：//github.com/fchollet/keras/）構(gòu)建CNN模型（Keras是使用Python語言編寫的神經(jīng)網(wǎng)絡(luò)框架，可實現(xiàn)深度學(xué)習(xí)模型的設(shè)計與調(diào)整，代碼來自開源平臺GitHub）。損失函數(shù)采用AdamOptimizer進行優(yōu)化[16]。CNN屬于有監(jiān)督的機器學(xué)習(xí)方式，在訓(xùn)練前先根據(jù)測試時的具體情況對每張圖像標記類別為0（配合）或1（偽裝）。本研究的CNN模型結(jié)構(gòu)如圖1所示，輸入大小為32×32的RGB圖像，框架主要由2個卷積層、2個池化層以及全連接層構(gòu)成。其中第一個卷積層含20個卷積核，卷積核大小為5×5；第二個卷積層含40個卷積核，卷積核大小為4×4；每個卷積層均用線性整流函數(shù)（rectified linear unit，ReLU）激活。池化層均采用最大池化策略，窗口為2×2，步長為2。在全連接層中所有神經(jīng)元完全連接，使用softmax函數(shù)獲取預(yù)測結(jié)果0或1。

圖1 鑒別等速力矩-時間圖的CNN模型結(jié)構(gòu)Fig.1 Structure of CNN model for identifying isokinetic moment of force-time diagrams

將200名受試者隨機分為訓(xùn)練集（140名）和測試集（60名）。用訓(xùn)練集中的力矩-時間圖訓(xùn)練CNN模型，再用訓(xùn)練好的模型預(yù)測測試集的圖形類別，從準確率（accuracy）、精確度（precision）和召回率（recall）3個方面評估模型效力。本研究將偽裝定義為陽性，準確率指所有圖像中被正確分類的比例；精確度（半力）指所有預(yù)測結(jié)果為陽性的圖像中被正確預(yù)測的偽裝圖像比例；召回率（半力）也稱為靈敏度（sensitivity），描述模型檢出偽裝圖像的能力，指所有偽裝圖像中被正確預(yù)測為陽性的比例。此外，計算針對全力配合圖像（陰性結(jié)果）的預(yù)測精確度和召回率。精確度（全力）指所有預(yù)測結(jié)果為陰性的圖像中被正確預(yù)測的配合圖像比例；召回率（全力）等同于模型特異性（specificity），衡量模型正確判定配合圖像的能力，指所有配合圖像中被正確預(yù)測為陰性的比例。為排除樣本異質(zhì)性產(chǎn)生的誤差，共進行3次隨機取樣與模型開發(fā)。

2 結(jié) 果

受試者5次屈伸往復(fù)運動產(chǎn)生的力矩-時間示意圖如圖2所示。第一次屈伸的圖形由于起始于靜止狀態(tài)而不具有代表性，最后一次可能存在疲勞等因素的干擾，因此僅分別截取中間3次屈伸運動產(chǎn)生的圖像[17-18]。

圖2 等速膝關(guān)節(jié)運動力矩-時間圖Fig.2 Isokinetic moment of force-time diagram of knee exercise

圖3展示了配合與偽裝等速膝關(guān)節(jié)屈伸運動力矩-時間圖的常見形狀。全力配合測試時產(chǎn)生的圖像曲線形狀較平滑、規(guī)則，呈現(xiàn)為單一的波峰。半力偽裝測試產(chǎn)生的圖像曲線形狀不規(guī)則，失去本應(yīng)呈現(xiàn)的單一“尖峰”，代之以更加低平的形狀或出現(xiàn)若干雜峰。

圖3 不同配合程度下常見的等速膝關(guān)節(jié)運動力矩-時間圖像形狀Fig.3 Common shapes of isokinetic knee exercises moment of force-time diagrams under different levels of efforts

每名受試者于30°/s及60°/s角速度下各重復(fù)兩次測試，可收集全力及半力等速力矩-時間圖各12張，故200名受試者一共收集4800張力矩-時間圖（全力及半力條件各2 400張）。訓(xùn)練集140名受試者提供3360張力矩-時間圖，測試集60名受試者提供1440張力矩-時間圖。訓(xùn)練集中所有圖像完整訓(xùn)練模型一次即為一“代”，訓(xùn)練過程中的準確率隨迭代次數(shù)的增加而不斷升高，迭代4000次后準確率穩(wěn)定在高值，故認定此時的模型已經(jīng)過充分訓(xùn)練。預(yù)測結(jié)果如表1所示，充分訓(xùn)練后的3個CNN模型對測試集所有圖像的分類準確率為90.49%～92.08%。召回率（半力）即模型預(yù)測靈敏度為89.31%～90.14%，召回率（全力）即模型預(yù)測特異性為91.67%～94.86%。精確度（半力）為91.47%～94.56%，精確度（全力）為89.55%～90.33%。

表1 CNN模型對全力及半力等速力矩-時間圖的區(qū)分結(jié)果Tab.1 The results of CNN models for identifying isokinetic moment of force-time diagrams under maximal effort and half the effort （%）

3 討 論

應(yīng)用等速技術(shù)判定配合程度的依據(jù)，在于偽裝肌力檢測結(jié)果與配合相比更弱、變異性更大。反映在力矩-時間圖上，表現(xiàn)為全力配合的曲線具有更加平滑、規(guī)則的外觀，膝關(guān)節(jié)屈伸往復(fù)運動產(chǎn)生的連續(xù)性曲線具有非常相似的形狀，總是在關(guān)節(jié)達到最佳用力角度時產(chǎn)生峰力矩，在單峰前后曲線平穩(wěn)下降；而偽裝條件下由于刻意控制力量，曲線的形狀和幅度與全力配合時相比更加不一致，甚至若干波峰呈現(xiàn)不規(guī)則鋸齒狀[2，17，19]。肉眼觀察曲線的操作簡便，但不足以分辨受試者的配合程度[4]。這是因為視覺評估涉及檢測人員之間及其內(nèi)部的變異性。分類結(jié)果受到主觀影響，準確率與經(jīng)驗有關(guān)，經(jīng)驗較少者正確率也相應(yīng)更低。由于圖形變異性的界定標準存在爭議，檢測人員可能傾向于將更多的圖形歸類為正常與異常的中間地帶[17-19]。此外，大量的分類工作加重了鑒定人員的工作負擔，使其更易疲勞，產(chǎn)生負面影響。因此，本研究引入CNN模型，希望通過對大量等速力矩-時間圖的學(xué)習(xí)總結(jié)規(guī)律，達到鑒別配合與偽裝用力的目的。

CNN可以自動提取圖像特征，訓(xùn)練過程不受疲勞影響，分類結(jié)果更加客觀、可靠。在實際應(yīng)用中操作簡便、效率高，只需輸入力矩-時間圖即能得出分類結(jié)果。對于缺乏經(jīng)驗者，可把分類結(jié)果作為參考，有助于提高鑒定準確性。本研究中訓(xùn)練階段的學(xué)習(xí)率為1×10-4，迭代次數(shù)達4 000次時準確率已穩(wěn)定于高值，故選取此時的模型用于圖像預(yù)測。盡管訓(xùn)練集的圖像數(shù)有限，本研究最終3次隨機取樣訓(xùn)練的CNN模型分類準確率分別為91.11%、90.49%和92.08%（表1），均高于90%，只有少量圖像被錯誤分類，可以達到具有3年以上等速經(jīng)驗的臨床專家平均區(qū)分水平[17]，這表明該CNN模型在識別全力和半力等速力矩-時間圖像方面初步取得較好的效果。該模型預(yù)測的靈敏度數(shù)值相對較低，特異性相對較高（表1），表明該模型對測試集中配合圖像的識別效果更好，有很少的配合圖像被錯誤地預(yù)測為偽裝，而有相對更多的偽裝圖像被錯誤地預(yù)測為配合。

本研究以健康青年為對象，因其依從性高，沒有損傷、疾病等因素的干擾，更易獲得具有代表性的圖像[20]。同時，有研究[7]證實，膝關(guān)節(jié)附近損傷者的傷側(cè)與健側(cè)肢體在全力配合時產(chǎn)生的等速力矩-時間圖類型相同，均與偽裝圖形具有較大區(qū)別。因此，應(yīng)用健康受試者等速力矩-時間圖建立的CNN模型對于這類損傷者理應(yīng)具有適用性。測試中的偽裝條件設(shè)置為自我感知的50%全力，這一用力程度常用于模擬偽裝，其力矩圖形與全力相比具有較明顯的差異[2，19]。選擇30°/s和60°/s的速度條件同樣基于先前的研究，適用于健康人群及膝關(guān)節(jié)損傷者的肌力檢測，并可獲取典型的等速曲線[1，7，17，21]。由于這兩種角速度下的力矩-時間圖類型相同，故圖像分析時不考慮速度條件，僅對受試者的努力程度進行分類。本研究為兩次相同的重復(fù)性測試，執(zhí)行標準化流程，預(yù)先向受試者說明實驗步驟，正式測試前進行適度熱身，并在測試過程中給予口頭鼓勵，從而削弱了可能出現(xiàn)的學(xué)習(xí)效應(yīng)、不熟悉實驗操作或心理因素等對檢測結(jié)果的干擾[1-2]。

詐癱鑒別是法醫(yī)臨床學(xué)中極富挑戰(zhàn)性的難題，等速技術(shù)動態(tài)、客觀、安全的特性為之提供了新的解決思路?；谌梭w對肌肉離心運動控制力較向心運動更弱的生理特性，許多研究采用等速相關(guān)參數(shù)DEC區(qū)分努力程度，DEC指標準運動范圍內(nèi)兩個不同測試速度下離心-向心力矩之比的差值，已經(jīng)被證實能夠識別受試者的亞最大偽裝肌力[22-23]。也有研究從圖像中提取參數(shù)作為鑒別指標，例如ALMOSNINO等[1-2]應(yīng)用描述力矩曲線形狀相似性的互相關(guān)函數(shù)和量化曲線幅度差異的均方根差值百分比來制定決策方案，有助于明確受試者在測試時發(fā)揮全力。值得注意的是，上述方法需要計算額外參數(shù)，可靠性尚需進一步論證。同時，這些參數(shù)存在個體異質(zhì)性，基于特定健康人群測試結(jié)果所計算的臨界值無法直接用于其他群體，更不能用于傷者。

本研究引入深度學(xué)習(xí)的概念，建立的CNN模型對全力配合與半力偽裝的力矩-時間圖的分類準確率在90%以上，有助于鑒定人員發(fā)現(xiàn)偽裝現(xiàn)象，但仍然存在誤判的可能。造成少數(shù)圖像分類錯誤的原因主要包括以下幾點：首先，部分受試者力量較弱或存在注意力發(fā)散、疲勞等影響因素，配合運動時無法始終維持全力，在力矩-時間圖中形成非特異性雜峰。其次，本研究采用的CNN模型要求輸入圖像具有相同的長寬比，原本峰值偏低的偽裝圖像經(jīng)過拉伸后，可能呈現(xiàn)類似配合圖像的形狀。此外，鑒定所用的力矩-時間圖同時包含膝關(guān)節(jié)屈肌和伸肌運動的部分，受到重力輔助的影響，屈肌運動比伸肌更難維持最大肌力，變異性更大，可能干擾分類效果[24]。在法醫(yī)學(xué)鑒定中，將受試者的最大用力錯誤地歸類為偽裝會造成嚴重的后果。因此，在今后的研究中，還需不斷完善CNN模型，改進實驗方案，增加訓(xùn)練集圖像數(shù)目，從而進一步提高分類準確性。