一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法
【专利摘要】本发明提出了一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法，该方法涉及医疗卫生、模式识别等领域，其特征在于包括：指定动作下拇指震颤数据采集、食指震颤数据采集及统一帕金森病评分量表UPDRS打分；震颤数据预处理；样本训练集与样本测试集划分；震颤数据近似熵与震颤数据之间的互近似熵计算；分类器的模型构建以及方法的有效性验证。本发明方法利用近似熵和互近似熵有效揭示了帕金森患者震颤的规律性和同步性，结合患者的震颤幅度、震颤频率等特征能够准确对患者的震颤症状进行量化分级。本发明方法是一种客观评估帕金森患者震颤症状的方法，可应用于帕金森患者的治疗和康复评估等领域。
【专利说明】-种基于近似摘和互近似摘的帕金森患者震颤症状量化评 测方法
【技术领域】
[0001] 本发明涉及传感技术、医疗卫生、模式识别等领域，特别涉及一种基于近似赌和互 近似赌的帕金森患者震颤症状量化评测方法。
【背景技术】
[0002] 帕金森病又称震颤麻瘍，是最为常见的神经退行性疾病之一。帕金森患者的临床 症状主要表现为；运动过缓、肌强直、震颤、姿势步态障碍。50%到80%的患者起病隐袭，首 发症状通常是一侧手部存在4化到8化的静止性"抢丸样"震颤。该种震颤在肢体静止时 最为显著，在肢体执行活动时减弱，在睡眠中消失；情绪紧张或疲劳能使震颤加重。通常该 种震颤在双手、双臂W及双腿的表现最为明显。根据卫生部最新关于流行病学的调查研究 显示，中国大陆地区的帕金森病患者已达200万人，约占全球帕金森病总人数的50 %。此 夕F，调查数据还显示，近年来我国帕金森的发病年龄趋向年轻化，45岁到65岁W上的帕金 森患病率高达2. 1 %，且随着城市人口老龄化的趋势不断升高，预计到2030年，我国的帕金 森患者将达到870万，已成为继也脑血管疾病和老年痴呆症后严重威胁我国中老年人身也 健康的"第H杀手"。
[0003] 作为帕金森患者的重要临床病症，震颤是评价帕金森患者病情严重程度的重要指 标。研究表明；帕金森患者的震颤表现形式和正常人的震颤表现形式不同，帕金森震颤是一 种有规律的震颤，且震颤特点明显。目前，国内外主要利用肌电图、量表打分W及微电极导 向多祀点毁损术等方法对帕金森震颤进行分析。利用十导肌电图仪和标准化震颤分析软件 采集帕金森病患者静止性震颤和姿势性震颤的频率和强度，比较帕金森静止性震颤和姿势 性震颤的频率强度有无统计学差异W及分析帕金森震颤的频率强度之间有无线性相关关 系。肌电图检查多用针电极及应用电刺激技术，检查过程中有一定的痛苦和损伤；且利用十 导肌电图仪时要求肌肉能够完全放松或不同程度的用力，因此应尽可能避免此种方式。量 表打分机制依靠医师的临床经验，主观性和差异性较强，在临床工作中常可见到不同医师 对同一患者的诊断、治疗W及愈后的判断存在较大差异的现象。微电极导向多祀点毁损术 本身是一种安全系数比较高的技术，但不合理地使用微电极导向技术会造成严重的后果。 此外采用微电极技术对操作者的要求极高，一般不适合研究帕金森患者的震颤。
[0004] 鉴于W上原因，一种操作简单、对测试者损伤小、且能客观评测帕金森患者震颤症 状的方法亟待解决。
【发明内容】
[0005] 本发明技术解决问题：为避免上述现有技术所存在的不足之处，本发明利用自主 研发的惯性单元节点，提供了一种基于近似赌和互近似赌的帕金森患者震颤症状量化评测 方法。发明方法利用近似赌和互近似赌有效掲示了帕金森患者震颤症状的规律性和同步 性，是一种客观评估帕金森患者震颤症状的方法，可应用于帕金森患者的治疗和康复评估 等领域。
[0006] 本发明技术解决方案：一种基于近似赌和互近似赌的帕金森患者震颤症状量化评 测方法，其特征在于所述方法的具体步骤为：
[0007] (1)利用惯性单元节点采集测试人员在指定动作下的拇指震颤数据和食指震颤数 据；同时利用统一帕金森病评分量表UPDRS对测试人员指定动作的完成情况进行打分；
[0008] 所述惯性单元节点包括设备盒、六轴惯性传感器、嵌入式无线模块、裡电池、电源 按键、状态指示灯、数据线。嵌入式无线模块、裡电池、电源按键、状态指示灯置于设备盒 中，设备盒表面留有电源按键接口和状态指示灯接口，设备盒侧面留有数据线连接接口；六 轴惯性传感器与设备盒之间通过数据线连接；裡电池负责嵌入式无线模块和状态指示灯供 电；电源按键控制裡电池供电的开与关；六轴惯性传感器固定在测试人员右手或左手的拇 指和食指上，用于获取测试人员在指定动作下的拇指震颤数据和食指震颤数据，并将震颤 数据通过嵌入式无线模块进行传输；所述震颤数据是指利用惯性单元节点中的六轴惯性传 感器获取的H轴加速度数据和H轴巧螺仪数据；
[0009] 所述指定动作是指静止性震颤动作和姿势性震颤动作，静止性震颤动作为：测试 人员坐在椅子上，眼睛目视前方，双手放在大腿上保持静止；姿势性震颤动作为；测试人员 在站立状态下，双脚并塊，眼睛目视前方，双臂向前伸展，保持与肩同宽，五指伸开，五指手 指之间微微分开。
[0010] 所述利用统一帕金森病评分量表UPDRS对测试人员指定动作的完成情况进行打 分是指专业医师根据测试人员指定动作的完成情况，判断测试人员的静止性震颤和姿势性 震颤的震颤等级，震颤等级分为5个等级，分别为0级，1级，2级，3级，4级；UPDRS量表中 第H部分运动功能评估中的第20项和21项表明：静止性震颤5个等级划分的震颤症状分 别表现为；1)无；2)轻度，有时发生；3)幅度中等，间歇性发生；4)幅度中等，多数情况下存 在；5)幅度大，持续存在。姿势性震颤5个等级划分的震颤症状分别表现为；1)无；2)轻 度，有时发生；3)幅度中等，动作时发生；4)幅度中等，一定动作时发生；5)幅度大，影响进 食；
[0011] (2)利用己特沃斯低通滤波器对步骤（1)中惯性单元节点采集的拇指震颤数据和 食指震颤数据进行低通滤波；同时基于滤波处理后的拇指震颤数据和食指震颤数据，计算 拇指震颤数据幅值、拇指震颤数据频率、食指震颤数据幅值和食指震颤数据频率；
[0012] 所述己特沃斯低通滤波器的截止频率为30化；
[0013] (3)对经过滤波处理后的所有测试人员指定动作震颤数据W 4:1的比例随机构建 样本训练集和样本测试集；
[0014] (4)计算样本训练集中每一样本的拇指震颤数据近似赌、食指震颤数据近似赌W 及拇指震颤数据与食指震颤数据之间的互近似赌；
[0015] 所述近似赌的定义为Ap化(Sw，m，r)，式中的Sw为包含N个数据的拇指震颤数据序 列或食指震颤数据序列，记Sw=出Rl，HR2，HR3，…HRw];m为划分数据序列的滑动窗口长度； r为相似阔值；Sw中的皿i表示第i时刻的采样数据值，i取值范围为1到N ;
[0016] 所述拇指震颤数据近似赌和食指震颤数据近似赌的具体计算步骤为：
[0017] (a)对所述的拇指震颤数据序列或食指震颤数据序列如Wm长度，利用滑动窗 口方式进行截取，得到N-m+1个子序列集合，子序列集合记为Pm = [P W (1)，P W (2)，…P W (N-m+1)]，其中 Pm (i)=出R。皿"1，…，，1《i《N-m+1 ;
[001引 （b)利用下式比较子序列集合Pm中的pw (i)与pw (j)是否相似，
[0019]
【权利要求】
1. 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法，其特征在于：所 述方法包括：指定动作下拇指震颤数据采集、食指震颤数据采集及统一帕金森病评分量表 UPDRS打分；震颤数据预处理；样本训练集与样本测试集划分；震颤数据近似熵与震颤数据 之间的互近似熵计算；分类器的模型构建以及方法的有效性验证； 所述指定动作下拇指震颤数据采集、食指震颤数据采集是指利用惯性单元节点采集测 试人员在指定动作下的拇指震颤数据和食指震颤数据；所述惯性单元节点包括：设备盒、 六轴惯性传感器、嵌入式无线模块、锂电池、电源按键、状态指示灯、数据线；嵌入式无线模 块、锂电池、电源按键、状态指示灯置于设备盒中，设备盒表面留有电源按键接口和状态指 示灯接口，设备盒侧面留有数据线连接接口；六轴惯性传感器与设备盒之间通过数据线连 接；锂电池负责嵌入式无线模块和状态指示灯供电；电源按键控制锂电池供电的开与关； 六轴惯性传感器固定在测试人员右手或左手的拇指和食指上，用于获取测试人员在指定动 作下的拇指震颤数据和食指震颤数据，并将震颤数据通过嵌入式无线模块进行传输；所述 震颤数据是指利用惯性单元节点中的六轴惯性传感器获取的三轴加速度数据和三轴陀螺 仪数据； 所述指定动作是指静止性震颤动作和姿势性震颤动作，静止性震颤动作为：测试人员 坐在椅子上，眼睛目视前方，双手放在大腿上保持静止；姿势性震颤动作为：测试人员在站 立状态下，双脚并拢，眼睛目视前方，双臂向前伸展，保持与肩同宽，五指伸开，五指手指之 间微微分开； 所述指定动作下统一帕金森病评分量表UPDRS打分是指专业医师利用统一帕金森病 评分量表UPDRS对测试人员指定动作的完成情况进行打分；专业医师根据测试人员指定动 作的完成情况，判断测试人员静止性震颤和姿势性震颤的震颤等级，震颤等级分为5个等 级，分别为0级，1级，2级，3级，4级；UPDRS量表中第三部分运动功能评估中的第20项和 21项表明：静止性震颤5个等级划分的震颤症状分别表现为：1)无；2)轻度，有时发生；3) 幅度中等，间歇性发生；4)幅度中等，多数情况下存在；5)幅度大，持续存在；姿势性震颤5 个等级划分的震颤症状分别表现为：1)无；2)轻度，有时发生；3)幅度中等，动作时发生； 4)幅度中等，一定动作时发生；5)幅度大，影响进食； 所述震颤数据预处理是指利用巴特沃斯低通滤波器对指定动作下采集的拇指震颤数 据和食指震颤数据进行低通滤波，巴特沃斯低通滤波器的截止频率为30Hz;基于滤波处理 后的拇指震颤数据和食指震颤数据，计算拇指震颤数据幅值、拇指震颤数据频率、食指震颤 数据幅值和食指震颤数据频率； 所述样本训练集与样本测试集划分是指对经过滤波处理后的所有测试人员指定动作 震颤数据以4:1的比例随机构建样本训练集和样本测试集； 所述震颤数据近似熵计算是指利用近似熵定义分别对样本训练集中每一样本的拇指 震颤数据和食指震颤数据进行计算，得到拇指震颤数据近似熵和食指震颤数据近似熵；所 述震颤数据之间的互近似熵计算是指利用互近似熵的定义对样本训练集中每一样本的拇 指震颤数据与食指震颤数据进行计算，得到拇指震颤数据与食指震颤数据之间的互近似 熵； 所述分类器的模型构建是指利用模式识别理论中的支持向量机分类模型分别构建区 分正常人震颤与帕金森患者震颤的分类器以及区分帕金森患者不同震颤等级的分类器；所 述分类器的输入均为上述计算的7个参数：拇指震颤数据幅值、拇指震颤数据频率、食指震 颤数据幅值、食指震颤数据频率、拇指震颤数据近似熵、食指震颤数据近似熵、拇指与食指 震颤数据之间的互近似熵；所述区分正常人与帕金森患者的分类器输出为正常人震颤或帕 金森患者震颤；所述区分帕金森患者不同震颤等级的分类器输出为震颤等级，〇级到4级； 所述方法的有效性验证包括利用近似熵与互近似熵验证正常人震颤与帕金森患者震 颤之间的差异性、验证上述7个参数与震颤等级之间的关系以及验证基于支持向量机分类 模型构建的分类器的准确性。
2.根据权利1中所述的一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测 方法，其特征在于：所述近似熵的定义为ApEn(SN，m，r)，式中的SN为包含N个数据的拇指震 颤数据序列或食指震颤数据序列，记SN= ，…HRN] ;m为划分数据序列的滑动窗 口长度；r为相似阈值；SN中的HRi表示第i时刻的采样数据值，i取值范围为1到N; 所述拇指震颤数据近似熵和食指震颤数据近似熵的具体计算步骤为： (1) 对所述的拇指震颤数据序列或食指震颤数据序列SN，以m长度，利用滑动窗口 方式进行截取，得到N-m+1个子序列集合，子序列集合记为Pm = [pw(l)，pw(2)，一pw (N-m+1)]，其中pm ⑴=[HR。HRi+1，…，HU，1 彡i彡N-m+1; (2) 利用下式比较子序列集合Pm中的pwW与口&"」）是否相似，
式中 1 <i<N+m-1，1 <j<N+m-1，0 <k<m，| * | 表示距离计算，max{*}表示取 最大值，t表示m个序列之间的距离最大值；统计在序列集合Pm中与pw (i)相似的个数 nim(r)，相似的个数包含与自身相似；定义Cim(r)为：在滑动窗口长度为m的情况下，子序列 集合Pm中与PW⑴相似的个数与子序列集合中序列个数N-m+1的比值，Cim(r)记为：
⑶计算子序列集合Pm中每一个子序列pw⑴，pw (2)，…，pw (N-m+1)的Cim(r)，所有 子序列Cim(r)的平均值记为Cm(r):
(4)在滑动窗口长度为m，相似阈值为r的情况下，定义数据序列51<的近似熵ApEn(SN,m,r)为：
式中In表示取对数；Cm+1(r)可按步骤（1)、步骤⑵和步骤（3)取滑动窗口长度为m+1 进行计算； 所述近似熵ApEn(SN，m，r)的取值范围为0到2,用于表征数据序列SN的规律性 和可预测性；ApEn(SN，m，r)的值越小，表明数据复杂度越小，越有规律性和可预测性； ApEn(SN，m，r)的值越大，表明数据复杂性越高，数据规律性不明显，难以预测。
3. 根据权利要求1所述的一种基于近似熵和互近似熵的帕金森患者震颤症状量化 评测方法，其特征在于：所述互近似熵的定义为Cross-ApEn(STN,SINm,r)，式中STN和SIN分 别为：包含N个数据的拇指震颤数据序列和包含N个数据的食指震颤数据序列，记STN = [HRn，HRT2,HRT3,…服?]，SIN = [HRn，HRI2,HRI3, --?"] ;HRTi 表示拇指第i时刻采样的数据 值，Ti的取值范围为：T1到TN;HR"表示食指第j时刻采样的数据值，Tj的取值范围为：T1 到TN;m为划分数据序列的滑动窗口长度，r为相似阈值； 所述拇指震颤数据与食指震颤数据之间的互近似熵的具体计算步骤为： (1) 对所述的拇指震颤数据序列STN和食指震颤数据序列SIN分别以m长度，利用滑动 窗口方式进行截取，分别得到N-m+1个子序列集合Pm和Qm，子序列集合Pm和Qm分别记为：Pm =[p(m) (1)，p(m) (2)，…，p(m) (N-m+1)]和Qm = [q(m) (1)，q(m) (2)，…，q(m) (N-m+1)];其中pm(i) =[HRTi,HRT(i+1), --?,HRT(i+m_1)],qm(i) = [HRn,HRI(i+1), --?,HR^^)], 1 ^i^N-m+1 ； (2) 利用下式比较拇指震颤数据子序列集合Pm中和食指震颤数据子序列集 合中的^U)是否相似：
式中1 <i<N+m-1,j=i，0<k<m, |*|表示距离计算，max{*}表示取最大值，dij表示m个序列之间的距离最大值；统计在拇指震颤数据子序列集合Pm中与食指震颤数据子 序列集合Qm中的qw (j)相似的个数nim(r)。定义Cim(r)为：在滑动窗口长度为m的情况 下，拇指震颤数据子序列集合Pm中与食指震颤数据子序列集合Qm中的qw (j)相似的个数 与子序列集合中序列个数N-m+1的比值，记Cim(r)为：
(3) 计算食指震颤数据子序列集合Qm中每一个子序列qw (1)，qw (2)，…，qw (N-m+1) 的(；?，所有子序列Cim(r)的平均值记为Cm(r):
(4) 在滑动窗口长度为m，相似阈值为r的情况下，定义拇指震颤数据序列STN和食指震 颤数据序列SIN之间的互近似熵Cross-ApEn(STN,SINm,r)为：
式中In表示取对数；Cm+1(r)可按步骤（1)、步骤⑵和步骤（3)取滑动窗口长度为m+1 进行计算； 所示互近似熵Cross-ApEn(STN,SINm,r)的取值范围为0到2,用于表征拇指震颤数据序 列STN和食指震颤数据序列SIN的同步性。Cross-ApEn(STN,SINm，r)的值越小，表明数据STN 与SIN的同步性越高，越有规律性和可预测性；Cross-ApEn(STN,SINm，r)的值越大表明数据 STN与SIN的同步性越低，数据规律性不明显，难以预测。
4. 根据权利要求1中所述的一种基于近似熵和互近似熵的帕金森患者震颤症状量化 评测方法，其特征在于：所述方法有效性验证中的利用近似熵与互近似熵验证正常人震颤 与帕金森患者震颤之间的差异性是通过统计直方图进行表征的； 所述统计直方图包括： (1) 在静止性震颤动作情况下，样本测试集中所有帕金森患者与正常人食指震颤数据 近似熵均值与拇指震颤数据近似熵均值的统计直方图； (2) 在姿势性震颤动作情况下，样本测试集中所有帕金森患者与正常人食指震颤数据 近似熵均值与拇指震颤数据近似熵均值的统计直方图； (3) 在静止性震颤动作和姿势性震颤动作情况下，样本测试集中所有帕金森患者与正 常人拇指震颤数据与食指震颤数据之间的互近似熵均值的统计直方图； 所述正常人震颤与帕金森患者震颤之间的差异性具体体现在： (1) 正常人拇指震颤数据近似熵均值大于帕金森患者拇指震颤数据近似熵均值、正常 人食指震颤数据近似熵均值大于帕金森患者食指震颤数据近似熵均值； (2) 正常人拇指震颤数据和食指震颤数据之间的互近似熵均值均大于帕金森患者拇指 震颤数据和食指震颤数据之间的互近似熵均值； 所述正常人震颤与帕金森患者震颤之间的差异性表明：正常人震颤与帕金森患者震颤 相比，正常人震颤的规律性不明显，难以预测。
5. 根据权利要求1中所述的一种基于近似熵和互近似熵的帕金森患者震颤症状量化 评测方法，其特征在于：所述方法有效性验证中的验证7个参数与震颤等级之间的关系是 指验证7个参数中震颤数据幅值和频率的大小、震颤数据近似熵大小以及震颤数据之间的 互近似熵大小与震颤等级之间的相关性； 所述7个参数与震颤等级之间的相关性具体体现在： (1) 震颤等级越高，震颤数据的幅值和频率越大，即震颤等级与震颤数据的幅值和频率 呈现正相关关系； (2) 震颤等级越高，拇指震颤数据近似熵、食指震颤数据近似熵以及拇指震颤数据和食 指震颤数据之间的互近似熵越小，即震颤等级与拇指震颤数据近似熵、食指震颤数据近似 熵以及拇指震颤数据和食指震颤数据之间的互近似熵呈现负相关关系。
6. 根据权利要求1中所述的一种基于近似熵和互近似熵的帕金森患者震颤症状量化 评测方法，其特征在于：所述方法有效性验证中的验证基于支持向量机分类模型构建的分 类器的准确性包括：区分正常人震颤与帕金森患者震颤的分类器的准确性和区分帕金森患 者不同震颤等级的分类器的准确性； 所述分类器的准确性利用敏感度Sensitivity、精确度Accuracy和特异性Specificity三个指标进行表示，三个指标的计算公式如下：
式中的TN和TP分别表示正确分类的数量，FN和FP分别表示错误分类的正常人数量 和患者数量。
【文档编号】A61B5/11GK104398263SQ201410833652
【公开日】2015年3月11日 申请日期:2014年12月25日 优先权日:2014年12月25日
【发明者】程楠, 许胜强, 王训, 杨先军, 韩咏竹, 刘遥, 马祖长, 汪飞跃, 周旭, 孙怡宁 申请人:中国科学院合肥物质科学研究院, 安徽中医药大学神经病学研究所附属医院