docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,128 @@
|
||||
---
|
||||
id: wiki-2026-0508-neurorehabilitation-post-stroke
|
||||
title: Neurorehabilitation Post-Stroke
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Post-Stroke Rehabilitation, Stroke Recovery, Neurorehabilitation after Stroke]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [stroke, rehab, motor-recovery, cimt, robotics, bci, plasticity]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack: { language: python, framework: pytorch-mne }
|
||||
---
|
||||
|
||||
# Neurorehabilitation Post-Stroke
|
||||
|
||||
## 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.
|
||||
|
||||
## 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.
|
||||
|
||||
## 💻 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
|
||||
|
||||
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}")
|
||||
```
|
||||
|
||||
```python
|
||||
# IMU gait segmentation: heel-strike detection
|
||||
import numpy as np
|
||||
from scipy.signal import find_peaks
|
||||
|
||||
def heel_strikes(acc_z, fs=100):
|
||||
peaks, _ = find_peaks(-acc_z, distance=fs * 0.4, prominence=0.5)
|
||||
return peaks # samples
|
||||
```
|
||||
|
||||
```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
|
||||
|
||||
clf = Pipeline([("csp", CSP(n_components=6)), ("lda", LinearDiscriminantAnalysis())])
|
||||
clf.fit(X_eeg, y_class) # 0=rest, 1=hand-MI
|
||||
```
|
||||
|
||||
```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)
|
||||
```
|
||||
|
||||
```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)
|
||||
```
|
||||
|
||||
```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
|
||||
```
|
||||
|
||||
```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())
|
||||
```
|
||||
|
||||
## 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.
|
||||
|
||||
## 🔗 Graph
|
||||
- 관련: [[Neuroplasticity]], [[Neuroprosthetics-Development]], [[Neurodevelopmental Disorders]], [[BCI]]
|
||||
|
||||
## 🤖 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