一种脑老化评估系统的制作方法

本发明属于医学领域，涉及一种诊断或预测神经系统变性病的脑老化评估系统。

背景技术：

随着年龄的增长，人类的脑功能逐渐老化，同时也会出现一些老年人常见的神经系统变性病，常见的包括老年痴呆、帕金森病、多系统萎缩等。这类疾病多数起病隐匿，进行性加重，具有很大的致残性和致死性，给患者个人和家属都带来沉重的生活和经济负担，已成为当今社会最重大的社会经济问题之一。由于对这些神经系统变性病普遍缺乏认识，普通老百姓，甚至一些非专科的医务工作者，常常会将一些上述疾病初期的表现，如记忆力减退、运动迟缓等，归结为老年人的正常脑老化表现。这些误判，给这些神经系统变性病的早期诊断和治疗带来阻碍，使患者常常失去了早期治疗、最大限度维持功能、改善生活质量的机会。因此，很多老年患者在发病较长时间后才获得诊断，诊断之前往往还会经历多方就诊、反复检查的过程。

目前，有两种主要的技术已经被用于识别如阿尔茨海默症(ad)的神经退行性疾病：(1)大脑核磁共振成像(mri)和功能核磁共振成像(fmri)；(2)使用正电子发射断层成像(pet)扫描仪监测放射性¹⁸f脱氧葡萄糖(fdg)的吸收量从而评估大脑中新陈代谢的变化。然而这两种常规的方法有一定的局限性，主要用于测量疾病的继发效应。此外，中国专利101600973a公开了一种用于辅助诊断神经退行性疾病的工具，其主要通过一个图像获取模块获取大脑图像，然后进行大脑图像分析以实现疾病的早期诊断和监测。这些技术都需要依赖于大型昂贵的医疗仪器，且检测较为复杂。

目前临床上缺乏简便易行的评估老年人脑功能老化程度的精确量化方法，也没有根据脑正常老化轨迹考察被检测者是否偏离正常老化轨迹的评价手段。

技术实现要素：

针对上述存在的问题，本发明的目的在于提供了一种简便快捷的脑老化评估系统。该系统可以通过快捷的方法，在短时间获得被检者的脑功能检测指标(即眼动数据和/或躯体摆动数据)，并将这些数据与健康人群的数据构建的数学模型进行比对分析，根据所得标准分确认其脑老化程度或者预测疾病发生的概率。

本发明的上述目的通过以下技术手段实现：

本发明提供了一种脑老化评估系统，所述的系统含有眼动检查设备以及数据处理器。

(1)眼动检查设备

所述的眼动检查设备用于眼动测试并输出眼动数据。具体地，眼动数据包括扫视眼动数据和平滑眼动数据。更具体地，所述的扫视眼动数据包括：扫视眼动峰速度，saccadicpeakvelocity[sacpv]；扫视眼动准确率，saccadicaccuracy[sacacc]；扫视眼动反应时间，saccadicreactiontime[sacrt]；所述的平滑眼动数据包括：平滑眼动增益，smoothpursuitgain[smooth]。

作为一个示范性的实施例，所述的眼动检查设备含有视靶、带有摄像头的眼动视频采集眼罩、电源适配器和眼动采样及曲线数据分析软件。通过对该眼动检查设备设定眼动测试程式，然后进行眼动测试，输出眼动数据。

作为优选的实施方式，所述的眼动测试程式为：2分钟的扫视眼动测试和一个2分钟的平滑眼动测试，测试结束后，扫视眼动测试的输出sacpv、sacacc、sacrt；平滑眼动测试输出smooth。

现有技术中的眼动程式多用于眼震、半规管功能等评估，其测试程式与本发明中所用的程式不同。本发明的程式为标准化的检测过程，测试要求简单，易于操作，也可以在较短时间对被试进行培训和讲解，每个测试持续时间仅为2分钟，即使是被试者流量很大的情况也可适用，测试仪器本身的成本不高，对测试操作者的技术要求不高，因此预期未来测试费用远低于现行的影像学和大型仪器检查手段。

(2)数据处理器

数据处理器被配置用于：

a.接收眼动检查设备测试数据；

具体地，眼动检查设备的测试数据为2分钟的扫视眼动测试数据；以及2分钟的平滑眼动测试数据；更具体地，扫视眼动测试数据包含扫视眼动峰速度，saccadicpeakvelocity[sacpv]；扫视眼动准确率，saccadicaccuracy[sacacc]；扫视眼动反应时间，saccadicreactiontime[sacrt]；平滑眼动测试数据包含平滑眼动增益，smoothpursuitgain[smooth]。

b.储存眼动数据随年龄变化的数学模型；

所述的数学模型是基于足够数量的健康受试者的眼动数据构建的眼动数据随年龄变化的数学模型。其中，健康受试者包括年轻成年人(18-40岁)和中国健康中老年人(41-80岁)。具体地，眼动数据模型包括视眼动峰速度数据sacpv数据模型、视眼动峰速度数据sacacc数据模型、扫视眼动反应时间sacrt数据模型、平滑眼动增益数据smooth数据模型；

所述扫视眼动峰速度数据模型为：

sacpvpre[度/秒]＝413*θ1-93.6/(((80-age)/22.8)^4+1)；性别为女时，θ1＝0.576-0.600；性别为男时，θ1＝0.9-1.1；作为优选的实施方式，性别为女时，θ1＝0.588；性别为男时，θ1＝1；

所述扫视眼动准确数率数据模型为：

sacaccpre[％]＝89.8*θ1-19.2/(((80-age)/21.0)^4+1)；作为优选的实施方式，性别为女时，0.546；性别为男时，θ1＝1；

所述扫视眼动反应时间数据模型为：

sacrtpre[msec]＝164+31.8/(((80-age)/23.7)^4+1)

所述平滑眼动增益数据模型为：

smoothpre[％]＝0.84-0.144/(((80-age)/14.3)^4+1)。

受建模所选的基础数据不同，本发明的模型公式的系数会在较小的范围内波动。

c.比对受试者的眼动数据与眼动数据模型的匹配度；

将数据管理器接收的待评估受试者眼动数据与健康受试者眼动数据的模型进行匹配。

d.根据匹配结果，响应于测试者罹患神经系统变性病的危险概率或者可能性。

作为优选的实施方式，所述的系统还含有(3)躯体摆动仪。

所述的躯体摆动仪用于测试受试者受牵引后重心移动的距离，并输出躯体摆动数据，bodysway[sway]。相应地，所述的数据处理器还被配置用于接收躯体摆动数据，预存躯体摆动数据随年龄变化的数学模型；比对受试者的躯体摆动数据与躯体摆动数学模型的匹配度。

其中，预存躯体摆动数据[sway]随年龄变化的数学模型为：

swaypre[mm]＝233*(1+(bmi-23.3)*0.041)+114/(((80-age)/24.9)^4+1)；

bmi为受试者的身体质量指数。

其中，该躯体摆动仪含有牵引部和位移传感器，牵引部的一端与位移传感器连接，另一端用于系于受试者。通过位移传感器可输出躯体摆动幅度，bodysway[sway](即躯体摆动数据)，即牵引部由于受试者重心移动所产生的距离。躯体摆动仪的详细结构及其操作方法可以参照中国专利205306959u。

作为一种优选实施方式，步骤c中，比对受试者的眼动数据与模型的匹配度其运行过程为；

(1).根据受试者的年龄和性别；分别依据扫视眼动峰速度数据模型；扫视眼动准确率数据模型；扫视眼动反应时间数据模型；平滑眼动增益数据模型，采用蒙特卡洛模拟的方法计算出同年龄同性别人群均值和人群标准差；

(2)根据测试者的sacpv、sacacc、sacrt、smooth分别计算单项标准分：z-score＝(受试者测量值-由模型预测的同年龄同性别人群均值)/模型预测的同年龄同性别人群标准差

(3)然后对各单项标准分：z-score进行叠加，得到眼动总标准分：z-score；

根据比对结果，给出待评估受试者罹患神经系统退行性疾病的危险概率，或者可能性，为可疑患者提供进一步诊治的依据。具体地，输出罹患神经系统退行性疾病的可能性：当眼动总标准分：z-score低于-5分时，罹患神经系统退行性疾病高风险，当眼动总标准分：z-score高于-5分时，罹患神经系统退行性疾病高风险。

或者输出罹患神经系统退行性疾病的危险概率，在本发明中，危险概率用危险比表示，风险比＝个体眼动总标准分/-5。风险比越大，患病风险越高。

本发明的系统仅采用眼动数据模型即可准确预测罹患神经系统退行性疾病的风险，仅含有眼动数据模型的系统，通过眼动总标准分判定神经退行性疾病的敏感性可高达93％，特异性高达80％。当然作为优选的实施方式，本发明的系统也可含有躯体摆动仪以及躯体摆动数据模型，作为眼动总标准分异常时的辅助判定，本发明的躯体摆动数据模型经拟合度分析同样具有高准确性。

需要说明的是，数据处理器接收眼动检查设备、躯体摆动仪的数据，可以是自动的接收，即眼动检查设备、躯干摆动的数据输出后，直接自动输入到数据管理器；或者是被动的接收，如通过人工输入眼动数据、躯干摆动数据到数据处理器进行建模或者比对分析等数据处理。

作为优选的实施方式，数据处理器还可存储所有测试的眼动数据和躯体摆动数据。

作为优选的实施方式，所述的数据处理器还被配置用于构建眼动数据随年龄变化的数学模型和/或躯体摆动数据随年龄变化的数学模型。

具体地，模型构建具体包含以下步骤：

s1.先根据足够数量的健康受试者的测试数据分别做sacpv、sacacc、sacrt、smooth、sway随年龄变化的散点图；

s2.根据散点图，初步确定适合的结构模型，确定的结构模型为：

pre是个体某眼动指标或躯体摆动指标的预测值；

e0是年轻成人在该指标上的平均测量值；

sa是在18-80岁之间该指标的最大衰退幅度；

t0是80岁；

age是被预测个体的年龄；

sw是眼动指标或躯体摆动指标相对于年轻成人的衰退幅度达到最大衰退幅度一半时所对应的年龄与t0的差值；

γ是形状因子，决定曲线的形状。

s3.在结构模型的基础上考察性别、体质指数(bmi)等协变量对模型拟合结果的影响，得到最终模型。作为优选的实施方式，最终模型如上述数据数据处理器中预存的眼动数据模型、躯体摆动数据模型。

s4：通过残差做图法和视觉预测检验法(visualpredictioncheck，vpc)分别进行模型拟合度分析，验证模型的准确性。

作为优选的实施方式，构建眼数学模型所依据的基础数据(即健康受试者的眼动数据和躯体摆动数据)可实施更新。具体地，如待评估受试者的评估结果为罹患神经系统退行性疾病的可能性无或者概率极低，则将该待评估受试者的数据归入构建模型所依据的健康受试者数据；实现建模用数据的样本扩大化，使构建的数学模型更为准确。

作为优选的实施方式，本发明的系统还通过对各种类型的神经系统退行性疾病的眼动数据和/或躯体摆动数据进行收集统计和分析，进一步预测待评估受试者罹患神经系统退行性疾病的具体类型，以及病程等等。

为了评估本发明系统的评估准确性，本发明还进行了模型拟合度分析，分析结果显示：由这些数据建立的预测模型与实测数据具有较好的相关性，可以较准确地描述中老年人的眼动数据和/或躯体摆动数据随年龄的变化及分布。

本发明的脑老化评估系统是一种简便易行的评估神经功能老化状态并筛查神经系统退行性疾病的临床检查和评估方法。所述神经系统退行性疾病包含老年痴呆、帕金森病、进行性核上性眼肌麻痹、多系统萎缩神经系统变性病等等。

使用该系统对待评估的测试者如老年对象进行评估的程序是：先分别进行眼动测试，或者进行眼动测试和躯体摆动测试，获得待评估者的眼动数据和或躯体摆动数据；将眼动数据和/躯体摆动数据分别带入由健康受试者数据构建的正常老年人随年龄变化的均值和95％置信区间图，根据待评估者的眼动数据和躯体摆动数据在群体分布图中的位置比对，系统响应出该待评估个体罹患神经系统退行性疾病的危险概率或者可能性，为可疑患者提供进一步诊治的依据，以此作为神经系统退行性疾病的筛查工具。

本发明的有益效果：

本发明的脑老化量化功能测评系统是全球首创的量化的神经系统老化测评系统。该系统将标准化眼动检查和数学模型相结合，率先提出了以简单快捷的定量眼动检测指标为基础的人类神经系统功能随年龄连续变化的模型，并将个体数据整合至由模型预测的不同年龄段老年人的眼动检查指标分布图，对个体的患病情况进行预测，解决了神经系统退行性疾病发现晚、诊断难的问题，有利于这类疾病的早期诊断和治疗，可在一定程度上造福患者及其家庭，减轻由疾病带来的社会经济负担。

眼动虽然是很简单的动作，眼动的控制却与多个脑区的功能相关。眼动控制涉及从脑干到新皮层的广泛脑部活动。眼动的执行由脑干控制回路的负责，同时受到高级中枢(尤其是大脑皮层相关区域)的调控，这些区域复杂的信息加工与整合功能保证了眼动的有效性。类似地，躯体摆动反映躯体的姿位平衡能力。姿位平衡的保持需要视觉、平衡觉、本体感觉及运动功能的共同调控，也同样涉及广泛的脑区活动。因此，眼动测试和躯体摆动测试可以敏感地反映全面的脑功能变化。目前对于神经系统退行性疾病，近年也有很多学者在研究嗅觉测试对疾病诊断及预测的敏感性，并有一定发现，但是嗅觉检测的时间较长，有一定主观性，也受到受试者文化背景的影响，而且仅与几种特定疾病相关，因此不利于大规模推广。

本发明的系统通过简单的测试以及测试方法，即可评估个体罹患神经系统退行性疾病的危险概率或者可能性，便于推广利用。

本发明的系统经模型拟合度分析和实际验证分析，其灵敏度高，特异性高，可准确预测个体罹患神经系统退行性疾病的危险概率或者可能性。

附图说明

图1控制快速跳视的脑区及其神经回路(注：该图摘自munoz&everling,2004，图中较浅灰度的箭头表示兴奋性投射，较深灰度箭头表示抑制性投射。视觉信息通过经典的视觉通路将信息投射至更高级的皮层或直接投射向上丘，而前额叶与基底神经节将信息进行复杂整合之后兴奋性或抑制性地投射到上丘终通过脑干网状结构引发精确的快速跳视。前额叶内主要为兴奋性投射，而基底神经节内的信息加工过程主要是抑制性的)

图2眼动数据和躯体数据随年龄年龄变化的散点图；其中2a为sacacc随年龄变化的散点图、2b为sacpv随年龄变化的散点图、2c为sacrt随年龄变化的散点图、2d为smooth随年龄变化的散点图、2e为sway随年龄变化的散点图；

图3对模型公式中各参数的图示解释；

图4由最终模型模拟的不同性别或体质指数正常任眼动和躯体摆动检测指标随年龄变化的曲线；其中4a为sacacc随年龄变化的曲线、4b为sacpv随年龄变化的曲线、4c为sacrt随年龄变化的曲线、4d为smooth随年龄变化的曲线、4e为sway随年龄变化的曲线；

图5视觉预测检验法(vpc)评估模型拟合优度；其中5a为男性sacacc的拟合优度、5b为女性sacacc的拟合优度、5c为男性sacpv的拟合优度、5d为女性sacpv的拟合优度、5e为sacrt的拟合优度、5f为smooth的拟合优度、5g为sway的拟合优度；

图6模型评估的拟合优度散点图，其中6a为sacacc拟合优度散点图、6b为sacpv拟合优度散点图、6c为sacrt拟合优度散点图、6d为拟合优度散点图、6e为拟合优度散点图；

图7用眼动总标准分判定神经退行性疾病的roc曲线(曲线下面积0.954)。

具体实施方式

以下通过具体的实施例进一步说明本发明的技术方案，具体实施例不代表对本发明保护范围的限制。其他人根据本发明理念所做出的一些非本质的修改和调整仍属于本发明的保护范围。

需要说明的是，本发明中的数据、指标均表示同一意思，即采用眼动检查设备、躯体摆动仪测量得到的数值。

眼动数据随年龄变化的数学模型即眼动数据模型；躯体摆动数据随年龄变化的数学模型即躯体摆动数据模型。

实施例1一种神经系统老化测评系统

一种神经系统老化测评系统，其含有眼动检查设备以及数据处理器。眼动检查设备含有视靶、带有摄像头的眼动视频采集眼罩、电源适配器和眼动采样及曲线数据分析软件。利用该眼动检查设备进行2分钟的扫视眼动数据和2分钟的平滑眼动数据，可获得扫视眼动峰速度，saccadicpeakvelocity[sacpv]；扫视眼动准确率，saccadicaccuracy[sacacc]；扫视眼动反应时间，saccadicreactiontime[sacrt]；平滑眼动增益，smoothpursuitgain[smooth]四项数据。

这四项数据被数据处理器接收，储存。此外，该数据处理器预存了眼动数据随年龄变化的数学模型，具体包括：扫视眼动峰速度数据模型；扫视眼动准确率数据模型；扫视眼动反应时间数据模型；平滑眼动增益数据模型。通过比对受试者的眼动数据与预存模型的匹配度，响应于测试者罹患神经系统退行性疾病的危险概率或者可能性。

实施例2一种神经系统老化测评系统

重复实施例1，有以下不同点，所述的系统还含有躯体摆动仪。该躯体摆动仪含有牵引部和位移传感器，牵引部的一端与位移传感器连接，另一端用于系于受试者。通过位移传感器可输出躯体摆动幅度，bodysway[sway](即躯体摆动数据)，即牵引部由于受试者重心移动所产生的距离。躯体摆动仪的详细结构及其操作方法可以参照中国专利205306959u。

所述的躯体摆动仪用于测试受试者受牵引后重心移动的距离，并输出躯体摆动数据，bodysway[sway]。相应地，所述的数据处理器还被配置用于接收躯体摆动数据，预存躯体摆动数据随年龄变化的数学模型；比对受试者的躯干摆动数据与躯体摆动模型的匹配度。

实施例3眼动数据和躯体摆动数据随年龄变化的数学模型的构建

1.选取构建模型所用的测试对象

选取133名健康受试者，包括中国健康年轻成年人(18-40岁)和中国健康中老年人(41-80岁)。测试对象愿意参加本研究。无认知功能损害病史，无严重躯体疾病史。既往无神经系统疾病及精神病史，无眼外肌麻痹、眼睑下垂、面肌痉挛或严重视力异常。mmse≥26分(以排除轻度认知功能障碍和痴呆的患者，受教育≥8年的受试者还要同时具备moca评分>26分，受教育<8年的受试者还要同时具备moca评分>22分)，神经系统专科查体无明显异常，无明显精神行为异常，日常生活能力正常。

2.眼动数据和躯体摆动数据的获取

分别对133名测试对象进行以下数据的采集。

眼动数据：眼动数据采集包括一个2分钟的扫视眼动测试数据和一个2分钟的平滑眼动测试数据。检查时，测试对象需处于光线昏暗、环境安静的检查室内，坐在视靶前约一米的位置，按照测试的要求在测试时间内保持双眼紧随视靶上的目标运动。为避免检测结果不准，个体在接受全部检查之前需先进行定标，在测试人员讲解测试流程和注意事项后，再进行2-3次测试，以其中成绩最好的两次结果的均值为被检测者的最终测试成绩。为避免受试者疲劳，标准流程要求在扫视和平滑眼动测试之间至少间隔1分钟，受试者在此期间可继续佩戴眼罩，但保持闭眼休息。扫视眼动测试的输出指标(英文名[缩写])包括：扫视眼动峰速度，saccadicpeakvelocity[sacpv]；扫视眼动准确率，saccadicaccuracy[sacacc]；扫视眼动反应时间，saccadicreactiontime[sacrt]。平滑眼动测试的输出指标是：平滑眼动增益，smoothpursuitgain[smooth]。

躯体摆动数据：躯体摆动数据的采集详见中国专利205306959u，输出的结果为躯体摆动幅度，bodysway[sway]。

测试结果见下表1。

表1眼动数据和躯体摆动数据

注：表中的数据为重复测试中，最好的两次测试结果的均值。

3.模型的构建

将上述第2步中所获得的数据，以年龄为横坐标，分别以眼动和躯体摆动测量值(sacpv、sacacc、sacrt、smooth、sway)为纵坐标，以年龄为横坐标，分别做散点图(见图2)。检视散点图，根据其中点随年龄变化的分布趋势，初步确定适合的结构模型公式(不含对变异的估计)。该结构模型是以根据133名包括中国健康年轻成年人(18-40岁)和中国健康中老年人(41-80岁)的眼动测试结果和躯体摆动结果，用nonmemv7.3作为分析工具进行拟合，建立的含有因变量和自变量的公式。此公式以预测的眼动或躯体摆动指标数值为因变量，以年龄为自变量，将来自健康人群拟合的老年人群最大衰退幅度和半数衰退年龄作为模型公式中的常数或系数。具体如式i所示。

上述公式中，ypre是个体某眼动指标或躯体摆动指标的预测值，e0是年轻成人在该指标上的平均测量值，sa是在18-80岁之间该指标的最大衰退幅度，t0是80岁，age是被预测个体的年龄，sw是眼动指标或躯体摆动指标相对于年轻成人的衰退幅度达到最大衰退幅度一半时所对应的年龄与t0的差值，γ是形状因子，决定曲线的形状(见图3)。

通过数据拟合，初步选定各测试指标适合的结构模型(选择标准：目标函数值最小，参数估计值的生理学意义可解释，各参数的变异小于30％)，然后再对个体间变异和个体内变异进行估计，考察性别、体质指数(bmi)等协变量对模型拟合结果的影响，得到最终模型。分析显示，sacpv和sacacc受性别影响，sacrt和smooth则不受性别影响，sway受ibm值影响。最后得到的最终模型如下式ii-式vi所示，表2为结构模型和最终模型的参数。

所述扫视眼动峰速度[sacpv]的最终模型为：

sacpvpre[度/秒]＝413*θ1-93.6/(((80-age)/22.8)^4+1)(式ii)

性别为女时，θ1＝0.576-0.600；性别为男时，θ1＝0.9-1.1；优选地，性别为女时，θ1＝0.588；性别为男时，θ1＝1；

所述扫视眼动准确率[sacacc]的最终模型为：

sacaccpre[％]＝89.8*θ1-19.2/(((80-age)/21.0)^4+1)(式iii)

性别为女时，θ1＝0.500-0.592；性别为男时，θ1＝0.9-1.1；优选地，性别为女时，0.546；性别为男时，θ1＝1；

所述扫视眼动反应时间[sacrt]的最终模型为：

sacrtpre[msec]＝164+31.8/(((80-age)/23.7)^4+1)(式iv)

所述平滑眼动增益[smooth]的最终模型为

smoothpre[％]＝0.84-0.144/(((80-age)/14.3)^4+1)(式v)

躯体摆动[sway]的最终模型为式：

swaypre[mm]＝233*(1+(bmi-23.3)*0.041)+114/(((80-age)/24.9)^4+1)(式vi)。

表2.模型参数

最终模型结果显示(见图4)：在40-80岁之间，健康人的眼动检测指标均随年龄呈现不同程度的衰退，年龄越大，衰退越明显；各眼动指标相对于健康年轻成年人的最大衰退幅度约为20％，躯体摆动随年龄的增幅约为健康年轻成年人平均水平的50％；sacpv、sacrt和sway是对脑老化最敏感的指标，健康人在大约40岁以后就会逐渐出现上述指标的衰退，smooth随年龄增加的衰退大约出现在50岁左右；男性在sacrt和sacpv两个指标上的脑老化开始时间比女性早15年，但是女性在脑老化开始后的衰退速度更快，两种性别的眼动指标在75岁以上相互趋近。

4.模型的拟合度分析

通过残差做图法和视觉预测检验法(visualpredictioncheck，vpc)分别进行模型拟合度分析。结果显示，由这些数据建立的预测模型与实测数据具有较好的相关性(图5)，而且残差没有随年龄或者个体或群体预测值变化的趋势(图6)，说明目前的模型可以准确地描述中老年人的眼动检测值和躯体摆动检测值随年龄变化及分布。

实施4罹患神经系统退行性疾病危险性的评估

为了进一步验证本发明系统的准确性，对通过临床检查和影像学检查确诊的阿尔茨海默病ad(采用nia-aa的阿尔茨海默病诊断标准)、帕金森病pd(采用英国脑库帕金森病诊断标准)、进行性核上性眼肌麻痹psp(采用2016年中国进行性核上性眼肌麻痹诊断标准)、多系统萎缩msa等神经系统变性病患者进行实施例1中的眼动及躯体摆动测试，采集数据。部分测试结果见表3。

表3眼动及躯体摆动测试以及眼动总标准分

根据与模型的模拟结果，对上述神经退行性疾病患者进行标准分(z-score)计算。单项标准分z-score计算公式：z-score＝(受试者测量值-由模型预测的同年龄同性别人群均值)/模型预测的同年龄同性别人群标准差。眼动总标准分即个体sacrt、sacpv、sacacc、smooth的标准分之和。躯体摆动标准分的计算方法与眼动标准分相同，因本发明的系统，仅需采用眼动标准分即可准确筛查神经系统疾病，躯体摆动标准分用于眼动总标准分异常时的辅助判定。

采用roc曲线法(图7)评估眼动总标准分对阿尔茨海默病、帕金森病、进行性核上性眼肌麻痹、多系统萎缩等神经退行性疾病患者的判定准确性。结果发现，以眼动总标准分-5分为界值，通过眼动总标准分判定神经退行性疾病的敏感性(即真阳性率＝符合疾病诊断的测试结果阳性的人数/所有符合疾病诊断的人数)为93％，特异性(即真阴性率＝不符合疾病诊断且测试结果阴性的人数/所有不符合疾病诊断的人数)为80％。其中，符合疾病诊断的测试结果阳性的人数指临床诊断为神经退行性疾病且眼动总标准分低于-5的患者人数；所有符合疾病诊断的人数指所有临床诊断为神经退行性疾病的患者人数，不论眼动总标准分是否低于-5；不符合疾病诊断且测试结果阴性的人数＝指健康且眼动总标准分高于-5的人数；所有不符合疾病诊断的人数指所有健康人不论，眼动总标准分是否高于-5。

测试根据个体数据在同年龄段同性别健康人数据分布中的位置，结合由老年痴呆患者和帕金森病患者所获得的眼动及躯体摆动测试结果的分布情况与健康人分布的关系，计算出个体罹患神经系统退行性疾病的风险比(风险比＝个体眼动总标准分/-5，风险比越大，患病风险越高)，作为筛查结果。