用于对帕金森病人的手部运动能力进行量化评估方法和系统与流程

本发明涉及运动能力的定量评估，尤其涉及帕金森病人的手部运动能力的量化评估方法和系统。

背景技术：

帕金森病(parkinson’sdisease,pd)患者的运动症状主要表现为运动迟缓、静止性震颤和肌肉僵直等。目前对于pd患者的运动能力的检测和评估主要是依赖于国际运动协会提供的pd评定量表(unifiedparkinson'sdiseaseratingscale,updrs)来进行等级评定，例如，通常帕金森病人的手部运动能力被分为0-4级，0级相当于正常人的手部运动能力，级数越高，手部运动能力越差。然而，这种评定方式通常受到评分医师操作经验和评估时被检测者的状态和情绪的影响，因此其评估的结果还是不够客观准确。

技术实现要素：

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种利用手部的表面肌电信号对帕金森病人的手部运动能力的量化评估方法和系统。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种用于对帕金森病人的手部运动能力进行量化评估方法，包括：

步骤1，经由放置在被检测者手部的肌电传感器采集被检测者执行指定动作时的表面肌电信号；

步骤2，利用预先训练好的与所述指定动作对应的帕金森病人运动能力分类器来根据所采集的表面肌电信号判断被检测者的手部运动能力所属的等级；

其中用于训练与指定动作对应的帕金森病人运动能力分类器的特征包括从表面肌电信号中提取时域特征和频域特征以及基于表面肌电信号获取的与所述指定动作的完成情况相关的特征。

上述方法中，与所述指定动作的完成情况相关的特征可包括下列中的至少一个：完成指定动作时的最大肌电信号、完成指定动作所用的时间。

上述方法中，所述指定动作可包括下列中的至少一个：握拳、对指。

上述方法中，还可包括训练与指定动作对应的帕金森病人运动能力分类器的步骤，其包括：

a)接收来自多个不同程度的帕金森病人和正常人执行所述指定动作时由其佩戴的肌电传感器采集的多个表面肌电信号作为训练数据集；

b)从各表面肌电信号中提取时域特征和频域特征以及基于表面肌电信号获取与所述指定动作的完成情况相关的特征；

c)基于各个特征对于训练数据集的信息增益选择用于训练所述运动能力分类器的特征，其中每个特征对训练数据集的信息增益为训练数据集的经验熵与在给定该特征的条件下训练数据集的经验条件熵之间的差；

d)基于所选择的特征来训练所述运动能力分类器。

上述方法中，当所述指定动作为对指时，可采用序列最小优化模型作为所述运动能力分类器；当所述指定动作为握拳时，可采用j48分类器作为所述运动能力分类器。

上述方法中，训练数据集的经验熵表示对训练数据集进行分类的不确定性，可以如下公式进行计算：

其中d表示训练数据集，h(d)表示训练数据集d的经验熵，n表示训练数据集d共分为n类，pi表示把数据分为第i类的概率。

上述方法中，在给定某个特征的条件下训练数据集的经验条件熵表示在给定该特征的条件下对训练数据集进行分类的不确定性，可以如下公式来进行计算：

其中a表示某个特征，h(d|a)为在给定特征a的条件下训练数据集d的经验熵，pi(d|a)表示在已知特征a的情况下把数据分为第i类的概率。

又一方面，本发明提供了一种用于对帕金森病人的手部运动能力进行量化评估系统，包括：

采集装置，用于经由放置在被检测者手部的肌电传感器采集被检测者执行指定动作时的表面肌电信号；

检测装置，用于利用预先训练好的与所述指定动作对应的帕金森病人运动能力分类器来根据所采集的表面肌电信号判断被检测者的手部运动能力所属的等级；

其中用于训练与指定动作对应的帕金森病人运动能力分类器的特征包括从表面肌电信号中提取时域特征和频域特征以及基于表面肌电信号获取的与所述指定动作的完成情况相关的特征。

上述系统中，与所述指定动作的完成情况相关的特征可包括下列中的至少一个：完成指定动作时的最大肌电信号、完成指定动作所用的时间。

上述系统中，所述指定动作可包括下列中的至少一个：握拳、对指。

上述系统还可包括用于训练与指定动作对应的帕金森病人运动能力分类器的训练装置，其被配置为：

a)接收来自多个不同程度的帕金森病人和正常人执行所述指定动作时由其佩戴的肌电传感器采集的多个表面肌电信号作为训练数据集；

b)从各表面肌电信号中提取时域特征和频域特征以及基于表面肌电信号获取与所述指定动作的完成情况相关的特征；

c)基于各个特征对于训练数据集的信息增益选择用于训练所述运动能力分类器的特征，其中每个特征对训练数据集的信息增益为训练数据集的经验熵与在给定该特征的条件下训练数据集的经验条件熵之间的差；

d)基于所选择的特征来训练所述运动能力分类器。

上述系统中，当所述指定动作为对指时，可采用序列最小优化模型作为所述运动能力分类器；当所述指定动作为握拳时，可采用j48分类器作为所述运动能力分类器。

与现有技术相比，本发明的优点在于：

利用可穿戴的肌电传感器捕获被检测者手部表面肌电信号，以从表面肌电信号中提取时域特征和频域特征以及与指定动作的完成情况相关的特征来对被检测者的手部运动能力进行量化评估，可以更客观准确地对帕金森病人的手部运动能力进行等级评估。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1为根据本发明实施例的用于对帕金森病人的手部运动能力进行量化评估方法的流程示意图；

图2(a)为与“对指”动作对应的各分类器的识别精度比较示意图；

图2(b)为与“握拳”动作对应的各分类器的识别精度比较示意图；

图3(a)为对于“对指”动作利用表面肌电信号的信号识别特征训练的smo分类器识别性能示意图；

图3(b)为对于“握拳”动作利用表面肌电信号的信号识别特征训练的j48分类器识别性能示意图；

图4(a)为采用根据本发明的方法训练的与“对指”动作对应的分类器识别性能示意图；

图4(b)为采用根据本发明的方法训练的与“握拳”动作对应的分类器识别性能示意图；

图5(a)为采用不同特征训练的与“对指”动作对应的分类器的识别结果对比示意图；

图5(b)为采用不同特征训练的与“握拳”动作对应的分类器的识别结果对比示意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

“对指”和“握拳”手势是用来评估帕金森病人的手部运动能力的两种常用的国际标准指标。在下文中，将以这两种指定动作为例来结合具体实施例说明如何评估帕金森病人的手部运动能力。但应理解，本发明的实施例对于具体的运动动作并不进行限制，本发明的原理也可以应用于其他动作或其他部位的运动能力评估。

图1给出了根据本发明的一个实施例的用于对帕金森病人的手部运动能力进行量化评估方法，其包括经由放置在被检测者手部的相关部位的肌电传感器采集被检测者执行指定动作时的表面肌电信号(步骤1)；利用预先训练好的与所述指定动作对应的帕金森病人运动能力分类器来根据所采集的表面肌电信号判断被检测者的手部运动能力所属的等级(步骤2)。其中与指定动作对应的帕金森病人运动能力分类器是在大量的不同程度的帕金森病人和一些正常人执行该指定动作时提取的样本数据的基础上进行训练的。

更具体地，在步骤1，将肌电传感器放置在被检测者的指定位置，例如手臂等相关部位，然后让被检测者执行指定动作，例如握拳或对指。这里，可以采用能够采集到人体表面肌电信号的任何类型的肌电传感器。优选地，可以采用可穿戴肌电仪，例如在下文中采用由加拿大创业公司thalmiclabs出品的臂环myo来检测手部运动时表面肌电信号，其是一种手势控制臂环，可以通过蓝牙与其他电子产品进行无线连接和数据传输。被检测者在做握拳和对指动作时，主要是小臂上方的肌肉进行活动，产生相应的肌电信号，所以可以将myo放置在被检测者的小臂上方。肌电传感器将采集到的表面肌电信号通过有线或无线的传输方式发送给相应的信号分析和处理装置，例如，诸如平板或手机之类的移动终端、台式电脑以及能够处理表面肌电信号的任何其他计算装置。

优选地，负责处理表面肌电信号的计算装置还可以对接收到的表面肌电信号进行一定程度的预处理，例如过滤掉噪声或者进行降维处理，例如对来自多个肌电传感器的信号进行合成，以尽量简化计算复杂度，减少对计算资源的消耗。以myo为例，其由八个传感器芯片组成，可以采集到患者小臂一周共八维的肌电信号，分别用a1,a2,a3,a4,a5,a6,a7,a8来表示。当被检测者做“握拳”和“对指”时，小臂表面的肌肉会处于激活状态。例如当患者握拳时，小臂一周的肌肉同时处于紧绷状态，也就是激活状态，导致肌电仪上的八个肌电传感器的肌电信号同时增大。当患者手臂张开时，小臂上一周的肌肉同时处于放松状态，或称为非激活状态，导致八片肌电传感器的肌电信号同时减小或者消失。所采集到的八维肌电信号具有的相关性，由此可以采用合成加速度的方法来将所采集的肌电信号进行合成，例如公式(1)从而得到合成的肌电信号sample。使用合成肌电信号在减少计算复杂度的同时，还可以让佩戴者忽略佩戴肌电仪的方向，可以随意佩戴这八个肌电贴片组成的肌电仪。应理解，以上预处理进行是优选的方式而非对此进行任何限制，使用单个肌电传感器采集的表面肌电信号也可以实现手部运动能力的量化评估。在下文中提到的表面肌电信号时不再特指是单个肌电传感器采集的肌电信号还是合成后的肌电信号，因为二者的处理方式是类似的。

继续参考图1，在步骤2，在获得了执行指定动作时的表面肌电信号之后，从其中提取与该指定动作对应的帕金森病人运动能力分类器所需要的特征，接着将所提取的特征提供给预先训练好的分类器来判断被检测者的手部运动能力所属的等级。对于每个指定动作，都有预先训练好的与其相对应的帕金森病人运动能力分类器，为下文描述方法，将与握拳动作对应的分类器简称为握拳分类器，以及将与对指动作对应的分类器简称为对指分类器。这两个分类器的训练方式类似，因此，下文仅以握拳分类器为例来对分类器的训练方法进行举例说明。

在训练时首先让大量的不同程度的帕金森病人和一些正常人佩戴肌电传感器并执行握拳动作，从而采集到大量的表面肌电信号作为基本的训练数据集。在训练分类器时关键是确定采用数据的哪些特征来进行训练，这些特征会直接影响分类结果的准确性。通常，可以对表面肌电信号进行时域和频域分析，从中提取多个时域特征和频域特征来训练分类器。这些时域和频域特征反映了肌电信号波形本身的特点。在本发明的优选实施例中，除了使用时域特征和频域特征之外，还采用了与指定动作的完成情况相关的特征。这是考虑到不同程度的pd患者在完成某个指定动作时所用的时间、力量等有较大差异，因此，与指定动作的完成情况相关的特征也可以对于手部运动能力有较好的区分性。为了提高分类器本身的准确性，在本发明的实施例中通过基于信息增益的方式来从上述的多个特征中选择最优的一些特征来训练分类器。训练分类器的过程主要包括：

(1)从表面肌电信号中提取时域特征和频域特征

表面肌电信号(surfaceelectromyogramsignal,sems)是从人体皮肤表面通过传感器或电极记录神经肌肉活动时发放的生物电信号，属于无创性。表面肌电信号的幅度具有随机性，通常可表示为准高斯分布函数。通常数字化分析是处理表面肌电信号的主要手段，包括时域分析和频域分析。时域分析是将表面肌电信号看作时间的函数，通过分析得到肌电信号的某些统计特征，例如，常见的时域特征包括肌电信号在时域上的均值、一个窗口内的最大值、方差、标准差、众数、过零次数、均方值、过均值率等。频域分析是通过傅里叶变换将时域信号转换为频域信号，常用频域特征包括峰值、频率分量、直流分量、能量、形状均值、形状标准差、形状偏度、形状峰度、幅度均值、幅度标准差、幅度偏度、幅度峰度、中值频率、均值频率、频率范围、最高波峰频率、最高波峰幅值等等。上述时域和频域特征也可以统称为信号识别特征。

(2)基于表面肌电信号获取与指定动作的完成情况相关的特征

与指定动作的完成情况相关的特征(可简称为动作特征)包括完成指定动作时的最大肌电信号、完成指定动作所用的时间等。随着pd患者病情的加重，帕金森病运动症状会出现暂停和迟缓，这将导致肌电信号强度的下降。另外，当pd运动症状相对严重时，完成动作所用时间会随之变长。因此，与指定动作的完成情况相关的特征也能有效地区分不同程度的pd患者的手部运动能力。

(3)基于信息增益从上述多个信号识别特征和动作特征中选择有效特征在来训练分类器。

首先，计算各个特征的信息增益。信息增益表示得知特征x的信息而使得类y的信息的不确定性减少程度。特征a对训练数据集d的信息增益记为g(d,a)，其为训练数据集合d的经验熵或信息熵h(d)与在特征a给定条件下训练数据集合d的经验条件熵h(d|a)之间的差，即：

g(d，a)＝h(d)-h(d|a)

其中经验熵h(d)表示对数据集d进行分类的不确定性，而经验条件熵h(d|a)表示在特征a给定的条件下对数据集d进行分类的不确定性，二者之间的差即为信息增益，表示由于特征a而使得对数据集d的分类的不确定性减少的程度，显然对于训练数据集d而言，信息增益依赖于特征，不同的特征往往具有不同的信息增益，信息增益大的特征具有更强的分类能力。经验熵h(d)例如可以通过下面的公式来计算：

其中n表示训练数据集d共分为n类，pi表示把数据分为第i类的概率，由上式所知熵h越大，分类的不确定性就越大。经验条件熵h(d|a)例如可以通过下面的公式来计算：

其中n表示训练数据集d共分为n类，pi(d|a)表示在已知特征a的情况下把数据分为第i类的概率，h(d|a)表征在特征a给定的条件下对数据集d进行分类的不确定性程度。

在根据上述公式可以计算pd运动症状每个特征的信息增益之后，比较各个特征的信息增益，选择那些信息增益较大的特征作为用于训练分类器的，从训练数据集中的表面肌电信号中提取这些特征作为样本数据来训练分类器。

为了进一步说明根据上述实施例的方法的效果，发明人还进行了下列试验。

首先，仅使用从表面肌电信号中提取的时域和频域特征来训练分类器。例如分别使用支持向量机svm(supportvectormachine)、序列最小优化smo(sequentialminimaloptimization)模型、诸如j48的决策树模型和随机森林rf(randomforest)模型对“握拳”和“对指”动作的训练数据进行处理，实验结果如图2(a)和2(b)所示。对于“握拳”动作，使用j48分类器的识别精度最高，可达到86.2％；对于“对指”动作，利用smo分类器的识别精度最高，可达到63.7％。其中，对于“对指”动作利用smo分类器识别其所属等级(即0-4级)的精度(precision)、召回率(recall)和f-score的结果如图3(a)所示，对于每个等级，这三个指标在图中从左到右依次排列。对“握拳”动作，利用j48分类器识别其所属等级(即0-4级)的精度、召回率和f-score的结果如图3(b)所示。通过观察肌电信号强度，发现对指的肌电信号较握拳的肌电信号弱，这是因为对指的肌肉激活程度较握拳的肌肉激活程度较弱，而肌电信号相对弱时较难进行分类，所以对指的肌电信号的区分较握拳时不明显，识别时对指的精度没有握拳的高。当分类等级为0和1时，错误率较高，也就是说正常人的对指等级和动作轻微变慢的病人对指等级不易区分，这是由于正常人在大量的工作劳动后，也会产生动作轻微变慢的症状。当分类等级为2和3时，精度较低，如图3(a)所示。这是因为患者在做对指测试时，等级为2和3的患者的肌肉激活程度较弱，造成肌电信号强度偏小，而强度不大的肌电信号发生细微变化时，容易造成分类混淆的结果。以上这些因素是造成对指分类错误率高的主要原因。

接着，对于“握拳”动作，使用j48分类器，对于“对指”动作，使用smo分类器，但是仅使用完成指定动作时的最大肌电信号、完成指定动作所用的时间这些动作特征来训练分类器。当使用j48分类器时，握拳分类器的分类精度达到70.6％，当使用smo分类器时，对指分类器的识别精度达到72.5％。

最后，通过上述计算信息增益的方式从上述信号识别特征和动作特征中选择前n个有效特征来训练分类器，采用与上文相同的分类器模型。如当使用j48分类器时，握拳分类器的精度达到90.8％。当使用smo分类器时，对指分类器的精度达到82.3％。这样的指定动作分类器对于手部能力0-4等级的识别精度、召回率和f-score如图4(a)-(b)所示，其中对于每个等级，这三个指标在图中从左到右依次排列。图5(a)-(b)所示的分别为用信号识别特征、动作特征和融合特征的实验结果对比图。如图5所示，与仅使用信号识别特征或者仅适用于动作特征相比，采用信息增益的方式选择有效特征(在图中称为融合特征)后的分类精度得到了明显提高。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。