尋找脊髓裡的「節拍器」：AI 如何幫我們解開走路的秘密？

想像一下，當你走在路上低頭滑手機，你的大腦並沒有刻意命令「左腳踏出、右腳跟上」，但雙腿卻能自然而然地交替律動。這不是魔法，而是因為我們的脊髓裡住著一群神祕的指揮家——中央模式產生器（Central Pattern Generator，簡稱 CPG）。
這群指揮家就像自動節拍器，不需要大腦時時刻刻下指令，就能產生走路、游泳或呼吸這類節律性的動作。對於脊髓損傷的病人來說，如果能重新「喚醒」這些指揮家，就有機會讓他們重新站起來。
但在科學實驗室裡，研究這些訊號卻是一場體力活。最近，一篇發表於《前沿神經科學》（Frontiers in Neuroscience）的研究，介紹了一個名為 POCA 的新助手，它利用人工智慧（AI），讓科學家從堆積如山的訊號數據中解脫出來。

1. 實驗室裡的「神經調解員」
科學家為了研發能幫助癱瘓患者的「電刺激協議」（就像是一套精密的電擊處方箋），必須在實驗室裡測試成千上萬種刺激訊號。
過去，專家們必須坐在電腦前，用肉眼觀察螢幕上跳動的波形，手動標記哪一段是「成功的走路律動」，哪一段只是「雜訊」。這工作不僅累人，而且每位專家的判斷標準可能還不太一樣。這就像是讓音樂家從幾千小時的錄音中，人耳分辨哪一聲鼓點最精準，效率極低且容易出錯。
圖 1：電誘發虛擬行走的典型過程示意圖 (原始論文圖 1)
（A）腰部腹根（VRlL2）對背根電刺激的 CPG 反應：
-基線期（Baseline）： 刺激開始前，訊號呈現低振幅的自發性震盪。
-刺激開始（Stim onset）： 紅色垂直線標記了刺激啟動的時間點。
-去極化（Depolarization）： 刺激後幾秒鐘，訊號基線快速升高，並引發強烈的節律性震盪。
-行走節律（Locomotor rhythm）： 陰影區域標示出穩定的節律性震盪期。 倒三角形代表 POCA 演算法偵測到的各個振盪波峰。
-復極化： 即使持續給予刺激，震盪最終也會逐漸減弱，訊號回歸基線水平。
（B）多通道相位關係：此部分展示了四個通道（左側屈肌 IL2、左側伸肌 IL5、右側伸肌 RL5、右側屈肌 RL2）的協調關係。
-相位差與步態： 背景顏色代表相位角度（Phase/degree）。 當建立起行走節律時，各通道間呈現「反相」（out-of-phase）關係，代表了屈肌與伸肌的協調以及左右交替的步態。
-同步期（Synchronous period）： 紅色點標示出各通道間相位一致的同步時段。 行走節律確立後，同步性會顯著下降，轉為交替模式。

2. AI 助手 POCA 登場：不再看一段，而是看「每一座山峰」
傳統的電腦自動分析通常是把訊號切成一段一段（例如每 5 秒一段）來分析，這叫做「基於時段（epoch-based）」的方法。但 CPG 的訊號很頑皮，有時候一段裡面同時擠滿了走路和雜訊，電腦就會變得很混亂。
這篇論文提出的 POCA（Peak-based Oscillation Classification Algorithm，基於波峰的振盪分類演算法） 換了個腦袋。它不像別人看「一段路」，而是看「每一座山峰」。
POCA 會仔細幫訊號裡的每一座波峰量體溫、測身高，它總共會提取 12 種特徵 ：
● 山峰有多高？（波峰顯著度 Prominence，反映振盪強度）。
● 山底有多寬？（寬度 Width，反映動作快慢）。
● 它跟左右鄰居長得像嗎？（局部偏差 Local Deviation）。
● 大家有一起跳舞嗎？（同步指標 SynIndex，用來確認不同肌肉是否協調）。
透過這些「細節控」的分析，AI 就能非常精準地告訴科學家：這座山峰代表的是真正的「步伐」。

3. 亮眼的數據：AI 真的比人準嗎？
研究團隊用了三種不同的實驗方法來測試 POCA。結果發現，使用一種叫做 SVM（支持向量機） 的模型，分析準確度竟然高達 96.6% ！
更驚人的是，就算科學家提供的標記範本非常少（例如只給 AI 看 10 個範例），POCA 也能快速上手，表現得跟看了幾百個範例一樣好。這對數據稀缺的醫學研究來說，簡直是救星。
圖 2：分類模型效能排行與特徵組合分析 (原始論文圖 6)此圖呈現了在交叉驗證（Cross-validation）過程中，兩種不同分類方式在訓練集（CVtrain，藍色柱狀圖）與驗證集（CVvalid，橘色柱狀圖）上的 F1 分數（F1 score） 表現：
（A）門檻值法（Thresholding）的最佳效能：
-展示了僅使用單一特徵進行分類時的前五名 。
-波峰顯著度（Pro） 是表現最強的單一特徵，在驗證集上達到了約 0.886 的 F1 分數。
-其他表現優異的特徵包括 Pro2Dep、Pro2Base 與 Pro2Wid，顯示與振盪強度相關的特徵對於識別運動節律至關重要 。
（B）支持向量機（SVM）的最佳效能：
-展示了結合多種特徵組合進行分類時的前五名排行 。
-最佳特徵組合（排名 1）： 包含 Pro、Wid、Time、SynIndex、FreqCK 與 LocDev，在驗證集上的 F1 分數提升至 0.915 。
-相較於單一特徵的門檻值法，SVM 透過納入寬度（Wid）、時間戳（Time）、同步性（SynIndex）與局部偏差（LocDev）等額外維度，顯著增強了模型的判別能力與魯棒性 。

4. 除了幫人走路，這技術還能做什麼？
POCA 的「看峰」哲學，不只可以用在脊髓研究，還能跨界應用到其他醫療領域 ：
● 癲癇發作預警：癲癇發作時，腦波會出現異常的「棘波（Spikes）」。POCA 捕捉山峰形態的能力，可以幫助醫生從混亂的腦波中快速抓出發作的前兆。
● 高頻振盪（HFO）分析：在某些神經系統疾病中，腦部會產生極微小、極快速的震動。這些訊號通常藏在背景雜訊裡，POCA 的「細節偵測」能力正好能派上用場。

5. 未來展望：走入臨床的最後一哩路
雖然 POCA 表現優異，但科學家也坦言，每個人的生理訊號就像指紋一樣獨特。如果把在 A 老鼠身上訓練好的模型，直接搬到 B 老鼠身上，準確度可能會稍稍下降。不過，透過 POCA 的自動化能力，未來我們可以為每位患者快速「客製化」分析工具，讓精準醫療不再只是口號。
科學家的願景是，未來當脊髓損傷患者接受電刺激治療時，電腦能透過 POCA 演算法即時監控神經的反應，並自動調整電擊的強弱與節奏，就像一位 24 小時守候的專屬教練，陪著患者踏出重生的第一步。

術語小辭典
● 中央模式產生器 (CPG)：脊髓中負責產生走路、游泳等規律動作的神經網路。
● 虛擬行走 (Fictive Locomotor Rhythm)：在實驗室環境下（通常是離體組織），透過電或化學刺激誘導出的神經走路訊號。
● 波峰顯著度 (Prominence)：衡量一個波峰高出周圍背景多少的指標，用來判斷訊號強弱。
● 支持向量機 (SVM)：一種人工智慧分類方法，擅長把複雜的資料分類。
● 內省性 (Interpretable)：指 AI 做的決定是人類看得懂的。因為 POCA 是看「寬度」、「高度」等物理特徵，所以醫生可以知道 AI 為什麼判斷這是一個訊號。


撰文：林樂瑞


原始論文：Han, X., Taccola, G., Culaclii, S., Mohammadshirazi, A., Chen, Y. P., & Liu, W. (2026). "POCA: a CPG signal analysis algorithm using peak-based feature extraction and machine learning". Frontiers in Neuroscience, 20, 1740554.

留言

張貼留言