一种基于可穿戴传感器的帕金森病下肢运动检测方法

1.本申请涉及帕金森病智能诊断技术领域，具体涉及一种基于可穿戴传感器的帕金森病下肢运动检测方法。


背景技术：

2.帕金森病(parkinson’s disease，pd)是一种常见的神经退行性疾病，多发于老年人。随着社会人口老龄化的加剧，其数量还在逐年上升；pd会引起肢体颤动不适，导致病人身体机能下降，严重影响患者的生活质量。pd病人的下肢运动主要症状表现为跨步长度小，跨步时间不规律，屈髋屈膝，转弯转身困难，身体重心前移等。
3.目前，临床上对pd的诊断通常是医生根据临床量表来评估患者的患病严重程度，如统一帕金森评定量表(updrs)。这样的评估方法易受到主观与客观条件的影响，临床诊断上需要一种客观公正的诊断pd病症程度的方法。在大数据时代，医患都迫切希望在由普通机器组成的大规模集群上实现高性能的数据分析，为各阶段的pd患者提供服务和指导，进而实现对病情的准确定位。本发明采用可穿戴传感器采集患者数据，通过机器学习对患者病症程度进行自动评估，从而达到缓解临床问诊压力，增加诊断准确性的目的。


技术实现要素：

4.本申请为了解决上述技术问题，提出了如下技术方案：
5.第一方面，本申请实施例提供了一种基于可穿戴传感器的帕金森病下肢运动检测方法，所述方法包括：参照updrs与临床症状评估方法，预设一系列关于下肢运动的动作，用以评估pd患者的患病程度；为受试者下肢佩戴可穿戴的无线惯性传感器，执行所述下肢运动动作，利用可穿戴无线传感器采集受试者下肢运动相关数据，并记录对应的运动动作；对采集的数据进行预处理，并将得到的数据集划分训练集与测试集；依据数据集结构及数据特征，构建不同机器学习类的模型，对不同的分类器进行参数优化，采用机器学习中的投票表决分类器对所述分类器的结果进行投票，得到最终分类模型；采用可穿戴传感器按照所述方法采集并预处理患者数据后，导入所述分类模型，根据模型的输出结果评估患者的患病程度。
6.采用上述实现方式，基于可穿戴无线惯性传感器，根据病人下肢运动的状态，采用机器学习的方法，能够准确评估帕金森病人的患病严重程度，在临床诊断上，提供了一种客观评价手段。
7.结合第一方面，在第一方面第一种可能的实现方式中，所述预设下肢运动动作包括：往复行走，原地高抬腿，坐姿踩地，膝关节屈曲状态下脚跟点地以及反复起立。
8.结合第一方面，在第一方面第二种可能的实现方式中，所述为受试者下肢穿戴无线惯性传感器，执行所述下肢运动动作，利用可穿戴无线传感器采集受试者下肢运动相关数据，并记录对应的运动动作，包括：将可穿戴传感器分别穿戴到受试者的腰部与脚腕处；调试可穿戴无线传输传感器的加速度计校准、磁场校准和z轴角度置零；设置传感器采样频
率设置为100hz，每名受试者所述下肢运动动作中每个动作进行2至3次测试，采集每次测试的受试者运动数据。
9.结合第一方面，在第一方面第三种可能的实现方式中，所述对采集的数据进行预处理，并将得到的数据集及划分训练集与测试集，包括：对采集到的数据进行初步的剪切；以及将70％的样本划分为训练集，30％样本数据划分为测试集。
10.结合第一方面，在第一方面第四种可能的实现方式中，所述机器学习分类方法主要包括随机森林、决策树、支持向量机、人工神经网络以及朴素贝叶斯等。
11.结合第一方面，在第一方面第五种可能的实现方式中，所述投票分类表决器可以将所有模型预测样本为某一类别的概率的平均值作为标准，概率最高的对应的类型为最终的预测结果。
12.结合第一方面，在第一方面第六种可能的实现方式中，所述利用训练集训练机器学习分类模型，包括：不断学习和优化机器学习分类模型参数；并利用测试集测试其识别准确度，根据结果不断调整。
附图说明
13.图1为本申请实施例提供的一种基于可穿戴传感器的帕金森病下肢运动检测方法流程示意图；
14.图2为本申请实施例提供的受试者穿戴无线传感器位置示意图；
15.图3为本申请实施例提供的机器学习模型结构示意图。
具体实施方式
16.下面结合附图与具体实施方式对本方案进行阐述。
17.图1为本申请实施例提供的一种基于可穿戴传感器的帕金森病下肢运动检测方法，参见图1，本实施例提供的基于可穿戴传感器的帕金森病下肢运动检测方法包括：
18.s101，预设下肢运动动作，所述下肢运动动作用于评估pd患者的患病程度。
19.为了准确评估pd患者的患病程度，本发明参照updrs与临床症状评估，设计了一系列关于下肢运动的动作，主要包括步态行走，原地高抬腿，坐姿踩地，膝关节屈曲状态下脚跟点地以及反复起立。为了减少受试者对测试动作的理解偏差，本发明事先制作好特定动作的示范视频，在测试前向受试者展示，并对受试者进行初步的培训。
20.s102，将可穿戴无线传输传感器佩戴到受试者下肢，执行所述下肢运动动作，使用可穿戴无线传输传感器采集受试者数据，并记录对应的动作类别。
21.根据临床检验的帕金森综合评分表，将病人的帕金森病症程度分为6类分别对应6不同的阶段，从有到无，从轻到重。为保证模型的合理性，训练数据集不但包含pd病人的数据，也要包含同等数量的健康老年人的数据。本实例正常组与pd组各选取了30位50岁以上的老年人。
22.受试者选择完成后，对其进行姓名、性别、年龄与是否存在其他神经系统疾病或其他运动障碍病史等信息进行记录，以防止其他因素对模型检测精度的影响。因pd患者剂末现象明显，采集数据时间选择在药物治疗前的清晨进行。
23.传感器方面，本发明选择使用九轴姿态传感器jy901模块作为数据采集装置，能够
实时测量佩戴者的三维加速度、三维角速度等相关数据。传感器分别佩戴于受试者的腰部与脚腕处，如图2所示。模块与上位机之间通过蓝牙进行实时传输，该模块由可充电的锂电池提供电源，允许以0.1～200hz的采样频率收集数据。
24.每次测试开始前，受试者需保持静止状态，工作人员对传感器进行校准，主要包括加速度计校准、磁场校准和z轴角度置零，以降低由于个体差异性导致的测量误差。开始记录数据后，工作人员等待两秒后向受试者发出开始指令，以获得此次测试的静态基线。测试完成后，需对采集的数据进行编号，以便于后期的数据处理。
25.本发明中传感器采样频率设置为100hz，对受试者的不同动作进行数据采集，详细描述如下：
26.(1)步态行走
27.实验场所选择空间狭窄的过道，受试者保持静止站立，收到开始指令后开始动作，步行10米后停下，保持静止2秒，然后转身，再保持静止2秒，再步行10米后停下。如此反复，步行30米后测试完成。每名受试者进行2
‑
3次实验。
28.(2)膝关节屈曲状态下腿的灵活性
29.测试前，受试者保持舒适的坐姿，腿部保持静止状态。记录人员发出开始指令后，受试者左脚抬起约10公分，用脚后跟以一定频率拍打地面，持续10秒，记录人员发出停止指令后，受试立即停止运动，并保持静止状态。每只脚分别进行2
‑
3次实验，先左脚，后右脚。
30.(3)坐姿踩地
31.与(2)相同，听到开始指令后，受试者左脚抬起，然后踩地，持续10秒，完成后保持静止。每只脚分别进行2
‑
3次测试，先左脚，后右脚。
32.(4)原地高抬腿
33.受试者保持静止站立，听到开始指令后，原地高抬腿，持续10秒，完成后保持静止。每名受试者进行2
‑
3次测试。
34.(5)反复起立
35.受试者保持舒适的坐姿，腿部保持静止状态。在记录人员发出开始指令后，受试者开始起立后坐下，反复几次；每名受试者进行2
‑
3次测试。
36.s103，对受试者数据进行预处理，并将数据集划分为训练集和测试集。
37.通过三维加速度与三维角速度可解算出受试者的运动姿态，因此本发明将采集数据中的三维加速度与三维角速度作为衡量受试者患病程度的原始数据。
38.将70％的样本划分为训练集，30％样本数据划分为测试集。
39.s104，根据数据集设计机器学习分类模型。
40.在大数据时代，医患都迫切希望在由普通机器组成的大规模集群上实现高性能的以机器学习算法为核心的数据分析，为各阶段的pd患者提供服务和指导，进而实现对病情的准确定位。机器学习算法通过分析，可以发现数据集中呈现的特点，系统就可以将他的通过检查得到的复杂的各种数据信息输入到具有机器学习算法的诊断模型当中来研究分析，最后计算得到辅助诊断结论。
41.机器学习分类器主要使用朴素贝叶斯法(nbm)、人工神经网络(ann)、支持向量机(svm)、决策树(dt)和随机森林(rf)等方法进行分类。
42.s105，利用训练集训练机器学习分类模型。
43.下面是以本实例的svm分类器为例，训练方式具体为：
44.将训练集中的三轴加速度，三轴角速度等参数设为特征向量将训练集中的三轴加速度，三轴角速度等参数设为特征向量其中n表示样本数，d表示每个样本中的特征向量维数.将特征向量输入到svm分类器中进行训练，得到一个svm分类器；假设分类类型包括n类，判断svm分类器输出结果属于各类分类类型的概率，得到n个分类类型概率值，选择n个概率值中的最大概率值，如果该最大概率值大于等于设定值(本申请实施例设定该值为60％，具体可根据实际情况进行调节)，则将该最大概率值的分类类型作为svm分类器输出结果的分类结果。计算本次分类结果与实际结果的偏差，并将该偏差反馈到下一次分类中。
45.在训练过程中，svm分类器根据不同的特征采用不同的非线性核函数，包括多项式核函数：
‘
poly’核函数、高斯核函数：
‘
rbf’核函数等。
46.假设x(i)是特征集中第i个特征的输入，y(i)是对应的输出标签，k表示核函数结果，多项式核函数(poly)表示为式(1)，其中n≥1，表示为多项式次数：
47.k(x(i)，x(j))＝(x
t
(i)x(j))
n
48.高斯核函数表示为式(2)，其中σ＞0，表示高斯核的带宽：
[0049][0050]
采用准确度，精度和灵敏度对所述五个机器学习分类器进行模型评估，以便调整参数与优化模型，评估公式为：
[0051][0052][0053][0054]
上述公式中，accuracy为准确度，precision为精度，sensitivity为灵敏度。tp、fp、tn和fn分别表示真正例(true positive)，假正例(false positive)、真反例(true negative)和假反例(false negative)所对应的样例数。
[0055]
s106，采用可穿戴无线传输传感器采集患者数据，对所述患者数据预处理后输入到训练好机器学习分类模型中，根据模型的输出分类结果识别患病程度。
[0056]
由上述实施例可知，本实施例提供了一种基于可穿戴传感器的帕金森病下肢运动检测方法，基于可穿戴传感器，根据病人的下肢运动表现，运用机器学习技术，能够准确评估病人的患病严重程度，为临床医生为病人制定个性化治疗方案提供了一种客观手段。
[0057]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排
除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0058]
当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。