ตำราฟื้นฟูระบบประสาทด้วยเทคโนโลยีก้าวหน้า

193

guideline เพ่อื ใหก้ ารค้นหามีประสิทธภิ าพมากขึน แต่ดว้ ยเทคโนโลยีปัญญาประดิษฐ์ท่ีพฒั นาขึนอยา่ งรวดเร็ว
ในปัจจุบัน ท้าให้การหาต้าแหน่งของระบบ markerless สามารถท้าได้ดีขึนจนเกือบเทียบเท่าระบบ marker
ความแม่นย้าของระบบ MLS ขึนกับฐานข้อมูลในโปรแกรม machine learning และขันตอนในการเก็บ
รวบรวมภาพ ข้อจ้ากัดของระบบ MLS ณ ปัจจุบัน คือ ยังไม่สามารถวัดข้อมูลได้แม่นย้าในกรณีมีการขยับ
เคล่ือนไหวเร็ว ๆ เช่น ว่ิง หรือกระโดด25 การขยับมุมในข้อเล็ก ๆ เช่น ข้อเท้า และทิศทางของมุมที่มีการขยับ
ในช่วงรัศมนี ้อย ๆ เช่น rotation ยงั เปน็ ปญั หาเช่นเดยี วกนั และงานวจิ ัย MLS ในทางคลนิ ิกยังมีจ้านวนขนาด
ตวั อยา่ งคอ่ นขา้ งน้อย และโมเดลทีใ่ ช้ในการอ้างอิงเป็นการศึกษาในคนปกติทไี่ ม่มีภาวะกล้ามเนือหดเกร็งหรือมี
ข้อยึดติด เป้าหมายในอนาคตจึงเป็นการพัฒนา accuracy, validity ของข้อมูล และท้าการศึกษาใน human
model ที่หลากหลายมากขึน สามารถใช้จ้านวนกล้องน้อยลง รวมถึงการน้า machine learning มาช่วยใน
การตรวจหาความผดิ ปกติ

ผู้เขียนได้ศึกษาการน้าเอาผลของ kinematics ด้วยวิธี MBS มาท้านายการเดินโดยศึกษาในคนปกติ
ผู้ป่วยข้อเข่าเสื่อม และผู้ป่วยพาร์กินสันด้วย tree induction diagnosis38 พบว่าผลของ kinematics หาก
เก็บพารามิเตอร์ได้สมบูรณ์ สามารถใช้ช่วยวินิจฉัยแยกโรคและความรุนแรงของโรคได้ และผู้เขียนได้ศึกษา
ความสามารถในการท้างานของข้อเข่าแบบ objective จากข้อมูล spatiotemporal ของการเดิน ข้อมูล
kinematics ของข้อเข่า และคะแนน WOMAC ในผู้ป่วยข้อเข่าเสื่อม39 ระดับความรุนแรงและเปรียบเทียบใน
ผู้ป่วยก่อนและหลังการผ่าตัดเปล่ียนข้อเข่า พบว่านอกจากคะแนน WOMAC แล้ว ข้อมูล spatiotemporal
ของการเดินและข้อมูล kinematics ของข้อเข่าเม่ือวัดมุมงอข้อเข่าสูงสุดสามารถน้ามาใช้ในการวัด
ความสามารถการท้างานของขอ้ เขา่ แบบ objective ได้

2.3 ระบบติดตามการเคลอ่ื นไหวด้วย Inertial measurement unit (IMU)40
เป็นการใช้ IMU ในการตรวจจับการเคลื่อนไหว โดยไม่ต้องใช้กล้องในการตรวจจับต้าแหน่ง

หรือท่ีเรียกกันว่า wearable sensor ในแต่ละ IMU ประกอบไปด้วยเซนเซอร์แบบต่าง ๆ ได้แก่ เซนเซอร์วัด
ความเร่งเเบบ 3 มิติ (3D accelerator) วดั การเคล่ือนไหวของมมุ (3D gyroscopes) และวัดเทยี บต้าแหนง่ กับ
ทิศทางของ magnetic field (3D magnetometers) มีทังการใช้เซนเซอร์ชนิดเดียว และการใช้ทัง 3 แบบ
รวมกัน อาทิเช่น Xsense MVN motion capture โดยวางต้าแหน่ง IMU ตามกายวิภาคต่าง ๆ ท่ัวร่างกาย
เมื่อเปรียบเทยี บกบั MBS พบวา่ มี correlation ทด่ี ใี นการวัดมมุ sagittal plane (r2 > 0.8) ของขอ้ สะโพกเข่า
เเละข้อเท้า และอยู่ในระดับ fair-good (r2 0.4-0.8) ในทิศ transverse และ frontal plane25 แต่ค่ามุมการ
เคล่ือนไหว (absolute angle) มีค่าที่ไม่ตรงกับแบบ MBS25, 41, 42 จากการใช้สมการในการค้านวณหา joint
center ที่แตกต่างกัน ข้อจ้ากัดอีกอย่างของการใช้ Xsense คือ ไม่ได้มีการเทียบแกน 3 มิติกับแกน global
เหมอื นใน MBS ท้าใหไ้ มส่ ามารถใช้ร่วมกบั force platform ในการหาค่า kinetic ได้

ปัจจุบันมีงานวิจัยที่ใช้ wearable sensor43-45 เเพร่หลายมากขึน เน่ืองจากมีขนาดเล็ก ราคาถูก
น้ามาเก็บข้อมูลของ spatiotemporal ได้แม่นย้า45-47 สามารถใช้ติดตามการเคล่อื นไหวในชีวิตประจา้ วนั นอก
พืนที่ gait laboratory ได้ รวมถึงการขยับเคลื่อนไหวของมุมที่เปล่ียนแปลงไวในกลุ่มนักกีฬาได้48 ซึ่งผู้ป่วยมี
แนวโน้มที่จะเดินขณะท้าการทดสอบในโรงพยาบาลได้ดีกว่าที่เดินในชีวิตประจ้าวัน หรือเรียกว่า white coat
effect49, 50 การเลือกชนิด จ้านวนและต้าแหนง่ ของ IMU จึงขึนกับจุดประสงค์ของข้อมูลที่ตอ้ งการศึกษา เชน่
การประเมินความรุนแรงและความเสี่ยงในการหกล้มในผู้ป่วยพาร์กินสัน สามารถท้าได้โดยการใช้ IMU 1 ตัว
วดั คา่ turning velocity ของ lumbar spine51 หรอื ใช้ IMU มากกวา่ 1 ตวั ติดทต่ี า้ แหน่งของขาเเละเท้า เพ่ือ
วัดข้อมูลของ stride length, สัดส่วน DST ต่อ freezing of gait ในผู้ป่วยพาร์กินสัน52 หรือใช้เพื่อหา

194

ความสัมพันธ์ของ kinematic, stride variability ต่อการหกล้มในผู้ป่วยโรคหลอดเลือดสมอง43 เป็นต้น
รวมถึงมีการเช่ือมต่อข้อมูลกับ application เพ่ือใช้ในการติดตามเเละให้ feedback ขณะออกก้าลังกายใน
กลุ่มผู้ป่วย movement disorder หรือกลุ่มผู้สูงอายุท่ีมีความเส่ียงต่อการหกล้ม40, 53 ผู้เขียนผลิต IMU
วัดรูปแบบการงอเหยียดข้อเข่าในขณะเดิน และมีการเชื่อมต่อข้อมูลกับ application เพื่อใช้ในการติดตาม
เเละให้ feedback ขณะเคลอื่ นไหวออกแรง54 และได้ผ่านการทดสอบความแม่นย้าในการตรวจการเคลอ่ื นไหว
ข้อเข่าในแนวงอและเหยยี ดเม่ือเทียบกบั เครือ่ งวิเคราะห์การเดินและเคลื่อนไหวมาตรฐาน54

2.4 การวิเคราะหข์ อ้ มูลการเดนิ เเบบ 2 มิติ (2D gait Analysis)
การวิเคราะห์ข้อมูลแบบ 2D ได้รับความนิยมมากขึน เน่ืองจากราคาถูก ใช้อุปกรณ์น้อยกว่า

สะดวกในการเก็บข้อมูล มีทังแบบท่ีใช้และไม่ใช้ marker สามารถใช้กล้องราคาไม่แพงร่วมกับโปรแกรม
software ที่สามารถดาวน์โหลดได้ฟรี เช่น Kinovea ระยะห่างท่ีวัดได้แม่นย้า คือ ต้าแหน่งท่ีอยู่ห่างจากกลอ้ ง
ภายในระยะทาง 5 เมตร และการเคลื่อนไหวของมุมอยู่ในช่วง 45-90 องศา55 มีความแม่นย้าสูงในการวัดมุม
sagittal plane ของข้อสะโพกเเละข้อเข่า แตกต่างอยู่ท่ี 3-5 องศา (r=0.82-0.87) มี correlaton ท่ีดี ในการ
วัดมุมเข่าในผู้ป่วย cerebral palsy เมื่อเทียบกับ MBS56 ข้อจ้ากัด คือ ยังขาดความแม่นย้าในการวัดมุมของ
pelvic และ trunk จากการศึกษาในคนปกติ57 และวัดไดแ้ คม่ มุ ในทศิ sagittal plane
วธิ ีการวัดแรง (force) และ แรงกด (pressure)

วัดได้หลายวิธี ได้แก่ force platform/force plate, pad ink, instrumented walkway และ
in-shoe system

1. Force platform/force plate ใ ช้ วั ด แ ร ง GRFs ท่ี ก ร ะ ท้ า ต่ อ เ ท้ า ใ น แ น ว vertical,
anteroposterior และ medio-lateral และเม่ือน้ามาค้านวณร่วมกับการเก็บข้อมูล kinematics จะสามารถ
หาคา่ kinetics ได้ ข้อจ้ากดั ทพ่ี บบ่อย คือ รูปแบบการเดนิ ทีไ่ ม่เป็นธรรมชาติจากการทผ่ี ู้ถกู ทดสอบตังใจเดินให้
ลงพอดีกับแผน่ ดงั นันการวางแผ่น force plate ควรอย่ใู นระนาบเดียวกบั พืนที่ใช้ในการเก็บข้อมลู และไมค่ วร
ให้ผถู้ กู ทดสอบมองเหน็ force plate ไดช้ ดั เจน ขอ้ จ้ากัดอีกอย่าง คอื ระยะในการก้าวไม่พอดีกบั ตา้ เเหน่งของ
เเผ่นที่วางไว้ เช่น ในเด็กท่ีมีช่วงการก้าวสัน ควรออกแบบรูปแบบต้าแหน่งการวางหรือเพิ่มจ้านวน force
plate ให้เหมาะสม ข้อมูลแรงท่ีกระท้าบน force plate ท่ีได้ จะน้ามาเปรียบเทียบทางคลินิกได้ยาก ทังจาก
น้าหนักตัวที่ไม่เท่ากันในแต่ละคน หรือแม้แต่ในคนท่ีมีน้าหนักเท่ากัน อาจเดินบน force plate ด้วยแรงที่
แตกต่างกันได้ การใชท้ างคลนิ กิ สว่ นใหญ่จึงเปน็ การวัดค่า spatiotemporal parameter และคา่ moment ที่
กระท้ากับข้อต่อมากกว่า ดังงานวิจัยของผู้เขียนท่ีน้า force plate มาวัด gait speed, step/stride length
ในผู้ปว่ ยพารก์ ินสนั กอ่ นและหลังฝกึ การเดนิ ดว้ ย cueings ชนิด visual, auditory and somatosensory และ
น้ามาเปรียบเทียบประสิทธิภาพระหว่าง cueing ชนิดต่าง ๆ ได้ด้วย58 รวมถึงงานวิจัยของผู้เขียนท่ีน้ามาใช้
ควบคู่กับ dynamic EMG พบว่าอาจมีความไวกว่าการใช้การวัดทางคลินิก ในการประเมินการเปลี่ยนแปลง
ระดบั การหดเกรง็ ของกลา้ มเนอื หลงั จากฉีดยาลดเกรง็ ในผปู้ ว่ ยกลา้ มเนือหดเกร็งชนดิ เรอื รัง59

2. Pad ink ติดท่ีพืนรองเท้าหรือโรยแป้งที่ฝ่าเท้าในกรณีไม่มีอุปกรณ์ราคาแพง ไปจนถึงการติด
footswitch บนแผ่นรองเท้า เช่น ส้นเท้าและฝ่าเท้า น้ามาวัดค่า step/stride length และค้านวณระยะเวลา
ที่ใช้ในช่วง stance และ swing ได้ ข้อเสียของการใช้ footswitch คือ การเส่ือมสภาพของอุปกรณ์จากแรง
กระแทกหลงั ใชง้ านต่อเนอ่ื ง ทา้ ให้วดั คา่ ไดค้ ลาดเคลือ่ น จ้าเป็นต้องออกแบบอุปกรณ์มาปอ้ งกนั

3. Instrumented walkway เป็นการใช้วัสดุน้าไฟฟ้า เช่น โลหะหรือยางที่น้าไฟฟ้ามาจับ
สัญญาณเวลาท่ีเท้าสัมผัสพืน ใช้หลักการโปรแกรมและให้ข้อมูลแบบเดียวกับ footswitch โดยท้าเป็น
pressure-sensitive mat ทางเดนิ ท่ีมี footswitch ตดิ ไว้หลายต้าแหน่ง เชน่ GAITRite system ดงั รปู ที่ 11

195

4. In-shoe system เพื่อใช้วัดแรงกดบนฝ่าเท้าในต้าแหน่งต่าง ๆ เช่น 1st และ 5th metatarsal
head, heel ขณะเดิน สาเหตุหลักอย่างหน่ึงของปัญหาสุขภาพเท้าที่พบมากที่สุด คือ ความผิดปกติของการ
กระจายแรงกดในฝ่าเท้า ดังนันการตรวจวัดแรงกดในฝ่าเท้าจึงมีความส้าคัญเป็นอย่างย่ิงต่อการการรักษา
ความผิดปกติของเท้า ผู้เขียนได้พัฒนาอุปกรณ์ตรวจวัดแรงกดในฝ่าเท้าชนิดพกพาอย่างง่ายขึน ซ่ึงมีราคาถูก
และใช้งานง่าย และเพื่อเทียบผลสอดคล้องระหว่างอุปกรณ์ที่พัฒนาขึนกับเคร่ืองวัดแรงกดในฝ่าเท้าประเภท
แผน่ รองเทา้ (F-scan) ท่ใี ช้เป็นเครอ่ื งอ้างอิงมาตรฐาน พบว่าสหสัมพนั ธ์ภายในกลุ่ม (intra-class correlation
coefficients) มคี วามสอดคลอ้ งกัน60 (ดงั รูปท่ี 11)

รูปที่ 11 อุปกรณ์ in-shoe system60 และมีระบบสัญญาณเตอื นกรณีท่ีมีการลงน้าหนักผดิ ปกติ (ซ้าย)
และGAITRite system (ขวา)1

การตรวจคลนื่ ไฟฟา้ กลา้ มเนื้อขณะเคลื่อนไหว dynamic electromyography (dEMG)
เป็นการวัดการออกแรงของกล้ามเนือ ในรูปแบบ amplitude และ frequency มีทังแบบ surface
EMG เ ห ม า ะ กั บ ก ล้ า ม เ นื อ superficial เ ช่ น Gluteus maximus, Quadriceps, Tibialis anterior,
Gastrocnemius และ fine wire EMG ใช้ในกล้ามเนือที่อยู่ลึก เช่น Gluteus medius, Tibialis posterior,
Flexor hallucis longus การวิเคราะห์ข้อมูลจาก EMG ร่วมกับ kinematics เป็นการดูการท้างานของ
กล้ามเนือท่ีมีผลต่อมุมเเละทิศทางการเคล่ือนไหว ซ่ึงในการเดินปกติบางจังหวะอาจมีการออกแรงของ
กล้ามเนือก่อนที่จะมีการเคล่ือนไหวของข้อต่อ มีการออกแรงของกลา้ มเนอื นอกข้อต่อนนั ๆ รวมถงึ ทิศทางการ
ออกแรงอาจไม่สัมพันธ์กับทิศทางของมุม เช่น dEMG แสดงการท้างานของกล้ามเนือ PF ในขณะที่มุมข้อเท้า
จะเปน็ ในทศิ ทางของ DF ท่มี ีคา่ ลดลงในช่วง stance phase ดังนนั การประเมินจึงต้องอาศยั ความรู้และความ
เข้าใจในแต่ละช่วงของ gait cycle ความผิดปกติ dEMG สามารถมาช่วยในการประเมิน spasticity ได้ เเต่ไม่
สามารถแยกทิศทางของการออกแรงแบบ concentric, eccentric หรือ isometric การวิเคราะห์ข้อมูลท่ีได้
จาก dEMG ร่วมกับ kinematics เป็นการดกู ารทา้ งานของกล้ามเนือที่มีผลตอ่ มมุ เเละทศิ ทางการเคล่ือนไหว
กล่าวโดยสรุป IGA มีข้อดีในการช่วยวิเคราะห์ข้อมูลแบบ objective ช่วยตรวจพบความผิดปกติท่ี
สายตามีความไวไม่พอ ปัจจบุ นั ยังถือวา่ MBS เปน็ gold standard ที่ใช้ในเป็นหลกั ในทางคลนิ ิค อย่างไรก็ตาม
ยังมีข้อจ้ากัดในการเปรียบเทียบ validity ของระบบต่าง ๆ ในการวัดมุมที่เปลี่ยนแปลง MBS เองก็ยังมี
ความคลาดเลื่อนของข้อมูล เน่ืองจาก MBS ไม่ได้มีการติด marker วัดที่ต้าเเหน่งกระดูกโดยตรง เเละ
การศึกษาเปรียบเทียบข้อมูลกับการวาง marker ท่ีต้าเเหน่งกระดูกมีค่อนข้างน้อย16, 31, 32 การเลือกใช้ชนิด
ของเครื่องมือในการวิเคราะห์ขึนกับจุดประสงค์ การใช้งานและความเหมาะสมในทางคลินิกเป็นหลัก โดย
พิจารณาจากขอ้ ดขี อ้ เสียในตารางที่ 2

196

ตารางท่ี 2 ข้อดี ข้อเสีย และอุปกรณท์ ่ีใชใ้ นระบบต่าง ๆ 16, 17, 22, 28, 29, 40-42, 61

วิธวี ิเคราะหก์ ารเดิน อปุ กรณ์ท่ีใช้ตัวอยา่ ง ขอ้ ดี ขอ้ เสีย

อปุ กรณ์

Observational gait VDO, กล้อง VDO ประเมนิ gait deviation วดั คา่ spatio- การประเมนิ ขนึ กับทกั ษะของผปู้ ระเมิน ไม่
analysis temporal parameter เช่น gait speed, สามารถเก็บขอ้ มูล joint moments, muscle
Visual based MBS, marker, step length เพื่อใชต้ ิดตามทางคลินิคได้ ทา contraction, asymmetrical ratio, %DST
kinematic analysis/ กลอ้ ง opto- งา่ ย ใช้เวลาไม่นาน ประเมินซาได้ ได้
Camera-based electronic, software gold standard มคี วามแม่นยาสูง มีหลักฐาน ต้องประเมินโดยผู้ที่มีประสบการณ์ จากดั
motion analysis เชน่ Vicon, Qualisys การใช้งานทางคลินิกช่วยในการวางแผนการ สถานที่ในการเก็บขอ้ มลู ตอ้ งทาในห้อง ปฏบิ ัติ
รกั ษา วินจิ ฉยั เก็บขอ้ มูลแบบ objective ใช้ การณเ์ ทา่ นัน ไม่สามารถตดิ ตามการเดนิ ใน
IMU kinematics MLS, camera, รว่ มกับ force plate+EMG วัดคา่ kinetic ชวี ิตประจาวันได้ ใชเ้ วลานาน ราคาสงู
analysis software เช่น Kinect และการทางานของกล้ามเนือได้
ใช้เวลาสัน ทาไดง้ ่าย ราคาไมแ่ พง ไม่ต้องอาศัย ขาดความแม่นยาของขอ้ มลู ในทิศ transverse
Force platform 2D system, ประสบการณ์ของคนท่ีเกบ็ ข้อมูล ทาใหล้ ด plane ผลการใช้งานทางคลินิกยังมขี ้อมูลไม่
VDO, software ปญั หา inter-rater reliability มากพอ และเป็นการศึกษาในคนปกติ
Wearable system +/-marker เชน่ ขอ้ มลู ที่ได้เช่นเดียวกบั VOGA แต่สามารถเก็บ เก็บขอ้ มูลในทิศของ transverse และ
Kinovea freeware ข้อมูล kinematic ไดแ้ บบ objective ปรับ coronal plane ไมไ่ ด้
Distance sensing ความถี่ในการดูข้อมลู ไดเ้ หมอื น MBS ใช้ใน
systems wearable sensor: 3D กลุ่มนักกีฬาที่มีการเคลอ่ื นไหวเร็ว ๆ ได้ เก็บ ไมส่ ามารถใชร้ ว่ มกบั force plate ได้จงึ วดั คา่
ccelerometer, ข้อมูลกลางแจง้ ได้ kinetic ไมไ่ ด้ การวัดค่า spatiotemporal
gyroscope, ประเมนิ ขอ้ มูลเพ่ือใช้ในการฝึกและติดตามใน parameter และ gait detection ไมค่ อ่ ย
magnetometer เช่น ระดับคลินกิ ได้ ความละเอียดหรือข้อมูลที่ได้ เที่ยงตรง ในกรณีใช้ 3D magnetometer
Xsense ขึนกบั ชนิดและจานวนของ sensor ท่ใี ช้ ใช้ ห้ามอยู่ใกลอ้ ปุ กรณ์ท่ีมีคล่ืนเเม่เหลก็ ไฟฟ้า
เวลาสัน ทาได้ง่าย ไม่ต้องอาศยั ประสบการณ์ เนื่องจากมีสัญญาณรบกวน
force plate เช่น ของคนเก็บขอ้ มลู ลดปัญหา inter-rater
AMTI, Kitsler reliability ไมต่ อ้ งใช้กล้อง เกบ็ ติดตามนอก ราคาแพง จากัดจานวนกา้ ว เดินไม่ธรรมชาติ
gait mat, multiple โรงพยาบาล/กิจกรรมในชีวิตประจาวนั ได้ จากการที่ต้องเดนิ ให้ลงตาแหน่ง force plate
force sensors เช่น ไดค้ ่าแรง GRF แบบ 3D ใช้ร่วมกับ MBS ใน เกบ็ ได้แต่แรงในแนว vertical ราคาแพง การ
Gaitrite การหาคา่ kinetics ได้ ดูแลรักษาอปุ กรณ์มีความซบั ซอ้ นเนื่องจากมี
force sensing shoe สามารถเกบ็ ค่า spatiotemporal เซนเซอรห์ ลายตาแหนง่
(In-shoe device), parameters ในการเดนิ ตอ่ เนือ่ งได้ ทงั นี ขาดขอ้ มูลในสว่ นของ spatial parameters
insole, foot switch ขึนกบั ความยาวของ mat อุปกรณไ์ ม่ทนทาน ดแู ลรกั ษายาก
เช่น Tekscan วัดค่า temporal parameter ไดแ้ ม่นยา
roller based + ถ้าไมไ่ ด้ใช้รว่ มกับ force sensing shoe จะไม่
force sensing insole วัดคา่ spatiotemporal parameter ได้ สามารถวัด temporal parameter ได้
เช่น Tailgait แม่นยา บอกสัดส่วนการถา่ ยเทนาหนักได้ อุปกรณ์อาจทาใหร้ สู้ ึกไมค่ ล่องตวั

197

การนาการวิเคราะห์การเดินมาใช้ทางคลนิ กิ (Clinical application of gait analysis)
รูปแบบการเดินที่ผิดปกติ เป็นการแสดงผลกระทบจากพยาธิสภาพที่เกิดขึนผ่านกระบวนการชดเชย

ของร่างกาย ซึ่งต้องอาศัยการซักประวัติและตรวจร่างกายมาประกอบในการวิเคราะห์หาสาเหตุและอธิบาย
กลไกท่ีเกิดขึน รวมถึงวางแผนการรักษา ประโยชน์ของ clinical gait analysis ได้แก่ ช่วยในการวินิจฉัยหรือ
เป็น early detection ประเมินความรุนแรง ประกอบการตัดสินใจในการเลือกวิธีและติดตามผลในการรักษา
ท้านายผลของการรักษาหรือเพื่อการวิจัย2 การเลือกวิธีหรือเทคโนโลยีท่ีใช้ขึนกับจุดประสงค์การใช้งาน
เทคโนโลยีที่มีความแม่นย้าสูง ราคาแพง อาจไม่ได้เหมาะสมที่สุดเสมอไป หากความคลาดเคลื่อนของข้อมูล
จากวิธีท่ีมีขันตอนน้อยกว่าอยู่ในเกณฑ์ที่รับได้เพียงพอต่อการวางแผนรักษา เมื่อเทียบกับเวลาท่ีใช้และราคา
รวมถึงในบางกรณีการเก็บข้อมูลที่ต้องจ้ากัดอยู่แต่ใน gait lab อาจไม่ได้สะท้อนข้อมูลที่แท้จริงของผู้ป่วย
ในท่นี จี ะขอยกตัวอยา่ งตวั ชีวัดทน่ี ิยมใช้ในการประเมินทางคลนิ กิ วธี ีท่ใี ชใ้ นการประเมินและตัวอย่างกรณศี กึ ษา

Spatiotemporal parameter
เป็นข้อมูลเบืองต้นท่ีใช้ในการประเมินคุณภาพของการเดินทางคลินิก ใช้เวลาไม่นาน และควรเริ่ม
สงั เกตตงั แตต่ อนลกุ ยืน เดนิ เข้าประตูห้องตรวจ รวมถงึ ควรมีช่วงของการเลียวหรือเปลยี่ นทศิ ทาง
Gait speed: ถือเปน็ the 6th vital sign ในการบอกสขุ ภาวะ62 เป็นตวั ชวี ัดทมี่ กี ารนา้ มาใช้อย่างเเพร่
หลาย มีขันตอนไม่ยุ่งยาก และมีการพิสูจน์ทัง validity, reliability, sensitivity และ specificity ที่ส้าคัญ
ในทางคลินิค อาทเิ ช่น สมั พันธก์ บั ความเสี่ยงต่อการหกล้ม ความสามารถในการใช้ชีวติ ประจา้ วันด้วยตนเอง ใช้
เป็นตัวท้านายผลในการฝึกคล่อื นท่ีได้ เช่น การเดินข้ามถนนอยา่ งปลอดภยั ต้องเดินต่อเน่ืองได้อย่างน้อย 500
เมตร ที่ความเร็ว 1.1-1.5 เมตร/วินาที63 (รูปท่ี 12) วิธีวัดท่ีเป็นมาตรฐาน คือ การเดินในระยะทางทังหมด 14
เมตร และน้าข้อมูลจากระยะทาง 10 เมตรตรงกลางมาค้านวณ (10 meter walk test) ส้าหรับคนท่ีไม่
สามารถเดินไดค้ รบในระยะทางดงั กลา่ ว เช่น ผู้สงู อายุ ผปู้ ว่ ยโรคปอด เป็นตน้ สามารถปรบั ลดระยะทางเป็น 5-
10 เมตร และเทียบกับค่ามาตรฐานกลางท่ีระยะทางนัน ๆ ได้ แต่หากเดินได้น้อยกว่า 5 เมตร ไม่แนะน้าการ
เทียบกับค่ามาตรฐานกลาง ให้ใช้วิธีเปรียบเทียบเป็นความสามารถในแต่ละบุคคลแทน ข้อจ้ากัดของวิธีนี คือ
ขาดข้อมูลในช่วงเร่ิมต้นและตอนท้ายของการเดิน (acceleration และ deceleration) และไม่มีการประเมิน
ในช่วงเลียวหรือเปลี่ยนทิศทาง ซึ่งเป็นจังหวะที่พบความผิดปกติ และเป็นสาเหตุของการล้มท่ีพบได้บ่อยใน
ผู้ป่วยบางกลุ่ม นอกจากนี gait speed ยงั ไมส่ ามารถแสดงคุณภาพของการถา่ ยเทน้าหนกั (spatiotemporal
index) ได้2, 64 เช่น คนที่เดินได้เร็ว อาจไม่ได้มีสัดส่วนการลงน้าหนักขา 2 ข้างที่เท่ากัน และไม่สามารถบอก
ความผิดปกติจากการเคล่อื นไหวของข้อตอ่ ตา่ ง ๆ ได้
การถ่ายเทน้าหนัก สามารถประเมินได้จากสัดส่วนเวลาในการลงน้าหนักของขาทัง 2 ข้าง และ
ระยะทางในการก้าว อัตราส่วนท่ีมีความสมมาตรกัน (gait symmetrical ratio) แสดงถึงการเดินท่ีมั่นคง และ
มีการทรงตวั ทด่ี ี ในผ้ปู ่วยท่มี ีจงั หวะการเดนิ ในเเตล่ ะก้าวไม่สม้่าเสมอ (variability) จะมีความเส่ยี งในการหกล้ม
เพิ่มขึน65 กรณีของผู้ป่วย hemiparetic gait มักจะมีสัดส่วนของ DST ท่ีนานขึน มีช่วง stance time และ
step length ของขาข้างที่อ่อนเเรงสันลง จุดท่ีน่าสังเกตในกรณีที่ล้มหรือเซบ่อยตอนเริ่มก้าวเดิน จะพบว่ามี
การใช้เวลาจากช่วง swing phase ถึงจงั หวะ IC นานกวา่ ขาข้างปกติ66 นอกจากนี ค่า step length ทีล่ ดลงยงั
สัมพันธ์กับโมเมนต์และก้าลังของกล้ามเนือกลุ่ม hip และ knee extensor ที่ลดลงด้วย เช่น ในคนสูงอายุที่มี
การก้าวเดนิ ทีส่ ันลงจากกล้ามเนอื สะโพกท่ไี ม่แขง็ แรง2 เป็นตน้

198

รปู ที่ 12 ความสัมพนั ธ์ของการเดนิ กบั ค่า gait speed62

Gait and turning
ช่วงท่ีมีการเปลี่ยนทิศทาง โดยเฉพาะการเลียว (turning) ถือเป็นตัวชีวัดที่ส้าคัญ สัมพันธ์กับ
ความสามารถในการด้าเนินชีวิตเเบบอิสระและความเส่ียงต่อการหกลม้ รวมถึงเป็น early detection ในคนท่ี
มีความผิดปกติน้อยได้ไวกว่าการเดินทางตรง การประเมินทางคลินิก เช่น การทดสอบ Timed Up and Go
(TUG) มีข้อจ้ากัดท่ีไม่ได้ติดตามในชีวิตประจ้าวันของผู้ป่วย ซ่ึงบางโรคมีการเปลี่ยนเเปลงของประสาทสั่งการ
ได้ตามเวลาในการออกฤทธ์ิของยาหรือมีผลกระทบจากอาการล้า (fatigue) ระหว่างวัน ปัจจุบันจึงนิยมใช้
wearable IMU ในการเก็บข้อมูล เชน่ วัดจ้านวนก้าวทใ่ี ช้ต่อการเลยี ว (step/turn) ย่ิงมีความหลากหลายมาก
จะเส่ียงตอ่ การหกล้มมากขนึ การเช่อื มต่ออุปกรณ์กับ mobile application เพ่อื ใช้เปน็ ข้อมูลป้อนกลับในการ
ออกก้าลังกาย รวมถึงใชใ้ นงานวิจัย เพือ่ วดั instrumented TUG (iTUG) เปน็ การเพิ่ม reliability ของ inter-
rater67, 68
Gait deviation
ข้อมูล kinematics เป็นการประเมินมุมข้อที่เปลี่ยนแปลงไปจากมุมปกติในแต่ละจังหวะการเดิน แต่
จะยังไม่สามารถบอกกล้ามเนือที่เป็นสาเหตุของความผิดปกติได้ ต้องอาศัยการตรวจก้าลังกล้ามเนือ และการ
หดเกร็ง EMG จะมีส่วนช่วยประเมินการท้างานกล้ามเนือในขณะเดินร่วมกับข้อมูล kinetics ในการประเมิน
แรงตงึ ตวั ที่เกดิ กับเส้นเอน็ หรือขอ้ ตอ่ ตา่ ง ๆ
Kinematics and dynamic electromyography (dEMG)69
ข้อมลู ทไ่ี ดจ้ าก dEMG และ kinematics จะช่วยเเยกกลา้ มเนือทีเ่ ปน็ สาเหตุของการเดินทผ่ี ิดปกติ โดย
ดูจากการเกิด prolonged contraction, มี co-contraction ของกล้ามเนือ agonist-antagonist หรือมี
premature/delayed muscle activation ท่ีผิดปกติไป เช่น การเดินเข่าแอ่นท่ีเกิดจากความผิดปกติของข้อ
เข่าโดยตรงหรอื เกดิ จาก indirect effect จากขอ้ เทา้ หากเกดิ จากการเกร็งของกล้ามเนือ Quadirceps dEMG
ของกล้ามเนือ Quadriceps จะแสดงกราฟแบบ hyperactivity ตรงกับจังหวะเข่าเเอ่น แต่ถ้าเกิดจากข้อเท้า
เช่น กล้ามเนือ Gastrocnemius อ่อนแรง ในช่วง terminal stance dEMG จะไม่พบ activation ของ
กล้ามเนือดังกล่าว dEMG ยังมีส่วนช่วยในการประเมินกล้ามเนือท่ีเป็นสาเหตุหลักของการเกร็ง เช่น ใน
equinous gait ว่าเกิดจาก overactivation ของกล้ามเนือมัดไหน ระหว่าง Soleus, medial หรือ lateral
Gastrocnemius เพ่ือประกอบการตัดสินใจในการฉีดยาลดเกร็งหรือการผ่าตัด รวมถึงติดตามหรือประเมิน
ผลการรักษาด้วย orthosis, gait training exercise และการใช้ gait aid เน่ืองจากการเกิดการเกร็ง มีการ

199

เปลี่ยนแปลงได้ตามเวลาและช่วงอายุ จึงมีการแนะน้าให้บันทึกข้อมูล แบบ SMART rule (specific,
measurable, attainable, realistic, timed) เพอื่ ใช้ในการตดิ ตามและวางแผนการรักษา

การวิเคราะหก์ ารเดินในผปู้ ว่ ยกลมุ่ โรคต่าง ๆ
1. ผู้ป่วยโรคหลอดเลือดสมอง

ในท่ีนีจะกล่าวถึงตัวชีวัดหลัก ๆ ที่ใช้ในทางคลินิก โดยแยกในส่วนท่ีสามารถท้าได้ด้วยการสังเกต
แบบใช้วีดโี อ (video gait analysis; VOGA) และการใช้ IGA

Spatiotemporal parameters
การวัด gait speed, step length และ cadence มีความส้าคัญในทางคลินิก ตามที่ได้กล่าวไว้
ขา้ งบน สามารถประเมนิ ไดด้ ้วยการสงั เกต แตใ่ นการประเมินสัดส่วนการถ่ายเทน้าหนัก ถึงแม้วา่ ข้อมูลทไี่ ด้จาก
VOGA พอจะน้ามาใช้ในการวางแผนรักษาได้ แต่การใช้ IGA จะท้าได้ง่ายและแม่นย้ากว่า โดยเฉพาะในการ
บนั ทกึ เพ่ือตดิ ตามการรักษา รวมถงึ เก็บเป็นข้อมูล objective ในงานวิจยั
Kinematics
การประเมนิ แบบ OGA สามารถดูความผิดปกติของ gait deviation ทเี่ หน็ ชัดเจนได้ IGA จะมีสว่ น
ชว่ ยในการเกบ็ ข้อมูลแบบ objective และประเมินความผิดปกติ ในกรณที ่ีมกี ารเปลยี่ นแปลงเล็กน้อยยากท่ีจะ
เหน็ ด้วยตาเปลา่ เชน่ ผปู้ ว่ ยโรคหลอดเลอื ดสมองที่เดินด้วย gait speed ใกล้เคยี งคนปกติ ข้อมลู ความผิดปกติ
ที่ได้เพิ่มจาก IGA คือ มุมของ posterior pelvic tilt, hip abduction ankle DF ท่ีต่างจากข้างปกติเลก็ นอ้ ย
ในจังหวะยกขา70 เป็นต้น รวมถึงช่วงเวลาที่ใช้ในการเข้า phase ต่าง ๆ ของ GC ซ่ึง IGA จะตรวจพบความ
ผิดปกตแิ ละบันทกึ เป็นขอ้ มูลเพ่ือใช้ในการติดตามไดง้ า่ ยกวา่
ผู้เขียนขอยกตัวอย่างผู้ป่วยอัมพฤกษ์ซีกซ้าย ที่มี chronic of right L5-S1 radiculopathy
ทนี่ ่าสนใจ คอื การเกดิ foot drop ของขาขา้ งซา้ ย เปน็ จาก UMN lesion มี dynamic spastic ของกลา้ มเนือ
กลุ่ม plantar flexor (PF) การลงน้าหนักของขาข้างซ้ายจะเป็นแบบ forefoot contact เดินงอเข่าและ
สะโพก ในขณะท่ีการเกิด foot drop ของข้างขวามีปัญหาแบบ LMN มีแรงของกล้ามเนือ DF/PF gr.3-/3-
ร่วมกับมีการอ่อนแรงของ hip extensor มีการลงน้าหนักแบบ total foot contact และมีมุมของ knee
extension ที่มากเกินไปในช่วง stance phase ในเคสนีมีการเปล่ียนแปลงมุม kinematic สามารถเห็นได้
ชัดเจนจากการสังเกต ที่น่าสนใจมากคือ ระยะเวลาท่ี delay ของช่วง terminal stance เข้าสู่ช่วง swing
phase ท่ีขาขา้ งซา้ ยใช้เวลานานกวา่ ดังรูปที่ 13 ซ่ึงเป็นจุดท่ีตาสังเกตได้ไมช่ ัดเท่ากบั IGA จากขอ้ มูลทีไ่ ด้ท้าให้
ผู้เขียน น้าไปปรับโปรแกรมการฟ้ืนฟู gait training และการออกแบบกายอุปกรณ์ ankle foot orthosis
(AFO) ท่ีนอกจากจะแก้ปัญหา foot drop จากกล้ามเนือ Tibialis anterior อ่อนแรง ยังต้องพิจารณาการ
ชดเชยการอ่อนแรงของกล้ามเนือ PF ร่วมด้วย โดยข้างท่ีเป็น LMN เป็นปัญหาที่มีมาเกิน 5 ปี กายอุปกรณ์ที่
ท้าจึงเป็นแบบ solid AFO ที่ตังแนวแรงด้วยการเสริม heel wedge เพื่อช่วยในจังหวะ TS ให้แนวแรง
ผา่ นหน้าเขา่ และหลังสะโพก และใช้เวลาสันลงในการเขา้ สู่ชว่ ง swing phase สว่ นขาขา้ งซา้ ยท่ีเป็นปญั หาจาก
UMN lesion และยังมกี ารฟ้นื ตวั ของกล้ามเนือ จงึ รกั ษาด้วยการลด spasticity และออกแบบเป็น semi-rigid
AFO ทผ่ี ้ปู ่วยสามารถขยับกล้ามเนอื รอบข้อเทา้ ไดต้ ามการฟืน้ ตัวของผู้ปว่ ย

200

รูปท่ี 13 กราฟการเดินของผู้ป่วย เสน้ สแี ดง คือ ขาด้านขวา สนี า้ เงิน คือ ขาด้านซา้ ย
Kinetics
ข้อมูลท่ีส้าคัญในการปรับโปรแกรมการฝกึ เดนิ คือ ค่า moment และ power โดยเฉพาะอย่างยิง่
ในผู้ป่วยโรคหลอดเลือดสมองท่ีมีความผิดปกติของค่า kinematics เพียงเล็กน้อยใกล้เคียงคนปกติ มีค่า
amplitude ของกล้ามเนือที่อ่อนแรงลดลงเล็กน้อย และ amplitude ของกล้ามเนือที่เกร็งเพิ่มขึนไม่มาก โดย
ในรายที่มีแต่กล้ามเนืออ่อนแรงโดยยังไม่มีการเกร็งนัน ความแตกต่างท่ีเห็นได้ชัดจะได้จากค่า moment และ
power ท่ีเปลี่ยนแปลงไป เช่น ในจังหวะ push-off พบว่าผู้ป่วยมีการใช้แรงของ PF น้อย และชดเชยด้วยการ
เพ่ิมแรงของ hip flexor9 ดังนันเป้าหมายของการฝึกในผู้ป่วยรายนี คือ เน้นการใช้แรงของ PF เพื่อประหยัด
การใช้แรงของสะโพก เปน็ ต้น
Kinetics ยังมีบทบาทในการศึกษารูปแบบและวัสดุของกายอุปกรณ์ ในการออกแบบ AFO ใน
ผู้ป่วยโรคหลอดเลือดสมอง แรงของกล้ามเนือ gastrocnemius และความตึงหรือท่ีเรียกว่า lengthening จะ
เป็นจุดพิจารณาท่ีส้าคัญ เพื่อให้มีการลงน้าหนักท่ีข้อเท้า เข่าและสะโพกได้เหมาะสม คงไม่สามารถกล่าว
รายละเอียดทังหมดในบทนี แต่อยากชีประเด็นท่ีน่าสนใจ จากงานวิจัยของผู้เขียนที่ศึกษาผล stiffness ของ
AFO ใน solid, semi-rigid และ posterior leaf spring ต่อรูปแบบการเดิน71 ผลท่ีน่าสนใจ คือ ค่า
kinematics เช่น มุมข้อเข่ามีความแตกต่างกันไม่มาก แต่แรง moment ท่ีกระท้าต่อข้อเข่าต่างกันชัดเจน
(รปู ท่ี 14) ซ่ึงค่า moment ที่ผิดปกติอาจสง่ ผลตอ่ ข้อเข่าในระยะยาวได้

รปู ที่ 14 ผลของ AFO ทม่ี ี stiffness แตกต่างกัน เส้นสีด้า คอื การเดินในคนปกตทิ ่ีไม่ใส่ AFO
dEMG มีประโยชน์ในกรณีหาสาเหตุของกล้ามเนอื ที่ออกแรงผิดปกติ หรือเป็นสาเหตุหลักของการ
เกร็งได้ไม่ชัดเจนจากการตรวจร่างกาย และการประเมินด้วย VOGA เช่น ในกรณีของ dynamic spasticity
หรือผู้ป่วยท่ีมีปัญหาการสื่อสาร เช่น apraxia รวมถึงสาเหตุท่ีเกิดจากนิสัยของการเดิน ในแง่ของการวิจัย

201

สามารถน้าข้อมูลท่ีได้จาก dEMG มาวิเคราะห์ชนิดของ AFO เช่น การศึกษาของผู้เขียนเปรียบเทียบระหว่าง
anterior และ posterior AFO ต่อการลดเกร็งของกล้ามเนือ gastrocnemius ด้วย wireless dEMG พบว่า
แนวโน้มของ anterior AFO ลดเกร็งได้ดีกว่า โดยดูจากค่า dEMG activityที่ลดลงมากกว่าในขณะเดิน72 และ
ผเู้ ขียนพบวา่ อาจมคี วามไวกวา่ การใชก้ ารวดั ทางคลนิ กิ ในผ้ปู ่วยกลา้ มเนือหดเกรง็ ชนดิ เรือรัง59

ปัจจุบัน มีการใช้ IGA ในผู้ป่วย stroke อย่างแพร่หลายมากขึน แต่ยังขาดข้อมูลเชิง evidence-
based ท่ีชัดเจนว่าการน้า IGA มาช่วยจะมีประโยชน์คุ้มค่าจริง ในการตัดสินใจหรือวางเเผนการรักษา73 ส่วน
หนึ่งน่าจะเป็นเพราะว่า การฟื้นตัวของสมองในแต่ละบุคคล มีความหลากหลายแตกต่างกัน และเปล่ียนแปลง
ตามเวลา จากความสามารถของ brain neuroplasticity และ motor relearning ที่เเตกต่างกัน ท้าให้ยาก
ต่อการก้าหนดรูปแบบหรือวางแนวทางได้ชัดเจน นอกจากนี ยังขาดบุคลากรท่ีมีความเช่ียวชาญในการตรวจ
วิเคราะหท์ ่าเดนิ และการแปลผล ซึ่งคาดว่า ในอนาคตเมื่อมแี พทย์และผู้เช่ียวชาญมากขึน จะสามารถมีการน้า
เทคโนโลยีด้านนี มาช่วยวางแผนในการรักษาฟ้ืนฟูให้ เห็นผลดีของการวิเคราะห์การเดินได้อย่างชัดเจนในวง
กวา้ งตอ่ ไป

2. Cerebral Palsy
รูปแบบการเดินในสมองพิการ (cerebral palsy) มีความหลากหลายและค่อนข้างซับซ้อน74

เม่ือเทียบกับโรคหลอดเลือดสมองหรือท่ีเกิดจากความผิดปกติของกระดูกเเละข้อโดยตรง อาทิเช่น ผู้ป่วยขา
ขาด เพราะนอกจากความแตกต่างของรอยโรคในสมองเอง (mixture brain lesion) ท่ีส่งผลให้เกิดกล้ามเนือ
อ่อนแรงและมีการเกร็งท่ีแตกต่างกัน ยังมีผลกระทบที่เกิดขึน (ถึงแม้ว่าโรคทางสมองจะหยุดแล้ว) จากการ
เจริญเติบโตและพัฒนาการท่ีผิดปกติ โครงสร้างกระดูกและกล้ามเนือที่เปล่ียนแปลงตามเวลา การปรับตัว
รวมถึงการรักษาท่ีแตกต่างกันไปในแต่ละช่วงอายุ การแปลผล gait analysis จึงต้องอาศัยประสบการณ์ของ
ผู้ประเมินร่วมกับข้อมูลที่ได้จากการตรวจร่างกายค่อนข้างมาก ได้มีการประชุมของ Delphi consensus เพื่อ
การกา้ หนดแนวทางการใช้ gait analysis ในการประเมิน บนั ทึกรปู เเบบความผิดปกติ และดแู ลผูป้ ว่ ยในกลมุ่ นี
เป็นข้อมูลติดตามต่อเน่ือง75, 76 ซึ่งปัจจุบันการท้า 3D gait analysis อาจไม่ได้มีผลชัดเจนส้าหรับกลุ่มที่ได้รับ
การรักษาด้วยยาลดเกร็ง เมื่อเทียบกับ cost-effective แต่มีบทบาทในกลุ่มที่เป็นการรักษาแบบเฉพาะที่ เช่น
การฉดี ยาลดเกร็ง การผ่าตดั เป็นตน้ โดยการใช้ขอ้ มลู ท่ไี ดจ้ าก dEMG และ kinematics

Spatiotemporal parameter
การน้ามาใช้จะคล้ายกับกรณีผู้ป่วยโรคหลอดเลือดสมอง ขอยกตวั อยา่ งงานวจิ ัยทม่ี ีการใช้อุปกรณ์
TailGaitTM มาติดตามผลการรักษา vojta therapy ต่อการถ่ายเทน้าหนัก ผลท่ีได้ คือ มีค่าสัดส่วนเวลาการ
ลงน้าหนักเท้าทัง 2 ข้างพร้อมกัน (double support time, DST) ก่อนเร่ิมโปรแกรมการฝึก เมื่อท้าการฝึก
ครบ 4 สัปดาห์, 8 สัปดาห์และหลังหยุดการรักษาไปแล้ว 4 สัปดาห์ลดลง ซ่ึงการประเมินดังกล่าวท้าได้ยาก
ดว้ ยวธิ ี OGA77

การติดตามผลของกายอุปกรณท์ แี่ ตกต่างกัน
ตัวอย่างเคส cerebral palsy ที่เดินแบบ jump gait มี spasticity at tight ankle , modified
Ashworth scale (MAS) right ankle 2 และ left ankle MAS 1 โดยเปรียบเทียบผลของการใส่ dynamic
AFO (DAFO), articulated AFO และการเดินแบบเท้าเปล่าหลังได้อุปกรณ์ทันที พบว่ามีมุมของ hip และ
knee ท่ีใกล้เคียงการเดินปกติมากขึน ช่วงที่ยากในการสังเกตแบบ OGA คือ ระยะเวลาที่ใช้ในการเข้าสู่
terminal stance phase ทีแ่ ตกตา่ งกนั ของขาทัง 2 ข้าง และการตดิ ตามค่ามุมที่ดีขนึ แบบ objective ในราย
นี ช่วง terminal stance phase ข้อเท้าข้างขวา จะถูกจ้ากัดมุม PF จาก orthoses ทัง 2 ชนิด ท้าให้ผู้ป่วย

202

เกิดการ compensate ด้วย knee flexion ของข้างขวาที่มากกว่าค่าปกติ ซึ่งสามารถสังเกตเห็นมุมที่
เปล่ียนแปลงดว้ ยตาเปลา่ แตจ่ ะไม่สามารถบอกถึงความแตกตา่ งของมุมงอทเี่ กดิ ขึน เช่น ใน articulated AFO
มีค่ามุม knee flexion ท่ีเกิดขึนมากกว่า DAFO อยู่ที่ 7 องศา รวมถึงยากท่ีจะสังเกตเห็นการ delay ของช่วง
terminal stance ของขาขา้ งซ้ายจากการใส่ articulated AFO เป็นต้น ซง่ึ ปัจจยั ดังกลา่ วมีความสา้ คัญต่อการ
วางแผนการฝึก gait training ร่วมกับ orthosis ที่สวมใส่ ใช้ในการติดตามไปจนถึงวางแนวทางปฏิบัติในการ
ออกแบบหรือเลอื กชนิดของกายอุปกรณ์

รปู ที่ 15 รปู แบบการเดนิ จากซ้ายไปขวา: ไม่ใส่ AFO, ใส่ articulated AFO และใส่ DAFO
สีดา้ แสดงการเดินแบบคนปกติ สีแดง คือ ขาข้างขวา สีนา้ เงนิ คอื ขาข้างซา้ ย

3D gait analysis มบี ทบาทส้าคัญต่อการผา่ ตัด ใช้เป็นแนวทางในการเลือกรูปแบบการผา่ ตดั 78, 79
ปัจจุบันได้มีการพัฒนา model จ้าลองของผู้ป่วยแต่ละราย โดยใช้ข้อมูลจาก 3D gait analysis และ
magnetic resonance imaging (MRI) มาจ้าลองผลของการผ่าตัดวิธีตา่ ง ๆ80 รวบรวมเป็นฐานข้อมูล ช่วยใน
การประเมนิ และวางแผนในการรักษา

3. ผ้ปู ่วยโรคพาร์กนิ สัน
การวิเคราะห์การเดินในผู้ป่วยกลุ่มนี81, 82 มีจุดประสงค์หลักเพื่อเป็น early detection ในช่วงท่ี

อาการเป็นไม่เยอะ ใช้ติดตามการรักษา และประเมินความเสี่ยงในการหกล้มซ่ึงมักมีปัญหาช่วงหมุนตัวเปลีย่ น
ทิศทาง หรือในขณะท้ากิจกรรมอ่ืนร่วมด้วย (dual-task) ซ่ึงการเดินในโรงพยาบาลหรือ gait laboratory มัก
ไม่พบความผิดปกติ ดังกล่าวจาก white coat effect51, 83 ท่ีท้าให้ผู้ป่วยเดินได้ดีกว่าในชีวิตประจ้าวัน การ
ตดิ ตามดว้ ย wearable sensor (IMU) จงึ มคี วามนิยมมากขึน

การประเมินความรนุ แรงของโรค82
ในช่วง early stage การเปลี่ยนเเปลงที่เกิดขึน จะเร่ิมจากการลดลงของ arm swing มี
variability ของ step length ที่เพม่ิ ขึน การลงนา้ หนกั ขาทังสองขา้ งที่ไมส่ มมาตรกนั มรี ะยะของ stride/step
length ลดลง โดยท่ีค่า gait speed, cadence, kinematic, kinetic ในช่วง stance phase จะยังปกติอยู่
ดังนันการใช้ IGA เช่น MBS อาจไม่พบความผิดปกติท่ีชัดเจนในระยะนี ประกอบกับปัญหามักเกิดในขณะท้า
กิจกรรมอ่ืน ๆ นอกโรงพยาบาลมากกว่า ซ่ึงการเก็บข้อมูลด้วย wearable sensor พบว่าระยะเวลา จ้านวน
ก้าว และความเร็วในช่วงเลียวหรือหมุนตัว40, 51 สามารถช่วยแยกความรุนแรงผู้ป่วยออกเป็นกลุ่ม mild-
moderate และแยกออกจาก คนปกติได้ น้ามา ประเมินคว ามเสี่ยงท่ีจะเกิดการล้มได้ไวกว่า

203

Berg Balance Score84 รวมถึงการก้าวไม่สม้่าเสมอ (stride variability) ท่ีเพ่ิมขึนน้ามาแยกระหว่างผู้ป่วยท่ี
เป็นกลุ่มเส่ียงลม้ และไม่ลม้ ได้85, 86

ใน mild-moderate stage ขึนไป87 ความผิดปกติจะเริ่มเป็นการลงน้าหนักที่ขา 2 ข้าง
symmetry มากขึน มีการเพิ่มสัดส่วนของ double support time มีค่า cadence ลดลง ในส่วนของ
kinematic จะมกี ารลดลงของมุมของ hip-knee-ankle โดยจะเห็นชัดในช่วง terminal stance มกี าร rotate
ของ trunk ไปทางเดียวกันกับ pelvis ซ่ึงในคนปกติ จะ rotate ในทิศตรงข้าม ในระยะ advance stage ท่ี
เริม่ มกี ารเดินติดขัด หรือทเ่ี รยี กวา่ freezing of gait (FOG) ซึ่งการเดินตดิ ขัด จะเกิดแบบไม่มรี ปู แบบของเวลา
ท่ีชัดเจน บางครังไม่มีอาการที่โรงพยาบาล สามารถใช้ IMU ในการดู progression ของตัวโรค เช่น ร้อยละ
ของการเกิด freezing ตอ่ วัน52 เป็นต้น

มกี ารนา้ 3D gait analysis มาใช้ในโรคพารก์ ินสัน ดังนี
- เพอ่ื ปรบั ยา levodopa ในการรกั ษา ดจู ากคณุ ภาพการเดนิ เช่น turning velocity ช่วง on-off
state ของการรับประทานยา สามารถเช่อื มข้อมูลผ่าน mobile application ได8้ 8
- การใช้ visual cue เช่น เลเซอร์ ช่วย guide ให้ผู้ป่วยเดินในช่วง freezing of gait โดยอาศัย
IMU ในการตรวจจับและก้าหนดการปลอ่ ยแสงตามจังหวะการเดิน รวมถึงใช้ติดตามอาการของผู้ป่วยหลังการ
ฝกึ ซึง่ ทางทีมวิจยั โรงพยาบาลรามาฯ ไดท้ า้ IMU สวมใส่ทขี่ ้อเท้า โดยวัดจาก velocity/acceleration ของการ
เดิน เพื่อติดตามรูปแบบการเดินติดขัดในผู้ป่วยพาร์กินสัน89-90 ดังรูปท่ี 16 โดยได้เปรียบเทียบ correlation
กับ MBS พบว่ามีการเปลี่ยนแปลงของ shank angular velocity ที่มีความสัมพันธ์กัน (รูปที่ 17) ร่วมกับเป็น
laser-guided ในช่วงท่ีมกี ารเดนิ ตดิ ขดั 90
- ข้อมูลการเดินที่ได้จากการ monitor สามารถใช้เป็น feedback ในการ exercise ของผู้ป่วย
ผา่ น application ตามรูปแบบการเกดิ freezing of gait (FOG)91
- วินิจฉัยแยกโรคจากผู้สูงวัย ผู้เขียนได้ศึกษา kinematics โดย CGM วิธี MBS มาวินิจฉัยแยก
ระหว่างผู้สูงวัยปกติและผู้ป่วยโรคพาร์กินสัน พบความผิดปกติของ kinematics ท่ีข้อสะโพกและข้อเท้าของ
ผู้ป่วยโรคพาร์กินสันขณะเท้าเริ่มแตะพืนและช่วงก่อนเท้าพ้นพืน สามารถใช้ช่วยวินิจฉัยผู้ป่วยได้และผู้สูงวัยที่
เดินคลา้ ยผปู้ ว่ ยโรคพารก์ ินสนั เมื่อดูด้วยตาเปลา่ จะไมพ่ บความผดิ ปกติของ kinematics92

รูปที่ 16 การเดนิ ท่ีมปี ัญหา FOG เทยี บกบั การเดินแบบปกติ (ซา้ ย) โดยเปรียบเทียบจากความเรว็ ท่ี
ลดลง กราฟดา้ นขวา เเสดงค่าความเรว็ ทีล่ ดลงระหว่างการประเมิน TUG ในชว่ งลุกยืนเเละช่วงเลยี ว

204

รูปท่ี 17 วิดีทัศน์แสดงการเดินในคนปกติ (ซ้าย) และการเดินจ้าลองแบบ FOG ( ขวา) โดยเทียบวีดีโอ
การเดินของ MBS กับกราฟการเปล่ียนแปลง ของ shank angular velocity ที่ได้จาก IMU ท่ีผู้เขียนได้ท้า
รว่ มกบั ทมี วิจัย รพ.รามาธบิ ดี

สรปุ

การวเิ คราะห์ขอ้ มลู การเดินมีความสา้ คัญในการช่วยวินจิ ฉยั ประเมินความรุนแรง และเลือกวิธีในการ
รกั ษา การเลือกวิธที ่ใี ชใ้ นการประเมินขนึ กับวตั ถปุ ระสงค์ในการเกบ็ และน้าข้อมลู ไปใช้ โดยเทียบจาก validity,
reliability, sensitivity และ specificity กับเวลาท่ใี ชใ้ นการเกบ็ ข้อมูลและราคา เชน่ ถา้ ตอ้ งการค่า moment
ในการพฒั นา orthosis จา้ เปน็ ต้องใชแ้ บบ MBS รว่ มกับ force plate แตถ่ า้ ต้องการตรวจวัดการเดินใน
กิจกรรมตา่ ง ๆ wearable IMU นา่ จะเหมาะสมกว่า หากไม่มอี ุปกรณส์ ามารถใช้ observational gait analysis
ร่วมกับ VDO ในการบันทึกภาพ slow motion นา้ มาวเิ คราะหไ์ ด้ แตไ่ มว่ ่าจะเปน็ การเลอื กใชก้ ารวเิ คราะห์การ
เดนิ แบบ observational หรือ instrumental gait analysis แบบใดกต็ าม จา้ เป็นตอ้ งอาศยั ทักษะของผู้
ประเมนิ ในการแปลผล gait deviation ที่เกิดขึน นอกจากนีการวิเคราะหก์ ารเดนิ จา้ เป็นตอ้ งวเิ คราะห์การทรง
ตัวเสมอ ซ่ึงไม่ไดล้ งรายละเอียดในบทนี เชน่ base of CG (Computerized Balance analysis) รวมถงึ
การศึกษาข้อมูลในจังหวะลุกยืน ขนึ ลงบันได และการเดินบนสายพานรวมถึงการขยบั ของลา้ ตวั และแขน ซึ่งมี
ความสา้ คญั ในการประเมินเช่นเดียวกัน ในอนาคตการร่วมมือกนั ระหว่างสถาบันทท่ี า้ gait lab รว่ มกับการใช้
machine learning ในการตรวจจับความผิดปกติ ท้าให้มีการรวบรวมขอ้ มูลแบบ big data collection จึงมี
ความสา้ คัญในการเพมิ่ ความน่าเชอื่ ถอื ของข้อมูล ใชใ้ นการ early detection ชว่ ยในการวนิ จิ ฉัยโรค และอาจ
นา้ มาสร้าง model เพื่อจ้าลองผลของวธิ กี ารรักษา.

205

เอกสารอ้างอิง

1. Richards J, Levine D, Whittle M. Normal gait. In: Richards J, Levine D, Whittle M, editors.
Whittle's gait analysis. 5th ed. Edinburgh: Churchill Livingstone/Elsevier; 2012.p.29-58.

2. Silva LM, Stergiou N. The basics of gait analysis. In: Stergiou N, editor. Biomechanics
and gait analysis: Academic Press; 2020.p.225-50.

3. Perry J, Burnfield J. Gait analysis: normal and pathological function. 2nd ed. Thorofare,
United States: SLACK Incorporated; 2010.

4. Bauby CE, Kuo AD. Active control of lateral balance in human walking. J Biomech 2000
Nov;33:1433-40. doi: 10.1016/s0021-9290(00)00101-9.

5. Akalan NE, Angin S. Kinesiology of the human gait. In: Angin S, Simsek I, eds
Comparative kinesiology of the human body normal and pathological conditions:
Academic Press 2020. p. 499-525.

6. Simoneau GG. Kinesiology of Walking. In: Neumann D, editor. Kinesiology of the
musculoskeletal system foundations for rehabilitation. St. Louis USA: Mosby; 2010. p.
627-81.

7. Svoboda Z, Bizovska L, Janura M, Kubonova E, Janurova K, Vuillerme N. Variability of
spatial temporal gait parameters and center of pressure displacements during gait in
elderly fallers and nonfallers: A 6-month prospective study. PLoS One 2017 Feb 27;12:
e0171997. doi: 10.1371/journal.pone.0171997.

8. Abass SJ, Faihan BA. Dynamic analysis of the gait cycle for normal and abnormal
subjects. Al-Nahrain J Eng Sci 2015;18:343-50.

9. Nadeau S, Betschart M, Bethoux F. Gait analysis for poststroke rehabilitation: the
relevance of biomechanical analysis and the impact of gait speed. Phys Med Rehabil
Clin N Am 2013 May;24:265-76. doi: 10.1016/j.pmr.2012.11.007. Epub 2013 Jan 26.10.

10. Research LA, Education Institute I, Center RLANR, Service RLANRCP, Department
RLANRCPT. Observational Gait Analysis: Los Amigos Research and Education Institute,
Rancho Los Amigos National Rehabilitation Center; 2001.

11. Surer E, Kose A. Methods and Technologies for Gait Analysis. In: Salah AA, Gevers T,
editors. Computer Analysis of Human Behavior. London: Springer 2011.p.105-23.

12. Saleh M, Murdoch G. In defence of gait analysis. Observation and measurement in gait
assessment. J Bone Joint Surg Br 1985 Mar;67:237-41. doi: 10.1302/0301-
620X.67B2.3980533.

13. Read HS, Hazlewood ME, Hillman SJ, Prescott RJ, Robb JE. Edinburgh visual gait score
for use in cerebral palsy. J Pediatr Orthop 2003;23:296-301.

14. Ong AM, Hillman SJ, Robb JE. Reliability and validity of the Edinburgh Visual Gait Score
for cerebral palsy when used by inexperienced observers. Gait Posture 2008
Aug;28:323-6. doi: 10.1016/j.gaitpost.2008.01.008. Epub 2008 Mar 6.

206

15. Gupta S, Raja K. Responsiveness of Edinburgh Visual Gait Score to orthopedic surgical
intervention of the lower limbs in children with cerebral palsy. Am J Phys Med Rehabil
2012 Sep;91:761-7. doi: 10.1097/PHM.0b013e31825f1c4d.

16. Whittle MW. Chapter 4 - Methods of gait analysis. In: Whittle MW, editor. Gait Analysis
(4th Edition). Edinburgh: Butterworth-Heinemann; 2007.p.137-75.

17. Klöpfer-Krämer I, Brand A, Wackerle H, Müßig J, Kröger I, Augat P. Gait analysis-Available
platforms for outcome assessment. Injury 2020;51 Suppl 2:S90-S96. doi:
10.1016/j.injury.2019.11.011. Epub 2019 Nov 11.

18. Baker R. The conventional gait model. In: Baker R, editor. Measuring walking: A
handbook of clinical gait analysis. 1st ed. London: Mac Keith Press;2013.p.29-49.

19. Hamill J, Selbie WS, Kepple TM. Three-Dimensional Kinematics. In: Robertson G,
Caldwell G, Hamill J, Kamen G, Whittlesey S, editors. Research methods in
biomechanics. 2nd ed. Champaign, IL: Human Kinetics; 2014. p.151-76.

20. Ltd VSM. Lower body modeling with Plug-in Gait [Internet]. [cited 2022 11 May].
Availablefrom:
https://docs.vicon.com/display/Nexus212/Lower+body+modeling+with+Plug-in+Gait.

21. Ltd VSM. Configure force plates [Internet]. [cited 2022 11 May]. Available from:
https://docs.vicon.com/display/Nexus211/Configure+force+plates.

22. Baker R. Gait analysis methods in rehabilitation. J Neuroeng Rehabil 2006 Mar 2;3:4. doi:
10.1186/1743-0003-3-4. PMID: 16512912; PMCID: PMC1421413.

23. Duffell LD, Hope N, McGregor AH. Comparison of kinematic and kinetic parameters
calculated using a cluster-based model and Vicon's plug-in gait. Proc Inst Mech Eng H.
2014 Feb;228:206-10. doi: 10.1177/0954411913518747. Epub 2014 Jan 21.

24. Kadaba MP, Ramakrishnan HK, Wootten ME. Measurement of lower extremity
kinematics during level walking. J Orthop Res 1990 May;8:383-92. doi:
10.1002/jor.1100080310.

25. Colyer SL, Evans M, Cosker DP, Salo AIT. A Review of the Evolution of Vision-Based
Motion Analysis and the Integration of Advanced Computer Vision Methods Towards
Developing a Markerless System. Sports Med Open 2018 Jun 5;4:24. doi:
10.1186/s40798-018-0139-y.

26. Baker R. Quality Assurance. In: Baker R, editor. Measuring Walking: A handbook of
clinical gait analysis 1st ed. London: Mac Keith Press; 2013,p.151-62.

27. McGinley JL, Baker R, Wolfe R, Morris ME. The reliability of three-dimensional kinematic
gait measurements: a systematic review. Gait Posture 2009 Apr;29:360-9. doi:
10.1016/j.gaitpost.2008.09.003. Epub 2008 Nov 13.

28. Oppelt K, Hogan A, Stief F, Grützner PA, Trinler U. Movement analysis in orthopedics
and trauma surgery-measurement systems and clinical applications. Z Orthop Unfall
2020 Jun;158:304-317. English, German. doi: 10.1055/a-0873-1557. Epub 2019 Jul 10.

207

29. Baker R, Leboeuf F, Reay J, Sangeux M. The Conventional gait model: The success and
limitations. 2017.p.1-19.

30. Stief F. Variations of marker sets and models for standard gait analysis. In: Müller B,
Wolf S.L, editors. Handbook of human motion. Cham: Springer International Publishing;
2018. p. 509-26.

31. Reinschmidt C, van den Bogert AJ, Lundberg A, Nigg BM, Murphy N, Stacoff A, et al.
Tibiofemoral and tibiocalcaneal motion during walking: external vs. skeletal markers.
Gait & Posture 1997;6:98-109.

32. Holden JP, Orsini J, Siegel K, Kepple T, Gerber L, Stanhope S. Surface movement errors
in shank kinematics and knee kinetics during gait. Gait & Posture 1997;5:217-27.

33. Baker R. Alternatives to the conventional gait model. In: Baker R, editor. Measuring
walking: A handbook of clinical gait analysis 1st ed. London: Mac Keith Press; 2013
p. 50-64.

34. Ceseracciu E, Sawacha Z, Cobelli C. Comparison of markerless and marker-based
motion capture technologies through simultaneous data collection during gait: proof
of concept. PLoS One 2014 Mar 4;9:e87640. doi: 10.1371/journal.pone.0087640.

35. Kanko RM, Laende E, Selbie WS, Deluzio KJ. Inter-session repeatability of markerless
motion capture gait kinematics. J Biomech 2021 May 24;121:110422. doi:
10.1016/j.jbiomech.2021.110422. Epub 2021 Apr 8. PMID: 33873117.

36. Kanko RM, Laende EK, Davis EM, Selbie WS, Deluzio KJ. Concurrent assessment of gait
kinematics using marker-based and markerless motion capture. J Biomech 2021 Oct
11;127:110665. doi: 10.1016/j.jbiomech.2021.110665. Epub 2021 Aug 3. PMID:
34380101.

37. Sandau M, Koblauch H, Moeslund TB, Aanæs H, Alkjær T, Simonsen EB. Markerless
motion capture can provide reliable 3D gait kinematics in the sagittal and frontal plane.
Med Eng Phys 2014 Sep;36:1168-75. doi: 10.1016/j.medengphy.2014.07.007. Epub 2014
Jul 30.

38. Thanasoontornrerk R, Vateekul P, Kanongchaiyos P, Pongmala C, Suputtitada A, editors.
Tree induction for diagnosis on movement disorders using gait data. 2013 5th
International Conference on Knowledge and Smart Technology (KST); 2013 31 Jan.-1
Feb. 2 013.

39. Watchareeudomkarn W, Suputtitada A, Tanavalee A. Knee Functional ability in patients
with severe knee osteoarthritis. ASEAN J Rehabil Med 2014;24:599-608.

40. Della Croce U, Cereatti A, Mancini M. Gait parameters estimated using inertial
measurement units. In: Müller B, Wolf S.L, editors. Handbook of human motion. Cham:
Springer International Publishing; 2018.p.245-65.

208

41. Al-Amri M, Nicholas K, Button K, Sparkes V, Sheeran L, Davies JL. Inertial measurement
units for clinical movement analysis: reliability and concurrent validity. Sensors (Basel).
2018 Feb 28;18:719. doi: 10.3390/s18030719.

42. Zhang JT, Novak AC, Brouwer B, Li Q. Concurrent validation of Xsens MVN measurement
of lower limb joint angular kinematics. Physiol Meas 2013 Aug;34:N63-9. doi:
10.1088/0967-3334/34/8/N63. Epub 2013 Jul 26.

43. Porciuncula F, Roto AV, Kumar D, Davis I, Roy S, Walsh CJ, Awad LN. Wearable
Movement Sensors for Rehabilitation: A Focused Review of Technological and Clinical
Advances. PMR 2018 Sep;10(9 Suppl 2):S220-S232. doi: 10.1016/j.pmrj.2018.06.013.
Erratum in: PMR. 2018 Dec;10:1437.

44. Jarchi D, Pope J, Lee TKM, Tamjidi L, Mirzaei A, Sanei S. A Review on accelerometry-
based gait analysis and emerging clinical applications. IEEE Rev Biomed Eng
2018;11:177-194. doi: 10.1109/RBME.2018.2807182. Epub 2018 Feb 16.

45. Bessone V, Höschele N, Schwirtz A, Seiberl W. Validation of a new inertial measurement
unit system based on different dynamic movements for future in-field applications.
Sports Biomech 2019 Nov 13:1-16. doi: 10.1080/14763141.2019.1671486.

46. Berner K, Cockcroft J, Louw Q. Kinematics and temporospatial parameters during gait
from inertial motion capture in adults with and without HIV: a validity and reliability
study. Biomed Eng Online 2020 Jul 24;19:57. doi: 10.1186/s12938-020-00802-2.

47. Cho Y-S, Jang S-H, Cho J-S, Kim M-J, Lee HD, Lee SY, et al. Evaluation of validity and
reliability of inertial measurement unit-based gait analysis systems. Ann Rehabil Med
2018;42:872-83.

48. Hindle BR, Keogh JWL, Lorimer AV. Validation of spatiotemporal and kinematic
measures in functional exercises using a minimal modeling inertial sensor
methodology. Sensors (Basel) 2020 Aug 15;20:4586. doi: 10.3390/s20164586.

49. Zampieri C, Salarian A, Carlson-Kuhta P, Nutt JG, Horak FB. Assessing mobility at home
in people with early Parkinson's disease using an instrumented Timed Up and Go test.
Parkinsonism Relat Disord 2011 May;17:277-80. doi: 10.1016/j.parkreldis.2010.08.001.
Epub 2010 Aug 30.

50. Weiss A, Brozgol M, Dorfman M, Herman T, Shema S, Giladi N, Hausdorff JM. Does the
evaluation of gait quality during daily life provide insight into fall risk? A novel approach
using 3-day accelerometer recordings. Neurorehabil Neural Repair 2013 Oct;27:742-52.
doi: 10.1177/1545968313491004. Epub 2013 Jun 17.

51. Mancini M, El-Gohary M, Pearson S, McNames J, Schlueter H, Nutt JG, et al. Continuous
monitoring of turning in Parkinson's disease: Rehabilitation potential.
NeuroRehabilitation 2015;37:3-10.

52. Stamatakis J, Crémers J, Maquet D, Macq B, Garraux G. Gait feature extraction in
Parkinson's disease using low-cost accelerometers. Annual International Conference of

209

the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and
Biology Society Annual International Conference. 2011;2011:7900-3.
53. Mannini A, Sabatini AM. A smartphone-centered wearable sensor network for fall risk
assessment in the elderly. Proceedings of the 10th EAI International Conference on
Body Area Networks; Sydney, New South Wales, Australia: ICST (Institute for Computer
Sciences, Social-Informatics and Telecommunications Engineering); 2015. p.167–72.
54. Jaysrichai T, Suputtitada A, Khovidhungij W. Mobile Sensor Application for Kinematic
Detection of the Knees. Ann Rehabil Med 2015;39:599-608.
55. Puig-Diví A, Escalona-Marfil C, Padullés J, Busquets Faciaben A, Padullés-Chando X,
Marcos-Ruiz D. Validity and reliability of the Kinovea program in obtaining angles and
distances using coordinates in 4 perspectives. PLoS One 2019;14:e0216448.
56. Evelina Pantzar-Castilla, Andrea Cereatti, Giulio Figari, Nicolò Valeri, Gabriele Paolini,
Ugo Della Croce, Anders Magnuson & Jacques Riad (2018) Knee joint sagittal plane
movement in cerebral palsy: a comparative study of 2-dimensional markerless video
and 3-dimensional gait analysis, Acta Orthopaedica, 89:6, 656-661, DOI:
10.1080/17453674.2018.1525195
57. Castelli A, Paolini G, Cereatti A, Della Croce U. A 2D markerless gait analysis
methodology: validation on healthy subjects. Comput Math Methods Med
2015;2015:186780. doi: 10.1155/2015/186780. Epub 2015 Apr 30.
58. Suputtitada A, Chen CPC, Pongmala C, Sriyudthsak M, Wilhelm A, Somboon P, Janssen

J, Richards J. The Efficacy of a Newly Developed Cueing Device for Gait Mobility in

Parkinson's Disease. Parkinsons Dis. 2022 May 18;2022:7360414. doi:

10.1155/2022/7360414.

59. Suputtitada A, Setthamonkol K, Singhabut K. Ultrasound (U/S) Versus Compound

Muscle Action Potential (CMAP) Amplitudes Guidance for Neurolysis: Which One is

Better? Neurorehabil Neural Repair 2018;32:326-7.

60. Thimabut N, Janchai S, Teeramongkonrasamee A, Suputtitada A. Development of
simple and portable device for plantar pressure measurement for improvement of foot
assessment. Chula Med J 2014;58:223-34.

61. Wongphaet P. Reliability of TailGait gait analysis system for the measurement of gait
parameters of normal children between 7 and 11 years. J Thai Rehabil Med 2018; 28:
4-7

62. Middleton A, Fritz SL, Lusardi M. Walking speed: the functional vital sign. J Aging Phys
Act 2015;23:314-22.

63. Baker R, Fell N, Richards J, Smith C. Gait assessment of neurological disorders. In: Levine
D, Richards J, Whittle M, editors. Whittle's Gait Analysis. 5th ed. Edinburgh: Churchill
Livingstone/Elsevier; 2012.p.125-49.

210

64. Wonsetler EC, Bowden MG. A systematic review of mechanisms of gait speed change
post-stroke. Part 1: spatiotemporal parameters and asymmetry ratios. Top Stroke
Rehabil 2017;24:435-46.

65. Balasubramanian CK, Neptune RR, Kautz SA. Variability in spatiotemporal step
characteristics and its relationship to walking performance post-stroke. Gait Posture
2009;29:408-14.

66. Chu VW, Hornby TG, Schmit BD. Perception of lower extremity loads in stroke survivors.
Clin Neurophysiol 2015;126:372-81.

67. van Lummel RC, Walgaard S, Hobert MA, Maetzler W, van Dieën JH, Galindo-Garre F,
Terwee CB. Intra-Rater, Inter-Rater and Test-Retest Reliability of an Instrumented Timed
Up and Go (iTUG) Test in Patients with Parkinson's Disease. PLoS One 2016 Mar
21;11:e0151881. doi: 10.1371/journal.pone.0151881.

68. Mellone S, Tacconi C, Chiari L. Validity of a Smartphone-based instrumented Timed Up
and Go. Gait Posture 2012;36:163-5.

69. Jacinto LJ, Reis Silva M. Gait analysis in the context of spasticity management. In:
Sandrini G, Homberg V, Saltuari L, Smania N, Pedrocchi A, editors. Advanced
technologies for the rehabilitation of gait and balance disorders. Cham:Springer
International Publishing; 2018.p.471-87.

70. Lu T-W, Yen H-C, Chen H-L, Hsu W-L, Chen S-C, Hong S-W, et al. Symmetrical kinematic
changes in highly functioning older patients post-stroke during obstacle-crossing. Gait
Posture. 2010;31:511-6.

71. Ruthiraphong P. A pilot study investigating effect of ankle foot orthosis (AFO) stiffness
on walking patterns of patients with ankle impairment [Thesis]. Glasgow: University of
Strathclyde; 2017.

72. Chen CPC, Suputtitada A, Chatkungwanson W, Seehaboot K. Anterior or posterior ankle
foot orthoses for ankle spasticity: Which one is better? Brain Sci 2022 Mar 28;12:454.
doi: 10.3390/brainsci12040454. PMID: 35447984; PMCID: PMC9027033.

73. Nardone A, Svehlik M, Rhodes J, Hollands M. Perspective on the clinical impact of
instrumented motion analysis by the Gait and Posture Affiliate Society Presidents. Gait
Posture 2020 Oct;82:106-7. doi: 10.1016/j.gaitpost.2020.08.103. Epub 2020 Aug 10.

74. Armand S, Decoulon G, Bonnefoy-Mazure A. Gait analysis in children with cerebral
palsy. EFORT Open Rev 2016 Dec 22;1:448-460. doi: 10.1302/2058-5241.1.000052.

75 Nieuwenhuys A, Õunpuu S, Van Campenhout A, Theologis T, De Cat J, Stout J, et al.
Identification of joint patterns during gait in children with cerebral palsy: a Delphi
consensus study. Dev Med Child Neurol 2016;58:306-13.

76. Baker R, Esquenazi A, Benedetti MG, Desloovere K. Gait analysis: clinical facts. Eur J
Phys Rehabil Med 2016;52:560-74.

211

77. Khiewcham P, Vongpipatana S, Wongphaet P. Effect of Vojta therapy on gait of
children with cerebral palsy. J Thai Rehabil Med 2016;26:91-7.

78. Wren TAL, Tucker CA, Rethlefsen SA, Gorton GE 3rd, Õunpuu S. Clinical efficacy of
instrumented gait analysis: Systematic review 2020 update. Gait Posture 2020
Jul;80:274-279. doi: 10.1016/j.gaitpost.2020.05.031. Epub 2020 May 23.

79. Miller F. Gait analysis interpretation in cerebral palsy gait: developing a treatment plan.
In: Miller F, Bachrach S, Lennon N, O'Neil M, editors. Cerebral Palsy. Cham: Springer
International Publishing; 2018. p.1-15.

80. Pitto L, Kainz H, Falisse A, Wesseling M, Van Rossom S, Hoang H, Papageorgiou E,
Hallemans A, Desloovere K, Molenaers G, Van Campenhout A, De Groote F, Jonkers I.
SimCP: A simulation platform to predict gait performance following orthopedic
intervention in children with cerebral palsy. Front Neurorobot 2019 Jul 17;13:54. doi:
10.3389/fnbot.2019.00054.

81. di Biase L, Di Santo A, Caminiti ML, De Liso A, Shah SA, Ricci L, Di Lazzaro V. Gait analysis
in Parkinson's disease: an overview of the most accurate markers for diagnosis and
symptoms monitoring. Sensors (Basel) 2020 Jun 22;20:3529. doi: 10.3390/s20123529.

82. Mirelman A, Bonato P, Camicioli R, Ellis TD, Giladi N, Hamilton JL, Hass CJ, Hausdorff
JM, Pelosin E, Almeida QJ. Gait impairments in Parkinson's disease. Lancet Neurol 2019
Jul;18:697-708. doi: 10.1016/S1474-4422(19)30044-4. Epub 2019 Apr 8.

83. Pardoel S, Kofman J, Nantel J, Lemaire ED. Wearable-sensor-based detection and
prediction of freezing of gait in Parkinson's disease: A review. Sensors (Basel) 2019 Nov
24;19:5141. doi: 10.3390/s19235141. PMID: 31771246

84. King LA, Mancini M, Priest K, Salarian A, Rodrigues-de-Paula F, Horak F. Do clinical scales
of balance reflect turning abnormalities in people with Parkinson's disease? J Neurol
Phys Ther 2012 Mar;36:25-31. doi: 10.1097/NPT.0b013e31824620d1.

85. Weiss A, Herman T, Giladi N, Hausdorff JM. Objective assessment of fall risk in
Parkinson's disease using a body-fixed sensor worn for 3 days. PLoS One 2014
6;9:e96675. doi: 10.1371/journal.pone.0096675.

86. Shah J, Pillai L, Williams DK, Doerhoff SM, Larson-Prior L, Garcia-Rill E, Virmani T.
Increased foot strike variability in Parkinson's disease patients with freezing of gait.
Parkinsonism Relat Disord 2018;53:58-63. doi: 10.1016/j.parkreldis.2018.04.032. Epub
2018 May 1.

87. Pistacchi M, Gioulis M, Sanson F, De Giovannini E, Filippi G, Rossetto F, Zambito Marsala
S. Gait analysis and clinical correlations in early Parkinson's disease. Funct Neurol
2017;32:28-34. doi: 10.11138/fneur/2017.32.1.028.

88. Miller Koop M, Ozinga SJ, Rosenfeldt AB, Alberts JL. Quantifying turning behavior and
gait in Parkinson's disease using mobile technology. IBRO Rep 2018 Jun 21;5:10-16. doi:
10.1016/j.ibror.2018.06.002.

212

89. Amin J, Ruthiraphong P, editors. Cloud-based Gait Analysis Using a Single IMU for
Parkinson Disease. 2021 18th International Conference on Electrical
Engineering/Electronics, Computer, Telecommunications and Information Technology
(ECTI-CON); 2021 19-22 May 2021.

90. Ratanasutiranont C, Srisilpa K, Termsarasab P, Ruthiraphong P. Smart ankle bracelet-
laser device to improve gait and detect freezing of gait in Parkinsonism patients: a case
series. Assist Technol 2022;22:1-8. doi: 10.1080/10400435.2022.2113179.

91. Ginis P, Nieuwboer A, Dorfman M, Ferrari A, Gazit E, Canning CG, Rocchi L, Chiari L,
Hausdorff JM, Mirelman A. Feasibility and effects of home-based smartphone-delivered
automated feedback training for gait in people with Parkinson's disease: A pilot
randomized controlled trial. Parkinsonism Relat Disord 2016;22:28-34. doi:
10.1016/j.parkreldis.2015.11.004.

92. Suputtitada A, Saguanrungsirikul S. 3D gait analysis in Parkinson's and elderly: What are
the differences? Arch Phys Med Rehabil 2013;94, e13

213

บทที่ 9 การประเมินการทางานของสมองดว้ ย Functional Near-Infrared Spectroscopy
(Brain Function assessment using Functional Near-Infrared Spectroscopy)

พมิ ตีระจนิ ดา

บทนา
กลไกทางสรีรวิทยาของสมองเป็นท่ีสนใจศึกษากันในวงกว้างทั้งสาขาประสาทวิทยา จิตเวชศาสตร์

จิตวิทยา พฤติกรรมศาสตร์ และเวชศาสตร์ฟ้ืนฟู การวัดการทางานของสมองแบบ non-invasive สามารถวัด
ทางตรงโดยการวัดสัญญาณคล่ืนไฟฟ้าสมอง และวัดทางอ้อมโดยการวัดอัตรา metabolism ของสมองหรือ
การวัดระดับความเข้มขน้ ของฮโี มโกลบนิ เทคนิคการวัดการทางานของสมองมีหลายวิธี ได้แก่

1. Neurovascular-based techniques ได้แก่ การสร้างภาพด้วยเรโซแนนท์แม่เหล็ก (functional
Magnetic Resonance Imaging; fMRI) การบันทึกสัญญาณสมองด้วยคลื่นแสงท่ีอยู่ในช่วงความถ่ี near
infrared (functional Near-Infrared Spectroscopy; fNIRS) และ Positron-Emission-Topography (PET)

2. Electromagnetic techniques ไดแ้ ก่ การบันทึกสัญญาณคลนื่ ไฟฟา้ สมอง (electroencephalo-
graphy; EEG) และ magnetoencephalography (MEG)1

fNIRS เป็นหนึ่งในวิธีการตรวจการทางานของสมองแบบ non-invasive functional neuroimaging
มีการศึกษาท่ีได้รับการตีพิมพ์เป็นคร้ังแรกในปีค.ศ. 1977 โดย Jöbsis FF และคณะ รายงานเกี่ยวกับการใช้
fNIRS ในการวัดระดับความเข้มข้นของฮีโมโกลบินในสมองของแมวและที่กล้ามเน้ือหัวใจของสุนัข2 ในปีค.ศ.
1985 มีรายงานการใช้ fNIRS ในการวัดระดับความเข้มข้นของฮีโมโกลบินในสมองของมนุษย์เป็นครั้งแรก3, 4
และเครอื่ ง fNIRS ไดถ้ กู ผลิตออกวางจาหน่ายเปน็ ครั้งแรกในโลกเมื่อปีค.ศ. 1989 (NIRO-1000, Hamamatsu
Photonics K.K. ประเทศญี่ปุ่น)

กลไกการทางานของ fNIRS
เครื่อง fNIRS ประกอบดว้ ยแหลง่ กาเนิดแสง (light sources) และตัวรับแสง (detectors) ทีถ่ กู วางให้

ชิดกับหนังศีรษะ โดยสัญญาณท่ีรับจากตัวรับแสงจะถูกนาไปวิเคราะห์และแปลผลเป็นระดับความเข้มข้นของ
ฮีโมโกลบินบริเวณของสมองส่วนที่ถูกครอบคลุมด้วยช่องสัญญาณ (channel) โดยท่ีช่องสัญญาณ 1 ช่อง จะ
อย่รู ะหวา่ งแหล่งกาเนดิ แสง 1 แหลง่ และตวั รับแสง 1 ตวั ส่วนของสมองท่ีถูกวัดการทางานในช่องสัญญาณน้ัน
จะอยู่บริเวณจุดก่ึงกลางระหว่างแหล่งกาเนิดแสงและตัวรับแสง และถูกวัดได้ลึกเท่ากับคร่ึงหนึ่งของระยะห่าง
ระหวา่ งแหล่งกาเนิดแสงและตวั รบั แสง1 (รูปท่ี 1)

รปู ที่ 1 Optodes และแสงที่เดนิ ทางระหวา่ งแหล่งกาเนดิ แสงและตวั รับแสง

214

แหล่งกาเนิดแสงและตัวรับแสงเรียกรวมกันว่า optodes โดยทั่วไปเครื่อง fNIRS มักมีช่องสัญญาณ
หลายช่อง จึงตอ้ งใช้แหลง่ กาเนดิ แสงและตวั รับแสงหลายตัว (รูปที่ 2) และมักใช้หมวกในการตรงึ optodes ให้
ชิดกับหนังศีรษะ (รูปท่ี 3) เคร่ือง fNIRS มักมีช่องสัญญาณที่ได้จากแหล่งกาเนิดแสงและตัวรับสัญญาณท่ีอยู่
ห่างกัน 3 เซนติเมตร1 จึงสามารถวัด activation บริเวณผิวสมองท่ีอยู่ลึกลงไปจาก optodes ไม่เกิน 1.5
เซนตเิ มตร

รปู ที่ 2 Optodes และช่องสัญญาณ

รูปที่ 3 เครื่อง fNIRS และการวาง optodes บนศรี ษะ
แสงท่ีมีความยาวคลื่นอยู่ในช่วง near infrared (650-1,000 นาโนเมตร) ถูกปล่อยจากแหล่งกาเนิด
แสง1 แสงในช่วงความยาวคลื่นนี้สามารถเดินทางทะลุหนังศีรษะ กะโหลกศีรษะ เย่ือหุ้มสมอง น้าไขสันหลัง

215

ไปถึงส่วนนอกของสมองใหญ่ (cerebral cortex) ภายในเน้ือเย่ือบริเวณผิวสมอง แสงส่วนหนึ่งจะถูกดูดซึม
(absorption) และส่วนหนึ่งจะกระจายตัว (scattering) มีผลให้ความเข้มของแสงลดลง (light attenuation)
แสงที่ถูกดูดซึมในเน้ือเยื่อจะถูกเปลี่ยนเป็นพลังงานภายในเน้ือเยื่อนั้น ส่วนของแสงที่กระจายตัวและไม่ถูกดูด
ซึมจะถูกวดั โดยตวั รบั แสงทตี่ ิดบนศีรษะ5 (รูปท่ี 1)

ขณะที่เกิด cortical activation จะมีการเปล่ียนแปลงของการทางานของเซลล์สมองและเลือดท่ีไป
เล้ียงสมอง กล่าวคือ การที่เซลล์สมองทางานมากขึ้นจะทาให้ metabolism แบบใช้ออกซิเจนสูงขึ้นเพื่อ
ตอบสนองต่อความตอ้ งการในการใช้พลังงานที่มากข้นึ (neurometabolic coupling) การใช้ออกซเิ จนมีผลให้
ระดับของ oxygenated hemoglobin (oxy-Hb) ลดลงและ deoxygenated hemoglobin (deoxy-Hb)
สูงขึ้น ผลที่เกิดข้ึนทาให้ร่างกายเกิดการตอบสนองโดยทาให้เลือดไปเล้ียงสมองส่วนท่ีทางานมากข้ึน มีผลให้
ออกซิเจนที่ได้จากเลือดท่ีไปเลี้ยงสมองบริเวณนั้นมีมากกว่าการใช้ออกซิเจนโดยเซลล์สมอง ผลลัพธ์ที่ได้ คือ
ระดบั ของ oxy-Hb สูงข้ึน และ deoxy-Hb ลดลง5 (รูปที่ 4)

รปู ท่ี 4 การเปลยี่ นแปลงของ hemodynamics ทเ่ี กิดขนึ้ ขณะท่ีมี cortical activation5
การเปล่ียนแปลงของระดับ oxy-Hb และ deoxy-Hb บริเวณสมองส่วนที่มี cortical activation จะ
ทาให้อัตราการดูดซึมแสงเข้าสู่เนื้อเยื่อเปลี่ยนแปลงไป และมีผลต่อ light attenuation โดยที่
chromophores ของ oxy-Hb และ deoxy-Hb จะดูดซึมแสงที่มีช่วงของความยาวคลื่นต่างกัน พบว่าแสงทม่ี ี
ความยาวคลื่นมากกว่า 800 นาโนเมตรจะถูกดูดซึมโดย oxy-Hb และแสงที่มีความยาวคลื่นน้อยกว่า 800
นาโนเมตรจะถูกดูดซึมโดย deoxy-Hb จากกลไกท่ีเกิดข้ึน ทาให้เคร่ือง fNIRS ตรวจวัดการเปลี่ยนแปลงของ

216

ระดับ oxy-Hb และ deoxy-Hb ได้โดยอาศัยหลักการของ modified Beer-Lambert law5, 6 และ
การเปลี่ยนแปลงของระดับฮีโมโกลบินนี้สามารถใช้เป็นตัวชี้วัดระดับของ regional brain activation ได้
โดยท่ัวไปสัญญาณท่ีได้จาก fNIRS จะเป็นค่าการเปล่ียนแปลงของระดับ oxy-Hb และ deoxy-Hb เม่ือเทียบ
กบั ค่าเริม่ ตน้ 5 (รูปที่ 5)

รูปที่ 5 การเปลี่ยนแปลงของระดบั oxy-Hb และ deoxy-Hb ท่วี ัดไดใ้ นแตล่ ะช่องสัญญาณ
การวดั ประเมนิ ผลด้วย fNIRS

ขณะวัด cortical activation ด้วย fNIRS ต้องวาง optodes ให้ช่องสัญญาณครอบคลมุ ตาแหนง่ ของ
สมองส่วนที่สนใจศึกษา โดยอ้างอิงจาก 10-20 EEG system เช่น ในการศึกษาเกี่ยวกับการเคล่ือนไหวของ
แขนหรือขาต้องให้ช่องสัญญาณครอบคลุมสมองส่วน sensorimotor cortex, premotor cortex,
supplementary motor area และ prefrontal cortex ถ้าศึกษาด้าน จิต ใจ แล ะ พ ฤติ ก รร มต้ อ ง ใ ห้
ช่องสัญญาณครอบคลมุ prefrontal cortex เป็นตน้

Near-infrared spectroscopy (NIRS) แบ่งเปน็ 3 แบบ7 ไดแ้ ก่
1. Continuous wave NIRS เคร่ืองจะปล่อยแสงอย่างต่อเนื่อง (continuous wave) และวัดการ
เปล่ียนแปลงความเข้มข้นของแสงท่ีผ่านเน้ือเย่ือ NIRS ชนิดน้ีใช้ในเคร่ือง fNIRS ส่วนใหญ่ท่ีมีจาหน่ายใน
ทอ้ งตลาด
2. Time domain NIRS เครื่องจะปล่อยแสงเลเซอร์แบบ short pulse และวัดเวลาที่โฟตอนว่ิง
มาถงึ ตวั รับแสง (arrival time)
3. Frequency domain NIRS เครอ่ื งจะวัดความเขม้ ขน้ ของแสงและ phase shift
โดยสัญญาณจาก NIRS ทั้ง 3 แบบนี้ ถูกแปลงเปน็ ความเข้มข้นของฮโี มโกลบนิ oxy-Hb และ deoxy-
Hb ได้7 การที่ fNIRS สามารถวัดได้ท้ังระดับความเข้มข้นของ oxy-Hb และ deoxy-Hb จึงสามารถนาค่าที่
ได้มาคานวณตัวช้ีวัดอ่ืนของ cortical activation ได้แก่ ระดับความเข้มข้นของ total hemoglobin (มีค่า

217

เท่ากับ oxy-Hb + deoxy-Hb) และ tissue oxygenation (มีค่าเท่ากับระดับความเข้มข้นของ oxy-Hb หาร
ด้วยระดับความเขม้ ข้นของ total hemoglobin)5

นอกจากเคร่ือง fNIRS แบบด้ังเดิมแล้ว ได้มีการพัฒนา short-separation channel ซึ่งมีระยะห่าง
ระหว่างแหล่งกาเนิดแสงและตัวรับแสงไม่เกิน 1 เซนติเมตรข้ึนมาเพื่อกาจัด artifacts จากเลือดที่มาเลี้ยง
บริเวณหนังศีรษะ โดยการลบสัญญาณที่ได้จาก short-separation channel ออกจาก long-separation
channel5 (รูปท่ี 1) และมกี ารพฒั นาเครอื่ ง fNIRS แบบสวมใส่ (wearable) และแบบไรส้ าย (wireless) ทาให้
ประเมินการทางานของสมองขณะท่ีมีการเคลื่อนไหวไปยังที่ต่าง ๆ เช่น การเดิน วิ่ง เป็นต้น5 หรือใช้วัดการ
ทางานของสมองในเหตุการณ์ท่ีเกิดข้ึนจริงในชีวิตประจาวันได้ อุปกรณ์เหล่านี้ใช้แบตเต อรี่ในตัว
เป็นแหลง่ จ่ายไฟ แต่มีขอ้ จากัดที่แบตเตอรี่ไมส่ ามารถใชง้ านต่อเนอ่ื งกันหลายชัว่ โมงได้ และยงั ไม่สามารถทาให้
ช่องรับสญั ญาณมีจานวนมากได้เท่ากบั เครื่อง fNIRS แบบด้งั เดมิ เนอื่ งจากการที่มีชอ่ งรบั สัญญาณมากจะทาให้
ส้ินเปลืองแบตเตอร่ีมากข้ึน และยังทาให้น้าหนักของตัวเครื่องมากข้ึนด้วย1 นอกจากน้ียังไม่สามารถใช้งาน
กลางแจ้งได้ เน่ืองจากเกิดภาวะ detector saturation ตัวอย่างของเครื่อง fNIRS แบบสวมใส่ เช่น
LIGHTNIRS (Shimadzu ประเทศญ่ีปุ่น) เป็นต้น และเครื่อง fNIRS แบบไร้สาย เช่น Brite (Artinis Medical
Systems ประเทศเนเธอร์แลนด์), NIRport 2 system (NIRx Medical Technologies, LLC สหรัฐอเมริกา)
เปน็ ตน้

ข้อดีของ fNIRS ได้แก่ เป็นการตรวจประเมินแบบ non-invasive เครื่องมีขนาดเล็ก เคล่ือนย้ายได้
(portable) มีความปลอดภัย ไม่ต้องจากัดการเคล่ือนไหวขณะท่ีตรวจ (less constraint) สามารถตรวจวัด
แบบ real time ราคาไมส่ งู มากเมือ่ เทียบกับ functional imaging ชนิดอืน่ ใช้งานงา่ ยไมซ่ ับซ้อน มี temporal
resolution ค่อนข้างดี (ได้ถึง 10 Hz) ไม่มีเสียงรบกวนขณะท่ีเครื่องทางาน ถูกรบกวนโดย motion artifacts
นอ้ ยเมื่อเทยี บกบั การตรวจอ่ืน เช่น fMRI, EEG เป็นตน้ ใช้ตรวจในบคุ คลที่กลัวท่ีแคบ (claustrophobia) หรือ
มีโลหะภายในร่างกาย (metallic implant) ได้ และสามารถทาการตรวจได้บ่อยตามความต้องการ เน่ืองจาก
ไม่มีการใช้สาร radioactive tracer5, 7, 8 นอกจากน้ี Strangman G และคณะพบว่าระดบั ของฮีโมโกลบนิ ท่วี ัด
ได้จาก fNIRS มีความสัมพันธ์กับระดับของฮีโมโกลบินท่ีวัดได้จาก fMRI อยู่ในเกณฑ์ค่อนข้างสูง โดยเฉพาะ
ระดบั ของ oxy-Hb9

ข้อเสียของ fNIRS ได้แก่ ทาการตรวจได้เฉพาะบริเวณผิวสมอง มี spatial resolution ค่อนข้างต่า
(ประมาณ 1-3 เซนติเมตร) และสัญญาณท่ีได้อาจมีการปนเปื้อนของ artifacts จากอวัยวะส่วนอ่ืนนอกจาก
สมองได้ เช่น การเปลี่ยนแปลงของเลือดท่ีไปเล้ียงที่หนังศีรษะ การเปล่ียนแปลงทางสรีรวิทยาของระบบ
ไหลเวียนโลหิตจากอัตราการเต้นของหัวใจท่ีเร็วขึ้น เป็นต้น โดยเฉพาะการวัดการทางานของสมองขณะที่ทา
กิจกรรมในลักษณะท่ีเป็นการออกกาลังกายอย่างหนัก ซ่ึงทาให้มีการเปล่ียนแปลงของระบบไหลเวียนโลหิต
อย่างมาก ถือเป็นข้อจากัดหนึ่งของ fNIRS5,8 นอกจากน้ียังจาเป็นต้องหลีกเลี่ยงการใช้งานเคร่ือง fNIRS กลาง
แสงอาทิตย์ เน่ืองจากจะทาให้เกิดภาวะ detector saturation คือ ตัวรับสัญญาณได้รับแสงจากแสงอาทิตย์
มากจนทาให้ไม่สามารถรับแสงที่กระจายตัวจากแหล่งกาเนิดแสงของเครื่อง fNIRS ได้ และทาให้มี non-
physiologic spikes ปรากฏบนหน้าจอแสดงผลหรือแสดงผลเปน็ เส้นตรงบนหน้าจอ1

การประเมินการทางานของสมองด้วยวธิ ีอนื่ ๆ
นอกเหนือจาก fNIRS แล้ว ยังมีเคร่ืองมืออื่นท่ีนามาใช้ในการประเมินระดับออกซิเจนในสมอง

hemodynamics และ/หรอื การทางานของสมอง ไดแ้ ก่

218

1. fMRI ถือเป็น gold standard ในการประเมิน activation ของสมอง มีข้อดี คือ มี spatial
resolution สูง (น้อยกว่า 4 มิลลิเมตร) และสามารถประเมินการทางานของสมองส่วนที่อยู่ subcortical ได้
แตม่ ขี ้อเสยี ไดแ้ ก่ ราคาสูง ไวต่อ motion artifacts จาเปน็ ตอ้ งทาใหศ้ รี ษะให้อยูน่ ง่ิ ขณะท่ีทาการตรวจ มีเสยี ง
ดังขณะท่ีเครื่องทางาน มี temporal resolution ค่อนข้างต่า (ประมาณ 0.5 Hz) ไม่สามารถทาการตรวจใน
บคุ คลที่กลัวท่ีแคบหรอื มโี ลหะภายในรา่ งกายได้5, 6 การเปรยี บเทยี บคุณลักษณะของการตรวจด้วยเครื่อง fNIRS
และ fMRI ดังตารางที่ 1

ตารางที่ 1 การเปรยี บเทียบระหว่าง fNIRS และ fMRI

คุณลกั ษณะ fNIRS fMRI
ขนาดของเครื่อง เลก็ ใหญ่
การเคลอื่ นย้าย เคล่อื นยา้ ยได้ เคลอ่ื นยา้ ยไม่ได้
ราคา ไมส่ งู มาก สูง
Spatial resolution 1-3 เซนติเมตร < 4 มิลลิเมตร
Temporal resolution 10 Hz ~0.5 Hz
เสียงรบกวนจากเคร่ืองขณะตรวจ ไม่มี มี
การถูกรบกวนโดย motion artifacts ไม่มาก มาก
การตรวจในผู้ทม่ี โี ลหะในร่างกาย ได้ ไมไ่ ด้
การจากดั การเคล่ือนไหวขณะทาการตรวจ จาเปน็ แตไ่ ม่มาก จาเปน็
การประเมนิ สมองสว่ น subcortical ไมไ่ ด้ ได้

2. Positron-emission-topography (PET) ใช้ประเมินการเปลีย่ นแปลงของสารบางชนดิ ในสมอง
เช่น กลูโคส เป็นต้น แต่เครื่องมือมีราคาแพง และมีข้อจากัด คือ ไม่สามารถทาการตรวจซ้าในระยะเวลาใกล้
กันได้ เน่อื งจากมกี ารใชส้ าร radioactive tracer และต้องทาใหศ้ รี ษะอยูน่ ิง่ ขณะทาการตรวจ5, 6

3. Magnetoencephalography (MEG) ไวมากต่อ motion artifacts มี temporal resolution
สงู แตม่ ี spatial resolution คอ่ นข้างต่า และจาเปน็ ตอ้ งทาให้ศรี ษะใหอ้ ยนู่ ่งิ ขณะทาการตรวจ6, 7

4. การบันทกึ สัญญาณคล่นื ไฟฟ้าสมอง (electroencephalography; EEG) สามารถนาใช้ในการ

ประเมนิ activation ของสมองไดโ้ ดยตรง มี temporal resolution สูง คือ มากกว่า 1,000 Hz แต่มี spatial
resolution ค่อนข้างต่า คือ ประมาณ 5-9 มิลลิเมตร ค่อนข้างไวต่อ artifacts เช่น จากเหงื่อหรือการหดตัว

ของกล้ามเนื้อ เป็นต้น และไวต่อ motion artifacts มากกว่า fNIRS ใช้เวลาในการเตรียมตัวก่อนตรวจ
ค่อนขา้ งนาน และสัญญาณท่ไี ดน้ ามาแปลผลไดย้ ากในผทู้ ไ่ี มช่ านาญ1, 5, 6

ข้อบ่งชี้
ประโยชน์ของ fNIRS ในการฟ้ืนฟูระบบประสาท มี 3 กรณี ได้แก่ ใช้ในการติดตามการฟ้ืนตัวของ

ระบบประสาทภายหลังจากเป็นโรค ใช้ในกรณีวัด metabolism ของสมองขณะที่ทากิจกรรมต่าง ๆ และใช้
ร่วมกับ brain-computer interface เพ่ือเชื่อมต่อกับอุปกรณ์ที่ใช้ในการรักษาหรือฟ้ืนฟู โดยจะกล่าวถึง
รายละเอยี ดในหวั ข้อหลกั ฐานทางคลนิ ิก

219

ขอ้ ห้าม/ขอ้ ควรระวัง
ไมม่ ีขอ้ ห้ามในการใช้ fNIRS ในการวัดการทางานของสมอง เพยี งแตต่ ้องอาศัยความร่วมมือของผู้ท่ีรับ

การตรวจ โดยศีรษะตอ้ งอยู่นิง่ เนอื่ งจาก motion artifacts อาจมผี ลต่อสญั ญาณทบี่ ันทกึ ได้
สามารถทาการตรวจด้วย fNIRS ในผู้ป่วยท่ีเคยได้รับการผ่าตัดกะโหลกศีรษะแบบ decompressive

craniectomy ได้ โดยไม่พบอันตรายต่อสมองจากแสงเลเซอรห์ รือความร้อนท่เี กดิ ขึ้น10

ขนาดการใช้งาน
สามารถใช้ fNIRS ในการประเมินการทางานของสมองซา้ ได้บ่อยตามความต้องการ

หลกั ฐานทางคลนิ ิก
1. การใช้ fNIRS ในการประเมินการฟื้นตัวด้านระบบประสาทส่ังการและการทรงตัวในผู้ป่วย

โรคหลอดเลือดสมอง
Delorme M และคณะทาการศึกษาในผู้ป่วยโรคหลอดเลือดสมองจานวน 8 รายที่มีอาการ

ออ่ นแรงของรยางค์ส่วนบนระดบั น้อยถึงมาก และตดิ ตาม reorganization ของสมองดว้ ย fNIRS และประเมิน
ความสัมพันธ์ระหว่าง reorganization กับการฟ้ืนตัวของระบบประสาทสั่งการของรยางค์ส่วนบนโดย
Fugl-Meyer assessment (FMA) โดยเร่ิมตรวจภายใน 30 วันแรกหลังเป็นโรคหลอดเลือดสมอง และติดตาม
ทุก 2 สัปดาห์ต่อเน่ืองไปเป็นเวลา 2 เดือน พบว่าการเคลื่อนไหวของแขนข้างท่ีอ่อนแรงสัมพันธ์กับการท่ีมี
cortical activation ของสมองทงั้ 2 ขา้ งในระยะแรก ก่อนที่จะเปลยี่ นไปเปน็ cortical activation ของสมอง
ข้างท่ีมีรอยโรคเม่ือติดตามไปจนครบ 2 เดือน และการเปลี่ยนแปลงท่ีเกิดขึ้นของ laterality index ([cortical
activation ข้างซ้าย-cortical activation ข้างขวา] หารด้วยผลรวมของ cortical activation ของทั้ง 2 ข้าง)
สัมพันธ์กับคะแนนจาก FMA ที่เพ่ิมขึ้น11 ในทางกลับกัน Kinoshita S และคณะทาการศึกษาในผู้ป่วยโรค
หลอดเลือดสมองที่มีอาการอ่อนแรงของรยางค์ส่วนบนระดับปานกลางถึงมากจานวน 8 ราย เปรียบเทียบท่ี
1 เดือนกับ 3 เดือนหลังเป็นโรคหลอดเลือดสมอง พบว่าไม่มีการเปล่ียนแปลงของ laterality index อย่างมี
นัยสาคัญทางสถิติ และไม่พบความสัมพันธ์ระหว่างการเปล่ียนแปลงของ laterality index กับคะแนนจาก
FMA แต่พบความสัมพันธ์กับการเพิ่มข้ึนของคะแนนจาก Action Research Arm Test อย่างมีนัยสาคัญทาง
สถิติ12

นอกจากการศึกษาเก่ียวกับการฟื้นตัวของรยางค์ส่วนบน ยังมีการศึกษาเก่ียวกับการใช้ fNIRS ใน
การประเมินการฟ้ืนตัวด้านการทรงตัวในผู้ป่วยโรคหลอดเลือดสมอง ทาการศึกษาในผู้ป่วยโรคหลอดเลือด
สมองจานวน 20 ราย พบว่า supplementary motor area มี cortical activation สูงข้ึนขณะทากิจกรรมที่
อาศัยการทรงตัว และเมื่อติดตามผู้ป่วยเหล่าน้ีไป พบว่าคะแนน Berg Balance Scale ที่ดีขึ้นสัมพันธ์กับ
cortical activation ท่สี งู ขึ้นของสมองบรเิ วณ supplementary motor area ข้างท่ไี มม่ ีรอยโรค13

2. การใช้ fNIRS ในการวดั cortical activation ขณะทมี่ ีการเคลือ่ นไหวของรยางค์ส่วนบน
Wriessnegger SC และคณะทาการศึกษาโดยให้อาสาสมัครท่ีมีสุขภาพแขง็ แรงกามือขวาดว้ ยแรง

ร้อยละ 20 และ 40 ของแรงกามือสูงสุด (maximal grip strength) และวัด cortical activation ขณะท่ี
กามือด้วย fNIRS โดยวาง optodes ให้ช่องสัญญาณครอบคลุม sensorimotor cortex, premotor cortex,
parietal cortex ท้งั 2 ข้าง และ supplementary motor area พบวา่ ระหว่างทีอ่ าสาสมคั รกามือ มี cortical
activation เพิ่มขึ้นทุกตาแหน่งของสมองท่ีทาการวัด และ sensorimotor cortex ข้างซ้ายมี cortical
activation สงู ที่สดุ 14

220

Chang PH และคณะทาการศึกษาเกี่ยวกับห่นุ ยนต์ฟ้ืนฟมู ือ โดยใหอ้ าสาสมัครที่มีสุขภาพแข็งแรง
สวมหุ่นยนตท์ ่ีมือขวาและให้หุน่ ยนตข์ ยบั มอื แบบ passive mode ในท่างอ-เหยียดน้วิ ชถี้ ึงนิ้วก้อย และกาง-หบุ
น้ิวหัวแม่มือและทาการวัด cortical activation ขณะท่ีหุ่นยนต์ขยับมือ พบว่า sensorimotor cortex และ
supplementary motor area ข้างซ้ายมี cortical activation เพ่ิมข้ึนอย่างมีนัยสาคัญ15 และอีกการศึกษา
หน่ึงใช้หุ่นยนต์ haptic knob โดยให้อาสาสมัครท่ีมีสุขภาพแข็งแรงจินตนาการถึงการกา-แบมือขวา (motor
imagery) เทียบกับการ passive movement มือขวาด้วยหุ่นยนต์ haptic knob ในท่ากา-แบมือ และ
ทาการวัด cortical activation ด้วย fNIRS พบว่าขณะทา motor imagery มี cortical activation ของ
sensorimotor cortex ขา้ งซา้ ยเพ่ิมขึ้น ส่วนการทา passive movement ด้วย haptic knob พบการเพิ่มขึ้น
ของ cortical activation ของ sensorimotor cortex ทั้ง 2 ขา้ ง16

3. การใช้ fNIRS ในการวดั cortical activation ขณะเดนิ และว่งิ
Lu CF และคณะทาการศึกษาเกี่ยวกับ cortical activation ในอาสาสมัครท่ีมีสุขภาพแข็งแรง

โดยใช้ fNIRS ประเมินขณะที่เดินตามปกติ (normal-pace walking) เดินพร้อมกับทา cognitive task
(walking while performing a cognitive task; WCT) และเดินพรอ้ มกบั เคล่อื นไหวรยางคส์ ว่ นบน (walking
while performing a motor task; WMT) พบสมองส่วน prefrontal cortex ข้างซ้ายมี activation เพ่ิมข้ึน
ขณะเดินแบบ WCT แต่มีการเปล่ียนแปลงเพียงเล็กน้อยขณะเดินตามปกติและ WMT และขณะที่เดินไป
ทาอย่างอ่ืนไปด้วย (WCT และ WMT) มีการเพิ่มข้ึนของ activation ของ premotor cortex และ
supplementary motor area และการเพ่มิ ขึน้ น้ีสมั พนั ธก์ ับการลดลงของความเรว็ ในการเดิน17

Kim HY และคณะทาการศึกษาเก่ียวกับการใช้ fNIRS ในการประเมินการทางานของสมอง
อาสาสมคั รที่มีสุขภาพแขง็ แรงขณะฝึกเดินดว้ ยห่นุ ยนต์ฟืน้ ฟูการเดิน Lokomat เดนิ บนลู่วิง่ และเดนิ ยา่ เท้าอยู่
กับที่ พบสมองส่วน sensorimotor cortex, premotor cortex และ supplementary motor cortex มี
activation มากข้ึนขณะเดินท้ัง 3 รูปแบบเมื่อเทียบกับขณะพัก และเม่ือเดินด้วยความเร็วที่สูงขึ้น พบมี
cortical activation ในสมองสว่ นดงั กล่าวมากข้นึ 18

Suzuki M และคณะทาการศึกษาเกี่ยวกับ cortical activation ของอาสาสมัครท่ีมีสุขภาพแข็งแรง
ขณะวิ่งบนลู่ว่ิง พบว่าขณะที่มีการเพิ่มความเร็วในการว่ิงสมองส่วน premotor cortex และ prefrontal
cortex มี activation มากขึน้ 19

นอกจากการศึกษาในอาสาสมัครท่ีมีสุขภาพแข็งแรงแล้ว ยังมีการศึกษาในผู้ป่วยโรคพาร์กินสัน
โดยใช้เครื่อง fNIRS แบบไร้สายประเมินขณะท่ีผู้ป่วยหมุนรอบตัวเอง โดยแบ่งเป็นหมุนตัวตามปกติ และหมุน
ตัวพร้อมกับทา cognitive task (dual-task condition) พบว่าในผู้ป่วยโรคพาร์กินสันท่ีมี freezing of gait
(FOG) มี activation ของ prefrontal cortex สูงขึ้นขณะทา dual-task condition และการเพิ่มข้ึนของ
activation ของ prefrontal cortex น้ีสัมพันธ์กับการเกิด FOG ท่ีมากขึน้ ในผู้ป่วยโรคพาร์กินสนั ท่ีมี FOG อยู่
แล้วและสัมพันธ์กับจานวนครั้งในการหมุนตัว (number of turns) ที่ลดลงในผู้ป่วยโรคพาร์กินสันท่ีไม่มี
FOG20

4. การใช้ fNIRS เพ่ือการรกั ษาหรอื ฟืน้ ฟู
การใช้ fNIRS ในการรักษาหรือฟื้นฟู ทาได้โดยนาสัญญาณ fNIRS จากสมองไปใช้ในการควบคุม

อุปกรณ์ผ่าน brain-computer interface (BCI) ซ่ึงเป็นระบบที่รับสัญญาณจากสมอง จากน้ันจะประมวล
สัญญาณและนาสัญญาณที่ได้ไปควบคุมคอมพิวเตอร์หรืออุปกรณ์อื่นเพื่อใช้ในการฟ้ืนฟู การประกอบกิจวัตร
ประจาวัน การเดิน หรือการส่ือสาร การรับสัญญาณจากสมองทาได้หลายวิธี เช่น electrocorticography,
EEG, MEG, fMRI และ fNIRS เป็นต้น21

221

ระบบ fNIRS-BCI ส่วนใหญ่รับสัญญาณจาก motor cortex และ premotor cortex21 ตัวอย่าง
ของ fNIRS-BCI เช่น ใช้ในการควบคุมอุปกรณ์ที่ช่วยในการส่ือสารในผู้ป่วยที่มีกลุ่มอาการ locked-in22-24
ควบคมุ neuroprosthesis สาหรบั การเดนิ 25 เป็นตน้

ปัจจุบัน fNIRS-BCI มีท่ีใช้เฉพาะในงานวิจัยเท่าน้ัน เน่ืองจากอัตราเร็วในการโอนย้ายข้อมูลต่า
(slow information transfer rate) และมคี วามแมน่ ยาตา่ (low accuracy)21 จึงมีคณะผ้วู จิ ยั พัฒนาระบบรับ
สัญญาณจาก fNIRS ควบคู่ไปกับการรับสัญญาณ EEG (Hybrid fNIRS-EEG BCI) เพ่ือทาให้การรับสัญญาณมี
ความแมน่ ยามากขน้ึ แตย่ งั อยูใ่ นขนั้ ตอนของการวจิ ยั เช่นกัน26-29

สรปุ
การประเมินการทางานของสมองแบบ non-invasive ทาได้หลายวิธี โดย fNIRS เป็นวิธีหนึ่งที่มี

ผู้สนใจทาการศึกษามากข้ึนในช่วงทศวรรษที่ผ่านมา fNIRS ถูกนามาใช้ในการศึกษาเก่ียวกับการฟ้ืนฟูระบบ
ประสาทหลายด้าน ได้แก่ การฟ้ืนตัวของระบบประสาทภายหลังเป็นโรค การเปล่ียนแปลงของ cortical
activation ขณะได้รับหรือภายหลังได้รับการรักษาหรือฟื้นฟู และการนาสัญญาณจาก fNIRS ไปใช้ในการ
ควบคุม BCI โดย fNIRS มีจุดเด่นที่การใช้งานไม่ซับซ้อน สามารถวัด cortical activation ได้แบบ real time
ราคาไมแ่ พงมากเม่ือเทียบกับ functional imaging อืน่ เคลื่อนย้ายได้ง่าย นอกจากนีเ้ คร่ือง fNIRS บางรุ่นเป็น
แบบสวมใส่หรือไร้สายสามารถนาไปใช้นอกห้องปฏิบัติการได้และใช้ประเมิน cortical activation ขณะเดิน
ว่ิงหรอื เคลื่อนท่ีได้ ซึง่ เป็นจดุ เดน่ ทเ่ี หนือกวา่ functional imaging อื่น ในอนาคตจึงมีแนวโน้มท่ีจะมีการศึกษา
เกย่ี วกบั fNIRS ในการฟ้นื ฟรู ะบบประสาทกันอย่างแพรห่ ลายมากข้ึน.

222

เอกสารอ้างอิง
1. Pinti P, Alchelburg C, Gilbert S, Hamilton A, Hirsch J, Burgess P, et al. A review on the
use of wearable functional near-infrared spectroscopy in naturalistic environments. Jap
Psychol Res 2018;60:347-73.
2. Jöbsis FF. Noninvasive, infrared monitoring of cerebral and myocardial oxygen
sufficiency and circulatory parameters. Science 1977;198:1264-7.
3. Ferrari M, Giannini I, Sideri G, Zanette E. Continuous non-invasive monitoring of human
brain by near infrared spectroscopy. Adv Exp Med Biol 1985;191:873-82.
4. Brazy JE, Lewis DV, Mitnick MH, Jöbsis vander Vliet FF. Noninvasive monitoring of
cerebral oxygenation in preterm infants. Pediatrics 1985;75:217-25.
5. Herold F, Wiegel P, Scholkmann F, Müller NG. Applications of functional near-infrared
spectroscopy (fNIRS) neuroimaging in exercise-cognition science: a systematic,
methodology-focused review. J Clin Med 2018;7:466. doi: 10.3390/jcm7120466.
6. Herold F, Wiegel P, Scholkmann F, Thiers A, Hamacher D, Schega Lutz. Functional near-
infrared spectroscopy in movement science: a systematic review on cortical activity in
postural and walking tasks. Neurophotonics 2017;4:041403.
7. Yang M, Yang Z, Yuan T, Feng W, Wang P. A systematic review of functional near-
infrared spectroscopy for stroke: current application and future directions. Front Neurol
2019;10:58.
8. Mihara M, Miyai I. Review of functional near-infrared spectroscopy in
neurorehabilitation. Neurophotonics 2016;3:031414.
9. Strangman G, Culver JP, Thompson JH, Boas DA. A quantitative comparison of
simultaneous BOLD fMRI and NIRS recordings during functional brain activation.
Neuroimage 2002;17:719–31.
10. Venkateswaran P, Sriganesh K, Chakrabati D, Srinivas DB, Rao GSU. Regional cerebral
oxygen saturation changes after decompressive craniectomy for malignant cerebral
venous thrombosis: a prospective cohort study. J Neurosurg Anesthesiol 2019;31:241-
6.
11. Delorme M, Vergotte G, Perrey S, Froger J, Laffont I. Time course of sensorimotor cortex
reorganization during upper extremity task accompanying motor recovery early after
stroke: an fNIRS study. Restor Neurol Neurosci 2019;37:207-18.
12. Kinoshita S, Tamashiro H, Okamoto T, Urushidani N, Abo S. Association between
imbalance of cortical brain activity and successful motor recovery in sub-acute stroke
patients with upper limb hemiparesis: a functional near-infrared spectroscopy study.
Neuroreport 2019;30:822-7.
13. Fujimoto H, Mihara M, Hattori N, Hatakenaka M, Kawano T, Yagura H, et al. Cortical
changes underlying balance recovery in patients with hemiplegic stroke. Neuroimage
2014;85:547-54.

223

14. Wriessnegger SC, KirchMeyr D, Bauernfeind G, Müller-Putz GR. Force related
hemodynamic responses during execution of a hand grip task: a functional near-
infrared spectroscopy study. Brain Cogn 2017;117:108-16.

15. Chang PH, Lee SH, Gu GM, Lee SH, Jin SH, Yeo SS, et al. The cortical activation pattern
by a rehabilitation robotic hand: a functional NIRS study. Front Hum Neurosci 2014;8:49.
doi: 10.3389/hnhum.2014.00049.

16. Yu J, Ang KK, Yang H, Guan C. Cortical activation of passive hand movement using
Haptic Knob: a preliminary multi-channel fNIRS study. Annu Int Conf IEEE Eng Med Biol
Soc 2014;2014:2097-100.

17. Lu CF, Liu YC, Yang YR, Wu YT, Wang RY. Maintaining gait performance by cortical
activation during dual-task interference: a functional near-infrared spectroscopy study.
PLoS One 2015;10:e0129390. doi: 10.1371/journal.pone.0129390.

18. Kim HY, Yang SP, Park GL, Kim EJ, You JSH. Best facilitated cortical activation during
different stepping, treadmill, and robot-assisted walking training paradigms and speeds:
a functional near-infrared spectroscopy neuroimaging study. Neurorehabilitation
2016;38:171-8.

19. Suzuki M, Miyai I, Ono T, Oda I, Konishi I, Kochiyama T, et al. Prefrontal and premotor
cortices are involved in adapting walking and running speed on the treadmill: an optical
imaging study. Neuroimage 2004;23:1020-6.

20. Belluscio V, Stuart S, Bergamini E, Vannozzi G, Mancini M. The association between
prefrontal cortex activity and turning behavior in people with and without freezing of
gait. Neuroscience 2019;416:168-76.

21. Naseer N, Hong KS. fNIRS-based brain-computer interface: a review. Front Human
Neurosci 2015;9:3. doi: 10.3389/fnhum.2015.00003.

22. Naito M, Michioka Y, Ozawa K, Ito Y, Kiguchi M, Kanazawa T. A communication means
for totally locked-in ALS patients based on changes in cerebral blood volume
measured with near-infrared light. IEICE Trans Inf Syst 2007;E90-D(7):1028-37.

23. Abdalmalak A, Milej D, Norton L, Debicki DB, Gofton T, Diop M, et al. Single-session
communication with a locked-in patient by functional near-infrared spectroscopy.
Neurophotonics 2017;4:040501. doi: 10.1117/1.NPh.4.4.040501.

24. Borgheai SB, McLinden J, Zisk AH, Hosni SI, Deligani RJ, Abtahi M, Mankodiya K, Shahriari
Y. Enhancing communication for people in late-stage ALS using an fNIRS-based BCI
system. IEEE Trans Neural Syst Rehabil Eng 2020;28:1198-1207.

25. Khan RA, Naseer N, Qureshi NK, Noori FM, Nazeer H, Khan MU. fNIRS-based neurorobotic
interface for gait rehabilitation. J Neuroeng Rehabil 2018;15:7. doi: 10.1186/s12984-018-
0346-2.

224

26. Ahn S, Jun SC. Multi-modal integration of EEG-fNIRS for brain-computer interfaces-
current limitations and future directions. Front Hum Neurosci 2017;11:503. doi:
10.3389/fnhum.2017.00503.

27. Hong KS, Khan MJ. Hybrid brain-computer interface techniques for improved
classification accuracy and increased number of commands: a review. Front
Neurorobot 2017;11:35. doi: 10.3389/fnbot.2017.00035.

28. Hong KS, Khan MJ, Hong MJ. Feature extraction and classification methods for hybrid
fNIRS-EEG brain-computer interfaces. Front Hum Neurosci 2018;12:246. doi:
10.3389/fnhum.2018.00246.

29. Chiarelli AM, Croce P, Merla A, Zappasodi F. Deep learning for hybrid EEG-fNIRS brain-
computer interface: application to motor imagery classification. J Neural Eng
2018;15:036028. doi: 10.1088/1741-2552/aaaf82.

225

ดัชนี

ก ค

กฎระเบียบ ข้อบงั คับทเี่ กย่ี วข้องกบั การแพทย์ทางไกล 102 คล่ืนไฟฟา้ สมอง 52, 61, 62, 64
กระตุ้นคล่ืนแมเ่ หลก็ สว่ นปลาย
ท
ข้อบง่ ช้ี ข้อควรระวงั ข้อห้าม 166, 167
กระตุ้นดว้ ยคลนื่ แมเ่ หลก็ ผ่านกะโหลกศรี ษะ โทรเวชเพอื่ การฟื้นฟูสมรรถภาพ 98, 99
โทรเวชด้านเวชกรรมฟน้ื ฟูโรคระบบประสาท 106
รปู แบบ 141 โทรเวชด้านเวชกรรมฟน้ื ฟูโรคอืน่ ๆ 107
ขอ้ ห้าม 143
กระต้นุ สมองด้วยไฟฟา้ กระแสตรงผ่านทางกะโหลกศรี ษะ ป
ความปลอดภยั ขอ้ ควรระวงั 121
กลืนลาบาก 100, 154, 175 ประเมนิ การเดินดว้ ยเทคโนโลยี 188
การเดนิ ปกติ 181 ปวดเร้อื รัง 69, 127, 174
การตรวจคลนื่ ไฟฟา้ กลา้ มเนอื้ ขณะเคลือ่ นไหว 195
การฝกึ EEG-NFB ในโรคต่าง ๆ 66 พ
การฝึกความจาท่ที ดไวเ้ พ่ือใช้งาน 51
การฝกึ ความตัง้ ใจจดจอ่ 49, 50 พทุ ธิปญั ญาบกพร่อง 127
การฟ้นื ฟกู ารเคล่อื นไหว 1, 2, 3, 5, 10
การฟนื้ ฟูการส่ือความหมายโดยใชค้ อมพวิ เตอร์ 46, 47 ร
การฟนื้ ฟสู ตปิ ญั ญาโดยใชค้ อมพวิ เตอร์ 49
การวดั แรงและแรงกดขณะเดิน 194 โรคปลอกประสาทเส่อื มแข็ง 52, 100, 126, 173
การวิเคราะห์การเดนิ ในผู้ปว่ ยกลมุ่ โรคต่าง ๆ 199 โรคพารก์ นิ สนั 37, 52, 102, 125, 202
เกมโลกเสมือนจรงิ 72, 73 โรคหลอดเลือดสมอง 15, 16, 35, 51, 68, 99, 123, 150, 169,
199, 219
ข
ว
ขดลวดกระตุ้น 137
ไขสนั หลงั บาดเจบ็ 36, 101, 173 วเิ คราะห์การเดิน 187

ส

สมองบาดเจบ็ 38, 99

226

ห

ห่นุ ยนตช์ ว่ ยฝึกเดิน

ชนิด end-effector 23

ชนดิ exoskeleton 25
ชนดิ อยูก่ บั ท่ี 23
ชนิดเคล่อื นท่ี 23, 26
ขอ้ ห้ามและข้อควรระวัง 34
ข้อบง่ ชี้ 33
ผลข้างเคียง 34
การฝึกเดินโรคตา่ ง ๆ 35
ห่นุ ยนตฟ์ ื้นฟรู ยางค์บน
แบบควบคุมจากสว่ นปลาย 6
แบบโครงนอก 12
ขนาดการใช้งาน 15
หลักฐานทางคลนิ ิก 15

227

Index

A B

acceleration 184, 188, 197, 203 Barthel 80, 99, 106, 108
accelerator 193 BCI 83, 85, 86, 220, 221
Achilles 165, 172, 173, 184 BDNF 120
actuator 12, 26, 27, 29, 31, 33 Beta 52, 62, 63, 65, 72, 84
AFO 199 Biceps 78, 171, 174
Alpha 62, 63, 66–69, 71, 83 bihemispheric 123
ALS 85, 86, 163 bilateral 3, 4, 9, 124, 127, 128
Amadeo 11 Bi-Manu-Track 9, 10
amplifier 64 biofeedback 61, 65
ankle 26, 34, 168, 171, 172, 173, 183, 184, 185, 191, brachial 164, 166, 174, 175
199, 201, 203 Broca 124, 143, 147, 152
aphasia 47, 48, 123–124, 143, 152–153 BWSTT 22
application 77, 194, 197–198, 203
apraxia 200 C
Armeo, 13, 14
Ashworth 34, 165, 171–173, 201 cerebellum 59, 151, 154
aspiration 175 cerebral 33, 62, 83, 122, 148, 168, 171, 172, 186, 194,
assistive 11, 13, 24, 26, 83 201, 215
attention 49–52, 67, 83, 123, 128, 142 chronic 106, 124, 126, 164, 166, 171, 172, 199
autonomic 34 cingulate 66
awake 63 classification 34, 46, 172
awareness 127 Cogmed 51
cognition 52, 100
cognitive 8, 34, 49, 51, 52, 71, 83, 125, 220
coherence 66
corticobulbar 154

228

corticospinal 3, 84, 120, 125, 145, 146 EMF 160–161
CPG 36 EMG 14, 29, 171, 188, 189, 194, 196, 198
cTBS 142, 150, 154 evidence 35, 124, 169
cueing 37, 194 exercise 3, 107, 198, 203
Cyberdyne 27, 29 ExMotion-Arm 14
ExMotion-Wrist 14
D ExoAlet 28, 29
Exoskeleton 4, 6, 8, 11–12, 23, 29, 30, 34, 38
deceleration 184, 188, 197
Deltoid 78, 82, 163, 170, 171, 174, 175 F
dementia 128
dEMG 195, 198, 200, 201 FAC 35, 36, 172
dependency 68 facilitation 8, 140, 165
depression 120, 123, 125, 128, 129, 142, 146, 147, Faraday 137, 161
153, 174 fatigue 167, 198
desynchronization 63, 64, 84 FDA 29, 129, 153
diplegia 172 Feedback 14, 23, 31, 45, 50, 53, 61, 62, 64, 73, 85,
DLPFC 125, 153 149, 194, 203
Dopamine 122 FIM 101, 123
dysarthria 153 finger 165, 169–170
dysbalanced 150 flaccid 171
Dysphagia 100, 154, 166, 175 FMA 80, 81, 169, 171, 219
dysreflexia 34 fMRI 61, 62, 66, 83, 145, 147, 149, 152, 213, 217, 218,
dystonia 129, 181 220
fNIRS 86, 213, 221
E FOG 37, 203, 204, 220
force 53, 182, 185, 189, 193, 194, 196, 204
eccentric, 182, 184, 195 freezing 37, 193, 203, 220
ECT 141 FREE Walk 28, 29
end effector 4, 6, 8, 9, 11, 23, 25, 35
EnMotion 6, 7

229

G interhemispheric 3, 150, 153, 155
intermittent 141, 142, 146, 147, 150, 167, 168, 172
GABA 122, 128 inversion 192
gait 22–25, 29, 37, 125, 164, 168, 181, 182, 184, 186, ipsilesional 84, 123
191, 193, 199, 201, 204, 220 iTBS 142, 147, 150, 151
GAITRite 194, 196
gamification 72, 73 J
G-EO 24
Gloreha 11 joint 4, 7, 8, 11, 12, 34, 60, 171, 174, 184, 189, 190,
GMFCS 172 193, 196
goniometer 188
GRF 182, 186, 196 K

H kinematics 10, 184, 185, 187, 188, 193, 196, 198, 201,
203
Hand of Hope 14 knee 26, 34, 170, 173, 184, 185, 187, 197, 199, 201,
HAL 23, 27, 29 203
Hamstrings 29, 172
hemineglect 153 L
hemiparesis 165, 169, 171
hemiparetic 197 laryngeal 175
hip 29, 31, 173, 184, 185, 187, 190, 191, 197, 199, Latissimus 78
203 learning 2, 53, 54, 58, 64, 71, 74, 192, 193, 204
hybrid 26, 221 lesion 142, 171, 187, 199, 201
hyperalgesia 164 Levodopa 203
locked-in 85
I locomotor 36
LokoHelp 23, 24
imagery 63, 84, 86, 220 Lokomat 23, 25
impairment 34, 85, 106, 127, 128, 170 LORETA 66, 72
InMotion, 16 LTD 120, 142, 146
instability 34, 37 LTP 120, 128, 142, 146
lumbar 36, 167, 173, 193

230

lumbosacral 164, 169 P

M paraparesis 22
paraspinal 164
magnetic 52, 59, 61, 118, 119, 128, 136, 145, 160, Pectoralis 78, 170
164, 172, 193, 202, 213 pendulum 173, 174, 184
maladaptation 147, 155 PET 118, 171, 213, 218
MAS 34, 165, 169, 173, 201 pelvis 190
mastoid 72 poliomyelitis 33
MEG 213, 218, 220 poststroke 123, 153
motivation 74 PTSD 62
myelinated 164
mylohyoid 154 Q
myofascial 126, 163, 166, 169
Quadriceps 29, 30, 171, 172, 183, 184, 187, 195, 198
N
R
neglect 123, 153
NeReBot, 9 randomized 15, 16, 100
neurofeedback 61, 68, 83 recurvatum 34, 187
neuromodulation 120 RehaDigit 10
neuropathic 126, 129, 162, 164, 166, 174 relaxation 165, 167
neuroplasticity 22, 83, 120, 141, 146, 148, 155, 165, relearning 201
201 REM 63
neuroprosthesis 26, 221 RehaDigit 10
neuropsychiatric 47, 51, 128 ReStore 31
Nintendo 76 ReWalk 23, 27, 30
NMDA 120, 122 Rhomboid 78
rhythm 62, 64, 84
O rigid 26, 27, 29, 189, 199, 200
robot 1, 3, 6, 8, 11, 14, 16, 22, 23, 26, 27, 29, 30, 85,
operculum 2 86, 123

231

rocker 183 subacute 106, 124, 147
ROM, 3, 171, 172 subconscious 183
rotator 171 subcortical 126, 128, 218
rPMS 162, 175 subjective 51, 187, 188
rTMS 140, 142, 146, 147, 149, 155, 174 surface 14, 29, 165, 195
swallowing 175
S synaptic 62, 120, 143, 149

scale 34, 62, 99, 107, 125, 126, 165, 169, 171, 175, T
201, 219
Sciatic 163, 164, 172, 174 Tailgait 196
SCP 63, 64, 66, 67, 71, 72 Tardieu 169, 171
sEMG 165, 169 TBI 33, 38, 106, 171
sensation 121, 167 tDCS 59, 86, 117, 129, 155
SensibleDIGIT 11 telerehabilitation 98
SensibleTAB 6, 7, 8 Tekscan 196
sensorimotor 83, 84, 165, 168, 216, 219, 220 thalamus 126
sensors 196 Theta 62, 63, 65, 67, 69, 72, 141, 142, 168, 172
Serratus 78 ThetaBeta 67
Sertaline 128 threshold 71, 118, 139, 140, 145, 163, 164, 168, 169,
sham 127, 163, 165, 169, 173, 175 171, 174
shoe 195, 196 Tibial 34, 165, 168, 172
sleep 63, 64, 68 tinnitus 69, 72
spasticity 34, 36, 164, 166, 171, 173, 195, 199, 201 toe 24, 181, 185, 192
spatiotemporal 182, 188, 193, 194, 196, 197, 199, tone 171
201 training, 1, 6, 8, 10, 17, 22, 23, 45, 46, 49, 51, 61, 65,
speech 47, 48, 143 66, 70, 72, 123, 149, 198–199, 202
sphincter 174 treadmill 22, 25, 57, 58, 164
spindles 63, 64, 68
stretch 8, 173

232

U

unconscious 54, 55

V

vertex 72, 154
vestibular 181
VFSS 154, 155
visuomotor 53, 56, 59
visuospatial 51, 52, 127, 153
vojta 201
VR 72, 73, 76, 80, 82

W

walking 56, 172, 181, 182, 220
weakness 77, 166
wearable 4, 23, 26, 27, 30, 193, 196, 198, 202, 217
WMFT 80, 81
wrist 8, 9, 12, 14, 15, 165, 169, 171

X

Xbox 76
Xsense 193, 196

จดั ทำโดย ชมรมฟืน้ ฟูระบบประสำท (ประเทศไทย)
รำชวิทยำลัยแพทยเ์ วชศำสตรฟน้ื ฟูแหง่ ประเทศไทย

และสมาคมเวชศาสตรฟน ฟูแหง ประเทศไทย