一种脑神经系统疾病的手机辅助检测系统的制作方法

本发明属于人机交互和健康监护领域，具体涉及到一种脑神经系统疾病的手机辅助检测系统。

背景技术

随着技术的不断发展以及手机市场的兴盛，智能手机的普及率越来越高。数据显示，中国智能手机的普及率已经超过70％，并且该数字在持续上升。同时，由于智能手机的设计越来越科学合理，老年人使用智能手机的比例也在逐年增加。因此，针对于老年人的手机端健康检测成为可能。

中国老年人口数量巨大，截至2014年，中国60岁及以上老年人口达到2.12亿，占总人口的15.5％。人在进入老年期后，脑神经系统机能呈下降趋势，由于自然衰退或者疾病所引发的如帕金森病、阿尔兹海默症等是影响老年人脑神经系统的最常见的病症。这些病症不仅会影响到正常的肢体活动，还会影响到认知功能，对日常生活造成极大的不便。如果对此类疾病早期发现和治疗，能够有效的缓解控制疾病的发展。

神经系统疾病不仅可以通过fmri等方法分析脑区病变检查出来，还可以通过对行为的观测进行检查。前者方式昂贵且需要在医院进行，并要求医生的专业判断；而后者方法简单，无需专业的采集设备，容易实施，可在日常生活中进行。如帕金森病，有四种主要的症状：颤动、肌肉僵直、动作迟缓和姿态不稳定。这些症状使得患病者与非患病者在对手机的操作过程中有所不同，因而可以通过一些特定的采集方式将二者区分开来。

技术实现要素：

本发明的目的是设计一种脑神经系统疾病的手机辅助检测系统，利用用户对手机的不同类型的操作数据对老年人高发脑神经系统疾病进行辅助检测和预警。

为了实现上述目的，本发明采用以下技术方案：

一种脑神经系统疾病的手机辅助检测系统，包括：

数据采集模块，用于通过智能手机采集用户进行指定操作时产生的行为数据，所述指定操作包括双指交替按键、拨号以及画线；模型训练模块，用于对采集到的用户行为数据进行训练，得到不同脑神经系统疾病数据的分类器模型；数据分析模块，用于通过已训练好的不同脑神经系统疾病数据的分类器模型对待检测的用户行为数据进行分类，将分类结果作为脑神经系统疾病的辅助检测结果。

进一步地，所述拨号为用户按照要求的号码进行拨号或回想记忆中的号码进行拨号；所述画线为用户用笔描摹不同的几何图形，包括但不限于三角形、矩形、圆形等。优选同时描摹三角形、矩形和圆形这三种图形。

进一步地，用户进行双指交替按键时，所述数据采集模块采集的行为数据包括：包括左右两个按键的按下时间点、抬起时间点、按键位置、抬起位置、手指与屏幕接触面积、按键压力等。

进一步地，用户进行拔号时，所述数据采集模块采集的行为数据包括：按键数字和位置、按下时间、抬起时间、抬起位置、手指与屏幕接触面积、按键压力等。

进一步地，用户进行画线时，所述数据采集模块采集的行为数据包括：画线采样点的位置、手指与屏幕的接触面积、按键压力和采样点记录的时间点等。

进一步地，所述数据采集模块还用于采集来自智能手机的陀螺仪、加速计传感器的数据，以得到手机的运动情况。

进一步地，上述系统还包括数据预处理模块，用于对采集到的用户行为数据进行预处理，选择提取出主要特征分量，所述预处理包括：标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据，以及降维处理，将原始数据特征转变为线性无关的表示。

进一步地，用户进行双指交替按键时，从用户行为数据中选择提取的主要特征包括：屏幕点击总次数，单个按键按下时间均值和方差，左右按键按下时间间隔均值和方差，左右按键按下时离按键位置中心的距离方差，按下动作到抬起之间发生偏移距离的均值和方差，左右轮替过程中的错误率，还未抬起一个按键就按下另一个按键的错误率、0-1标准化后的接触面积方差；用户进行拔号时，从用户行为数据中选择提取的主要特征包括：按键错误次数(按键次数减去标准次数)，共花费时间，单次按键的时间均值和方差，按下动作到抬起之间发生偏移的距离均值和方差，拨号测试过程的完成率，0-1标准化后手指与屏幕接触面积方差；用户进行画线时，从用户行为数据中选择提取的主要特征包括：2阶和3阶曲率，曲率的均值和方差，以及将2、3阶曲率做快速傅里叶变换后，选取的若干幅值最大的频率。

进一步地，所述不同脑神经系统疾病数据的分类器模型通过以下方法训练得到：首先通过智能手机采集日常状态下的人群行为数据作为训练集，然后采用监督学习的分类算法，将被采集人群的磁共振(mri)检查结果作为分类标签，对这些具有不同标签类型的用户进行分类。

当有未知标签的用户进行检测时，将采集到的用户行为数据进行预处理(即归一化处理、特征提取和选择)得到对应的特征向量，将上述特征向量放入已训练好的分类器模型中进行分类，通过分类结果来给出测试用户可能存在的脑神经系统疾病的风险。

本发明的优点如下：

1、提供了一种自然方便的脑神经系统疾病监测方式。智能手机作为老年用户中越来越普及的使用设备，在不需要添加额外硬件设备的基础上，只需要利用手机自身提供的传感器及api(应用编程接口，applicationprogramminginterface)就能够对脑神经系统疾病进行检查。

2、相比于昂贵专业的医疗设备的检查，这种方式成本大为降低，且可随时随地进行检测，可作为日常生活中脑神经系统功能风险提示的解决方案。

3、为脑神经系统疾病检查融入日常手机操作提供方法支持。本发明设置的三种测试任务是将医学诊断方法和日常手机操作进行了结合，用户在日常生活中便能进行，而不需要在医生或专业人员的监督下进行，而且这三种手机测试任务本身对用户来讲是简单的，这使得用户对测试任务的接受度较为容易。这种显式的检查方式可以成功分类的基础上，可以将其融入到日常的隐式的手机操作中，使得用户在正常使用手机的过程中，非干扰地、非主动地在后台采集并分析用户的行为数据。

4、机器学习中所使用的特征是结合医生宏观的诊断方法并经过对用户运动和认知状态的精确量化而提取的，轻度的认知和运动障碍是通过肉眼难以观察的，一些细微的特征数据如运动过程的轻微不稳定或抖动，认知过程中的轻微迟缓等也是医生观察所做不到的，从而，传统的医学量表检查不能做到对上述轻微现象的收集。因此，本发明比传统的医学量表检查的准确度提高很多。

附图说明

图1本发明整体技术架构图。

图2本发明双指交替按键测试界面示意图。

图3本发明拨号测试界面示意图。

图4本发明画线测试界面示意图，其中(a)原图形为矩形；(b)原图形为三角形；(c)原图形为圆形。

具体实施方式

本发明的整体技术架构如图1所示，主要包括两个部分：一个是数据采集部分，以智能手机为载体，通过双指交替按键、拨号、画线三个测试任务以及智能手机的陀螺仪、加速计传感器采集用户操作手机的行为数据；另一个是数据分析部分，用于通过已训练好的分类器处理分析采集到的用户行为数据，基于分类结果来给出测试用户可能存在的脑神经系统疾病的风险。

一、数据采集

测试任务1：双指交替按键

该项测试用于检测用户的运动节律，如图2所示。用户非利手握住手机，利手分别使用食指和中指按照“左右左右”的交替顺序在屏幕上进行点击操作，该测试的持续时间为10秒。对于有运动功能障碍的用户而言，相比于正常使用者，其按键行为可能会出现手指轮换比较缓慢，手指交替时出现粘滞现象，单指多次重复按键，按键时出现抖动，按键力度不均匀，甚至不能做出交替按键动作等表现。用户进行测试时的屏幕数据都被记录下来，包括左右两个按键的按下时间点、抬起时间点、按键位置、抬起位置、手指与屏幕接触面积、按键压力、利手和操作手(运动功能障碍表现的肢体不一定是利手，比如一个人是右利手，但是有可能他的左手表现出功能障碍)。

双指轮替主要检测用户的运动节律，即双指在交替按键的过程中是否能保持一个相对稳定的状态。对于有运动节律障碍的用户来说，可能表现为轮替速度慢、周期不均衡或者出现轮替错误等情况。对此，发明人从屏幕采样点的原始记录信息中提取了屏幕点击总次数，单个按键按下时间均值和方差，左右按键按下时间间隔均值和方差，左右按键按下时离按键位置中心的距离方差，按下动作到抬起之间发生偏移距离的均值和方差，左右轮替过程中的错误率，还未抬起一个按键就按下另一个按键的错误率、0-1标准化后的接触面积方差，共11维特征。

测试任务2：拨号

拨号用于检测用户的认知能力和执行能力，如图3所示。测试时，被试者给定一组11位数字(手机号码)，按键完成后点击下方拨号键结束，按键时使用利手进行操作。拨号作为一种使用手机最常用的操作功能之一，被试者易于接受，并且无需做专门的培训指导。无论是按照给定的号码进行拨号还是在日常生活中回想记忆中的号码进行拨号，都会涉及到由记忆到理解再到执行的一系列过程。如果被试者出现认知功能和运动功能的下降，在拨号的过程中可能会出现总体时间较长，按键之间停留时间较长，拨号出现错误，或修改次数多等表现。用户进行测试时的屏幕数据被记录下来，包括按键数字和位置、按下时间、抬起时间、抬起位置、手指与屏幕接触面积、按键压力。

拨号测试主要检测用户的认知记忆和执行能力。认知和执行能力越差，那么在做测试的过程中所花费的时间会更长，或出现错误率越高，并可能会发生按键行为的不稳定。对此，发明人从中提取了按键错误次数(按键次数减去标准次数)，共花费时间，单次按键的时间均值和方差，按下动作到抬起之间发生偏移的距离均值和方差，拨号测试过程的完成率，0-1标准化后手指与屏幕接触面积方差，共8维特征。

测试任务3：画线

本发明中画线测试通过用户用笔描摹不同的几何图形来实现。描摹图形用于检测用户在做出特定动作时的稳定能力，如图4所示。测试时用户无需按照特定的顺序进行描摹，只需尽可能准确的描摹出原图形，同时也要保持正常的速度，不需特意缓慢进行。传统的医学检查方法是用笔描摹螺旋线或按次序画线连接点等，与传统医学手段的笔式画线不同，由于手机屏幕大小的限制，并且手指相对于笔尖的粒度更粗，在手机上无法较好的进行如螺旋线等比较复杂的画线方式，因而选用较为简单的图形组合来代替，包括矩形(图4(a))、三角形(图4(b))和圆形(图4(c))。用户描摹图形的过程将以高密度采样记录下来，包括画线采样点的位置、手指与屏幕的接触面积、按键压力和采样点记录的时间点。

描摹图形用于检测用户在保持特定动作时的稳定能力。连线测试如画螺旋线或画钟测试等，是医学神经功能检查中常用的且有效的检查手段。用户所绘制的线段的变形程度是临床研究中关注的重要特征。当被试者所画线段与标准图形发生较大偏差或抖动时，则可以反映出其运动功能上的损伤。曲率是反应几何弯曲程度的较好的表征量。对此，发明人分别计算了2阶和3阶曲率，并分别统计了曲率的均值和方差；此外，分别将2、3阶曲率做了快速傅里叶变换，与运动传感器类似，选取了20个幅值最大的频率作为特征。

在进行各项测试的同时，智能手机自带的陀螺仪和加速度传感器的数据还将被采集并记录，包括采样时间点和该采样时间点时刻两个传感器三个维度的数值，以得到手机在测试过程中的抖动情况。不规则的手机抖动来自于患者由于疾病所导致的姿势保持不稳定，肌肉张力紊乱，静止抖动或运动抖动等。

二、数据预处理和特征选择

由于各维度特征的量纲和范围取值的不同，如果直接使用原始数据，那么各特征对分类结果的影响程度将是不一样的，数值较大的特征会对结果产生较大的影响，从而影响到数据分类的准确度，因此需预先对特征做预处理，使得不同的特征具有相同的尺度。通过标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据。机器学习算法的复杂度与数据维度密切相关，且由于特征某些维度具有相关性，因此我们需要对特征进行降维处理，同时也要尽可能的降低信息的损失。主成分分析(principalcomponentanalysis，pca)是一种常用的数据降维方法，pca通过线性变换将原始特征转变为线性无关的表示，并提取出数据的主要特征分量。

三、数据训练及分类

本发明采用了随机森林分类器对经过特征选择后的样本进行分类。随机森林是在以决策树为基础的学习器来构建bagging学习的基础上，进一步在决策树训练过程中引入了随机属性选择。随机森林是bagging的一个扩展变体，是一个以决策树为基础学习器的集成分类器。决策树是一个树状预测模型，总的来看它提供了一个从观测到目标值的映射。决策树由节点和有向边组成，在树结构中包括根节点、分支节点和叶子节点。随机森林的构建方法是，首先，基于自助采样法(bootstrapsampling)，对给定的训练数据集进行多次随机的可重复的采样得到多个bootstrap数据集。对于每个采样得到的bootstrap数据集，都需要为其构建一个相应的决策树，每棵决策树任其生长，不需要剪枝处理。在构造决策树的过程前，随机挑选出指定个数的特征变量构造特征子空间。然后通过计算每个特征变量在分裂规则下的指标，最后将最优的结果作为该节点分裂的准则。随后，将之前建立的所有决策树组合成为随机森林模型。

在使用随机森林模型对测试样本进行分类预测时，各个决策树分类器对该测试样本进行投票，最后采用多数投票策略决定该测试样本的最终分类结果。

四、结果评估

经过上述分类模型的训练，当实际使用者进行测试时，收集的用户数据将通过上述相同的方式进行数据预处理和特征处理，并通过随机森林分类器得到分类结果。该分类模型将对用户的脑神经系统功能进行风险评估，当分类结果为有风险时，用户还需到正规的医疗机构进行详细的检查，从而达到对脑神经疾病提前预防的目的。

具体地，当用户做完三项测试后，手机所记录的所有信息将被上传到服务器端。服务器端将用户数据进行预处理及特征提取，并使用分类器模型进行分类。算法模型将是对脑神经功能的评级结果，分为健康、轻度、中度和重度四种。模型根据所提供特征得到的分类结果为上述其中一种，该结果将传回到个人终端，显示出用户可能存在的神经系统功能的风险等级。目前经过验证，随机森林分类器的识别准确率为91.24％。