坐立测试数字化生物标志物获取方法及系统

本发明属于坐立测试数字化生物标志物获取，尤其涉及一种基于传感器的坐立测试数字化生物标志物获取方法及其在脑卒中监测中的应用。

背景技术：

1、

2、脑卒中是可治疗的，也是可预防的疾病。急性脑卒中病人预后最主要的决定因素在于接受治疗的时间窗口,即4.5小时以内溶栓治疗预后较好,错过“时间窗”，脑组织很出现不可逆损伤。尽早发现急性脑血管事件征兆，降低首发症状到急救治疗的院前延误时间，使得脑卒中患者尽早得到临床检测和治疗，将极大改善病人预后，降低疾病死亡率和致残率。

3、目前急性脑卒中发现的策略是教育高危人群对因大脑缺血或损伤引起的早期身体体征和症状，如面部下垂、手臂无力、言语困难等进行自测。因此，利用一些传感器获得数字化生物标志物，如动态平衡、肢体运动障碍等，有望实现对于急性脑卒中发生的自动化、智能化、无创化即时监测与评估。

4、肢体运动异常是常见的急性脑卒中首发症状。中风发生初期，即可引起肢体肌力、动作平衡性的异常。临床检测中，通常采用坐立测试(sit-to-stand test)来测试人体肌力等表现。这些测试需要专业医生来进行，病人尤其是老年人自测较为困难。随着传感器技术的发展，尤其是智能手机、智能手表、运动手环等可穿戴设备的发展，这些设备上内置的加速度计、电子陀螺仪和重力加速度计可以将肢体运动状态数字化，以数字化生物标志物的方式表征肢体运动状态。通过人工智能的方式，可以识别这些传感器衍生出的数字化信号特征与疾病的相关性，从而发现可用于疾病监测的数字化生物标志物。前期，已有部分研究将基于传感器的数字化生物标志物应用于帕金森病等疾病监测，但哪些数字化标志物与中风相关，以及这些数字化标志物在监测中风风险中的作用尚不清楚。

5、通过上述分析，现有技术存在的问题及缺陷为：

6、已有部分研究将基于传感器的数字化生物标志物应用于帕金森病等疾病监测，但哪些数字化标志物与中风相关，以及这些数字化标志物在监测中风风险中的作用尚不清楚。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于传感器的坐立测试数字化生物标志物获取方法及其在脑卒中监测中的应用。

2、本发明通过固定在人躯干和下肢上的可穿戴传感器收集坐立测试时身体运动参数，并将其转换为数字化特征，通过比较这些数字化运动特征在疾病人群和健康对照人群中的差异，获得疾病特异性数字化生物标志物。本发明可用于自动化、智能化获取坐立测试各种运动参数，进而通过数字化生物标志物对神经系统疾病，尤其是脑卒中、帕金森病进行早期预测。

3、本发明的另一目的在于提供一种基于传感器的坐立测试数字化生物标志物获取方法及其在脑卒中监测中的应用包括：

4、步骤一，测试设备组成；

5、步骤二，坐立测试过程；

6、步骤三，传感器数字化特征提取；

7、步骤四，8个主要变量获取方式；

8、步骤五，中风相关最优特征性数字化生物标志物的确定；

9、步骤六，确定识别中风最佳性能模型的最少数量的传感器衍生特征。

10、进一步，所述测试设备组成方法如下：

11、受试者在躯干、左右大腿和左右小腿上佩戴了五个无线传输可穿戴传感器，并将其用魔术扣固定在松紧带上；

12、每个传感器都有一个三轴加速度计和陀螺仪，一个蓝牙模块，一个微控制器和一个可充电电池；传感器数据通过蓝牙与计算机连接，计算机上配置有专门软件，收集、处理传感器数据，并控制测试进度和显示测试结果；

13、每个传感器都有一个三轴加速度计和陀螺仪，一个蓝牙模块，一个微控制器和一个可充电电池；传感器上的三轴加速度计和陀螺仪测的的参数如加速度、角速度和四元数以采样频率为100hz的频率传输到计算机。

14、进一步，所述坐立测试过程：

15、在坐立测试中，受试者被要求坐在一张普通的椅子上，双臂交叉在胸前；

16、在计算机软件发出“开始”指令后，他们尽快地完成了5次坐-立重复，在重复的过程中，他们的背或腿不同长时间停靠在椅子上休息。

17、进一步，所述传感器数字化特征提取方法：

18、根据记录的传感器数据(加速度、角速度和四元数)，从传感器数据中定义基于传感器的5次坐-立重复持续时间和8个主要变量；八个主要变量包括髋关节角度范围、髋关节角速度范围、髋关节功率范围、膝关节角度范围、膝关节角速度范围、膝关节功率范围、垂直速度范围和垂直功率范围；

19、这8个主要变量每个坐-立重复周期都进行计算，并且他们的平均值和变异系数(cv：标准差除以均值)；

20、从传感器数据中提取了17个传感器衍生特征变量(即基于传感器的5次坐-立重复持续时间+8个主要变量×2个变量类型(平均值和cv))。

21、进一步，所述8个主要变量获取方式：

22、髋关节角度是使用连接到躯干和大腿的传感器的四元数计算的；

23、膝关节角度是使用连接到大腿和小腿的传感器的四元数计算的；

24、髋关节和膝关节角度数据用四阶巴特沃斯滤波器(截止频率为2hz)进行低通滤波，以去除高频；2hz的截止频率是通过髋关节和膝关节角度数据的功率谱密度分析并基于先前研究的结果确定的；

25、髋关节和膝关节角速度分别由髋关节和膝关节角度的时间导数计算获得；

26、功率为角速度和角加速度的乘积估算；

27、髋关节角加速度由髋关节角速度的时间导数计算获得，而膝关节角加速度被计算为膝关节角速度的时间导数；垂直速度是通过将附着在躯干上的传感器测量的垂直加速度进行积分来计算的；垂直功率被计算为垂直速度和垂直加速度的乘积。

28、进一步，所述中风相关最优特征性数字化生物标志物的确定：

29、为确定上述站立测试中获得的17个数字化传感器衍生特征变量与中风之间是否存在相关性，本发明收集了50名中风病例(年龄60-70岁，男女各半，已度过中风急性期，处于中风康复期)和50名健康对照(年龄60-70岁，男女各半)5次坐-立测试数据，并进行了相关性分析，筛选与中风相关的数字化传感器特征变量；

30、为了确定最优特征选择的特征，根据shapiro–wilk检验确认的每个传感器衍生特征变量的正态性，对17个传感器衍生特征变量应用单向方差分析(one-way anova)或mann-whitney u检验；测试发现17个传感器衍生特征变量的特征中有5个在中风病例和对照样本之间显示出显著差异，分别为髋关节角速度、膝关节角速度、髋关节角速度范围、膝关节角速度范围和垂直速度范围，因此它们被用作最优特征选择的独立变量；

31、最优特征选择使用递归特征消除法和逻辑回归建模；建模使用中风状态(0：中风或1：健康)作为因变量，7个重要的传感器衍生特征变量作为自变量；通过递归特征法对最有效的特征进行排序，以确定产生最佳性能的最少数量的特征；通过自举法测试不同样本量的参与者的任何组合，用于逻辑回归模型的泛化；考虑到参与者的数量(样本量；n＝100)；最优特征选择使用1000次自举迭代来优化逻辑回归模型的鲁棒性；

32、自举法将参与者的数据分成1000对训练和验证数据集，从而可以计算出95％的置信区间(ci)，以进行最佳特征选择。

33、进一步，所述递归特征消除法方法：

34、(1)在每个迭代循环中创建逻辑回归模型；逻辑回归模型的数量是每个递归循环中考虑的重要传感器衍生特征变量的数量(即，第一个递归循环考虑八个重要传感器衍生特征，每个递归循环后减少1)；对于所有逻辑回归模型，因变量是风状态(0：中风或1：健康))；对于第n个逻辑回归模型，除第n个特征外，自变量均为显著的传感器衍生特征变量；

35、(2)对于每个迭代回路的每个模型，计算接受者操作特征(roc)曲线和roc曲线下面积(auc)；

36、(3)平均每个模型1000次迭代的auc值；

37、(4)去除具有最低auc值的传感器衍生特征变量；

38、(5)步骤1-4重复，直到只剩下一个传感器衍生特征变量(即，步骤1-4对应于一个递归循环，因为总共执行了八个递归循环)；包含自举(即1000对重采样)的递归特征消除法总共运行35,000个循环；

39、通过auc、敏感性、特异性和准确性来评估模型的性能；敏感性和特异性分别是逻辑回归模型识别中风和健康的参与者的能力。

40、进一步，所述确定识别中风最佳性能模型的最少数量的传感器衍生特征：

41、通过auc、灵敏度、特异性和准确性作为评估标准来确定中风识别模型所需要的最小传感器衍生特征组合；

42、以auc>0.8为标准，选择髋关节角速度范围、膝关节角速度范围和垂直速度范围作为最优特征的最小组合；

43、所选特征的logistic回归模型的auc为82.7％(95％ci＝81.04-85.36)，灵敏度为83.2％(95％ci＝81.43-83.55)，特异性为70.8％(95％ci＝68.50-72.31)，准确率为80.35％(95％ci＝79.26-82.44)。

44、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

45、第一、本发明通过可穿戴设备上的加速度计、电子陀螺仪和重力加速度计，将坐立测试中人体运动参数转化为数字化特征，比较这些数字化特征与中风之间的相关性，即可发现与中风相关的数字化标志物。本发明通过智能运动手表上搭载的加速度计、电子陀螺仪和重力加速度计，将坐立测试过程中人体肢体运动状态数字化，发现与中风相关的数字化生物标志物，并发现可以用于中风监测。其改进点和优点在于：

46、(1)前期，坐立测试是专业人员手工记录，缺乏自动化、智能化手段，本发明通过智能运动手表上搭载的加速度计、电子陀螺仪和重力加速度计，将坐立测试自动化、智能化，更加便捷、准确，也便于在没有专业人员协助下进行自测。

47、(2)前期使用的坐立测试只简单记录站立-坐下所用的时间这唯一的参数，而本发明采用数字化手段，可以通过加速度计、电子陀螺仪和重力加速度计提取站立-坐下时肢体、关节的多种特征，能更准确表征肢体运动能力和协调能力，对于神经系统疾病，如中风等，具有更好的预测作用。

48、(3)中风监测之前多用一些监测自测方式，缺乏自动化、智能化、客观化的评测手段，本发明通过坐立测试中获得的数字化生物标志物，可以对中风进行自动化、智能化监测。

49、第二，本发明通过可穿戴设备上的加速度计、电子陀螺仪和重力加速度计，将坐立测试中人体运动参数转化为数字化特征，比较这些数字化特征与中风之间的相关性，即可发现与中风相关的数字化标志物。本发明通过智能运动手表上搭载的加速度计、电子陀螺仪和重力加速度计，将坐立测试过程中人体肢体运动状态数字化，发现与中风相关的数字化生物标志物，并发现可以用于中风监测。

50、第三，本发明提供的方法不仅包含了传统坐立测试的基本元素，还加入了高级传感器技术，用以精确测量和分析受试者的运动特征。此方法的特点在于其综合性和高精度，可以捕捉到微小的生物力学变化，特别适用于中风和其他运动障碍疾病的早期诊断和监测。

51、本发明提供的方法在于使用了五个高精度、小型化、无线传输的可穿戴传感器。这些传感器在不干扰受试者正常运动的同时，能够实时、准确地收集运动数据。其独特的设计使得它们可以方便地固定在身体的关键部位，例如躯干和腿部，以优化数据采集的准确性和可靠性。

52、本发明提供的方法包括对受试者的具体动作要求以及测试的实施方式。这种方法通过标准化的测试流程，确保数据的一致性和可比性，同时也考虑到了测试的实用性和受试者的舒适度。

53、本发明提供的方法步骤是整个测试中最关键的部分，它利用先进的数据分析技术，从原始的传感器数据中提取关键的生物力学变量。这些变量不仅包括传统的运动学参数，还包括更复杂的衍生指标，如功率范围和动态变异系数，从而为临床评估提供更全面的视角。

54、本发明提供的方法变量的提取基于复杂的数学模型和精密的算法。使用四元数和高阶巴特沃斯滤波器的方法，不仅提高了角度和速度测量的准确性，还优化了信号处理过程，有效地剔除了噪声和干扰，确保了数据的高质量和可靠性。

55、本发明提供的方法通过对中风病例和健康对照组进行综合分析，此方法不仅能够识别与中风直接相关的关键特征，还能通过高级统计方法如递归特征消除法和逻辑回归建模，进一步精炼和优化特征选择，从而提高了诊断的准确性和效率。

56、本发明提供的方法使用了先进的数据分析技术，如机器学习和模式识别，以识别出那些对中风诊断最具决定性的特征。这不仅显著提高了诊断的速度和准确性，还极大地减少了所需的数据量和处理复杂性，从而使该方法在临床应用中更加实用和高效。

57、第四，本发明的主要创新点和技术进步主要体现在以下几个方面：

58、1)自动化与智能化：这项发明使用可穿戴传感器自动化收集坐立测试时的身体运动参数，极大地减少了人工操作的必要性，也使得数据收集过程更加准确和效率高。

59、2)疾病特异性数字化生物标志物：通过比较疾病人群和健康对照人群的运动特征，这项发明可以获取疾病特异性的数字化生物标志物。这种新型的生物标志物对于疾病的早期预测和诊断具有重要的意义，特别是对于神经系统疾病，如脑卒中、帕金森病等。

60、3)精准的特征提取：这项发明能够从传感器数据中精准提取出多个运动特征，包括加速度、角速度、四元数等，并且能够根据这些参数计算出多个主要变量，如髋关节角度范围、髋关节功率范围等。

61、4)优化的设备设计：每个传感器都配备了三轴加速度计和陀螺仪，蓝牙模块，微控制器和可充电电池，设计精良且功能齐全。传感器可以通过蓝牙与计算机连接，方便数据的收集和处理。

62、5)应用广泛：这项发明不仅可以用于脑卒中的早期预测，还可以扩展应用到其他神经系统疾病的诊断和预测中。

63、本发明在自动化数据收集、疾病特异性生物标志物的获取、精准特征提取、优化设备设计以及广泛的应用等方面都取得了显著的技术进步。