[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,66 +1,129 @@
|
||||
---
|
||||
id: wiki-2026-0508-neurorehabilitation-post-stroke
|
||||
title: Neurorehabilitation Post Stroke
|
||||
title: Neurorehabilitation Post-Stroke
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-NRHS-002]
|
||||
aliases: [Post-Stroke Rehabilitation, Stroke Recovery, Neurorehabilitation after Stroke]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, post-stroke, mapping, clinical-Protocols]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [stroke, rehab, motor-recovery, cimt, robotics, bci, plasticity]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack: { language: python, framework: pytorch-mne }
|
||||
---
|
||||
|
||||
# [[Neurorehabilitation-Post-Stroke|Neurorehabilitation-Post-Stroke]]
|
||||
# Neurorehabilitation Post-Stroke
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생존을 넘어 삶의 질로: 뇌졸중 이후의 기능 결손을 '보상(Compensation)'이 아닌 '회복(Recovery)'의 관점에서 접근하는 시스템적 재활 프로토콜."
|
||||
## 매 한 줄
|
||||
- 뇌졸중 후 신경재활은 손상 주변 뉴런의 가소성을 활용하여 운동·언어·인지 기능을 복원하는 다학제 개입이며, 로봇·BCI·집중훈련(CIMT)이 표준 도구로 합류했다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
이 문서는 뇌졸중 후기 관리와 임상적 프로토콜 중심의 재활 지식을 다룹니다.
|
||||
## 매 핵심
|
||||
- **회복 곡선**: 발병 후 0–3개월 spontaneous recovery(신경가소성 활성기), 3–6개월 plateau, 6개월+ slow gain. **시간 의존성** 강함.
|
||||
- **표준 개입**: CIMT(constraint-induced movement therapy, 건측 억제 + 환측 집중 사용), task-specific repetition(>300회/세션), mirror therapy, FES, robotic exoskeleton(Lokomat, Armeo), tDCS/rTMS 보조.
|
||||
- **BCI 재활**: motor imagery EEG → robot/FES 폐루프, Hebbian "pair pre+post" 자극으로 cortico-spinal pathway 강화.
|
||||
- **결과 척도**: Fugl-Meyer Assessment(FMA, 0–66 upper limb), Modified Rankin Scale, Barthel Index, NIHSS.
|
||||
- **AI 적용**: 보행 분석(IMU + LSTM), 회복 궤적 예측(GBM on FMA + lesion volume), 가정 telerehab adherence 모니터.
|
||||
|
||||
1. **기능적 재훈련 (Functional Retraining)**:
|
||||
* 실제 일상 생활 동작(ADL)을 반복적으로 수행함으로써 뇌에 실무적인 작업 기능을 재학습(Task-specific training) 시킴.
|
||||
2. **뇌 자극 병행 요법**:
|
||||
* **tDCS/rTMS**: 재활 훈련 직전 뇌의 흥분도를 조절하여 훈련의 가소성 효율을 극대화하는 보조적 수단.
|
||||
3. **정서 및 인지 재활**:
|
||||
* 뇌졸중 환자의 30% 이상이 겪는 '뇌졸중 후 우울증(PSD)' 관리. 정서적 안정 없이는 재활 동기가 결여되어 회복이 지연됨.
|
||||
## 💻 패턴
|
||||
```python
|
||||
# Fugl-Meyer trajectory prediction (early FMA + lesion → 6mo FMA)
|
||||
import numpy as np
|
||||
from sklearn.ensemble import GradientBoostingRegressor
|
||||
from sklearn.model_selection import KFold
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 단순히 '힘을 기르는 것'보다 '올바른 움직임의 형태(Quality of movement)'를 복원하는 것이 추후 발생할 수 있는 이상 근긴장(Spasticity) 방지에 더 효과적임이 정립됨.
|
||||
- **정책 변화(RL Update)**: 급성기-회복기-유지기로 이어지는 재활 전달 체계의 공백을 메우기 위해 지역사회 복귀를 돕는 '커뮤니티 케어'와 연계된 재활 정책이 전 세계적으로 강화되고 있음.
|
||||
X = np.load("baseline_features.npy") # FMA_t0, lesion_vol, age, NIHSS
|
||||
y = np.load("FMA_6mo.npy")
|
||||
gbr = GradientBoostingRegressor(n_estimators=300, max_depth=3)
|
||||
mae = []
|
||||
for tr, te in KFold(5, shuffle=True, random_state=0).split(X):
|
||||
gbr.fit(X[tr], y[tr])
|
||||
mae.append(np.mean(np.abs(gbr.predict(X[te]) - y[te])))
|
||||
print(f"FMA MAE: {np.mean(mae):.2f}")
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: [[Occupational-Therapy|Occupational-Therapy]], [[Neurorehabilitation after Stroke|Neurorehabilitation after Stroke]], Spasticity [[Management|Management]], Aphasia Rehab
|
||||
- **Modern Tech/Tools**: Wearable sensors for ADL tracking, Mobile rehab apps.
|
||||
---
|
||||
```python
|
||||
# IMU gait segmentation: heel-strike detection
|
||||
import numpy as np
|
||||
from scipy.signal import find_peaks
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
def heel_strikes(acc_z, fs=100):
|
||||
peaks, _ = find_peaks(-acc_z, distance=fs * 0.4, prominence=0.5)
|
||||
return peaks # samples
|
||||
```
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
```python
|
||||
# Motor imagery EEG → CSP + LDA classifier (BCI rehab)
|
||||
from mne.decoding import CSP
|
||||
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
|
||||
from sklearn.pipeline import Pipeline
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
clf = Pipeline([("csp", CSP(n_components=6)), ("lda", LinearDiscriminantAnalysis())])
|
||||
clf.fit(X_eeg, y_class) # 0=rest, 1=hand-MI
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
```python
|
||||
# CIMT compliance from wrist accelerometer (use ratio paretic/non-paretic)
|
||||
import numpy as np
|
||||
def use_ratio(acc_paretic, acc_non):
|
||||
p = np.sqrt(np.sum(acc_paretic ** 2, axis=1))
|
||||
n = np.sqrt(np.sum(acc_non ** 2, axis=1))
|
||||
return p.sum() / (n.sum() + 1e-9)
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
```python
|
||||
# Robotic assist-as-needed: error-based force scaling
|
||||
def assist_force(target, actual, k_max=20.0, deadband=0.02):
|
||||
err = target - actual
|
||||
if abs(err) < deadband:
|
||||
return 0.0
|
||||
return k_max * (1 - 1 / (1 + abs(err))) * (1 if err > 0 else -1)
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
```python
|
||||
# tDCS dose calc (anodal M1, 2 mA, 20 min)
|
||||
def tdcs_charge(current_mA, duration_min, area_cm2=35):
|
||||
Q = current_mA * 1e-3 * duration_min * 60 # Coulombs
|
||||
return Q / area_cm2 # safety < 0.04 C/cm^2
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
```python
|
||||
# Repetition counter from EMG burst detection
|
||||
import numpy as np
|
||||
def count_reps(emg, fs=1000, thresh=2.0):
|
||||
env = np.abs(emg)
|
||||
above = env > thresh * env.std()
|
||||
edges = np.diff(above.astype(int))
|
||||
return int((edges == 1).sum())
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
## 매 결정 기준
|
||||
- **발병 후 시점**: 0–3개월 → 고강도 task-specific. 6개월+ → CIMT, BCI, robotics 보강.
|
||||
- **운동 손상 정도**: FMA<20(severe) → robotic passive/assist. FMA 20–50 → CIMT + active. FMA>50 → fine motor task.
|
||||
- **BCI 적용**: 잔존 motor imagery 신호 검출 가능 + 환자 동기 → 폐루프 BCI(8주 프로그램).
|
||||
- **퇴원 후 telerehab**: adherence 측정 가능한 wearable + 주 1회 화상 follow.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
## 🔗 Graph
|
||||
- 관련: [[Neuroplasticity]], [[Neuroprosthetics-Development]], [[Neurodevelopmental-Disorders]], [[BCI]], [[fMRI-Analysis]]
|
||||
- 도구: [[MNE-Python]], [[OpenSim]], [[Lokomat]], [[Armeo-Spring]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
- 환자별 재활 계획 초안(FMA, Barthel 입력 → goal/timeline 생성, 임상의 검토 필수).
|
||||
- 진료기록 요약(NIHSS 변화, 합병증 추출).
|
||||
- 가정 운동 안내문 다국어 번역.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- 발병 24h 이내 고강도 mobilization(AVERT 시험: 90일 outcome 악화 보고).
|
||||
- BCI calibration 없이 일반 모델 적용(개인차 큼).
|
||||
- 환측 사용 강제 없이 CIMT 라벨링.
|
||||
|
||||
## 🧪 검증
|
||||
- FMA, Action Research Arm Test(ARAT), 10m walk test, Berg Balance.
|
||||
- BCI: classification accuracy ≥ 70%, 사용자 NASA-TLX.
|
||||
|
||||
## 🕓 Changelog
|
||||
- 2026-05-08 Phase 1: 초안 자동 생성.
|
||||
- 2026-05-10 Manual cleanup: 본문 보강, AVERT 결과 반영, 코드 패턴 7개, BCI 폐루프 추가.
|
||||
|
||||
Reference in New Issue
Block a user