一种基于可穿戴传感器的帕金森病上肢运动检测方法

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


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。pd的主要症状表现在运动迟缓、肌强直、静止性震颤和姿势 步态障碍，严重影响病人的生活质量。但是pd可以通过使用正确的个性化剂 量和用药时间来控制，但是这些药物必须根据疾病的进展进行不断调整。
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)。然而，评估过程存在一定的主观 性，容易受到外部条件的影响。因此，需要一个客观的工具来帮助医生能够 定量地识别运动表现的小变化，对疾病进行一个有效、公正的评估。
4.现有技术中的大多数研究基本都是利用支持向量机、随机森林、逻辑回 归等经典机器学习算法进行简单的二分类，即只能检测受试者是否出现pd相 关症状，而忽略了患病的严重程度，而且分类精确度较低，不能满足实际需 求。


技术实现要素：

5.本申请为了解决上述技术问题，提出了如下技术方案：
6.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上肢 运动检测方法，所述方法包括：预设上肢运动动作，所述上肢运动动作用于 评估pd患者的患病程度；将可穿戴无线传输传感器穿戴到受试者上肢，执行 所述上肢运动动作，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；对受试者数据进行预处理获得数据集，并将数据集划分为训练集 和测试集；根据数据集结构设计卷积神经网络模型；利用训练集训练卷积神 经网络模型；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的卷积神经网络模型中，根据卷积神经网络模型的输出 分类结果识别受试患病程度。
7.采用上述实现方式，基于可穿戴传感器，根据病人的上肢运动表现，运 用深度学习技术，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。
8.结合第一方面，在第一方面第一种可能的实现方式中，所述预设上肢运 动动作包括：设计动作主要包括手部的快速交替运动、翻转手、握拳、手指 捏合、静止性震颤和步态下的手臂摆动。
9.结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方 式中，所述将可穿戴无线传输传感器穿戴到受试者上肢，执行所述上肢运动 动作，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，包 括：将可穿戴无线传输传感器分别穿
戴于受试者双手的大拇指、食指、中指 与腕部；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，每名受试者所述上肢运动动作中 每个动作进行3次测试，采集每次测试的受试者数据。
10.结合第一方面，在第一方面第三种可能的实现方式中，所述对受试者数 据进行预处理获得数据集，并将数据集划分为训练集和测试集，包括：利用 四阶巴特沃斯低通滤波器对受试者数据进行低通滤波，截止频率设为50hz； 将滤波后的数据以5秒划分为一个样本，经过短时傅里叶变换获得微多普勒 时频图，将样本的数据格式转换为50
×
50；获取不同动作的所述时频图样本 集，并将80％样本集划分为训练集，20％样本集划分为测试集。
11.结合第一方面，在第一方面第四种可能的实现方式中，所述卷积神经网 络模型包括4个带有修正线性单元的卷积层、2个最大池化层、2个带有线性 修正单元的全连接层以及激活函数为softmax的输出层。
12.结合第一方面第四种可能的实现方式，在第一方面第五种可能的实现方 式中，所述根据数据集结构设计卷积神经网络模型，包括：第一层卷积层与 第二层卷积层，采用相同卷积核大小为5
×
5，步长为1，数量20，卷积过程 采用same方法，激活函数为relu，卷积后数据特征大小为20
×
20
×
50
×
50； 第三层池化层采用3
×
3最大池化操作，步长为1，池化后数据特征大小为20
ꢀ×
20
×
17
×
17；第四层卷积层与第五层卷积层采用卷积核大小为3
×
3，步长 为1，数量40，卷积过程采用same方法，激活函数为relu，卷积后数据特 征大小为40
×
40
×
20
×
20
×
17
×
17；第六层池化层采用3
×
3最大池化操作， 步长为1，池化后数据特征大小为40
×
40
×
20
×
20
×6×
6；第七层全连接层 共有128个神经元，使用dropout防止过拟合，第八层全连接层共有32个神 经元，softmax分类器输出受试者不同患病程度的概率。
13.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 训练卷积神经网络模型，包括：采用随机梯度下降法，不断学习和优化卷积 神经网络的模型参数；并利用测试集测试其识别准确度，根据结果不断调整。
14.结合第一方面第六种可能的实现方式，在第一方面第七种可能的实现方 式中，所述采用随机梯度下降法，不断学习和优化卷积神经网络的模型参数， 包括：初始化权重参数和偏置，分别采用随机初始化与定值初始化；根据网 络的前向传播计算损失值，反向传播计算每层网络的梯度；采用随机梯度下 降优化方法对参数进行优化，寻求最小损失值；逐步训练，提高模型的识别 准确率。
附图说明
15.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上肢运动 检测方法流程示意图；
16.图2为本申请实施例提供的试者穿戴传感器位置示意图；
17.图3为本申请实施例提供的卷积神经网络模型结构示意图。
具体实施方式
18.下面结合附图与具体实施方式对本方案进行阐述。
19.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上肢运动 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上肢运 动检测方法包括：
20.s101，预设上肢运动动作，所述上肢运动动作用于评估pd患者的患病程 度。
21.为了准确评估pd患者的患病程度，本实施例参照updrs与临床症状评 估，设计了一系列关于上肢运动的动作，主要包括手部的快速交替运动、翻 转手、握拳、手指捏合、静止性震颤和步态下的手臂摆动。为了减少受试者 对动作的理解偏差，本实施例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。
22.s102，将可穿戴无线传输传感器穿戴到受试者上肢，执行所述上肢运动 动作，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。
23.根据updrs将受试者患病程度评估设定为0
‑
5分，0分为无pd症状受 试者，分数越高，pd症状越重。为了优化正常检测与pd检测的性能，数据 集应包括足够的健康对照组与pd组的训练数据。因此，本实施例从pd病人 中选取了30位作为研究对象，相应的从经常锻炼的老年人中选取了30位作 为本实施例的健康对照组。
24.受试选择完成后，应对其进行姓名、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方面的登记，以减少影响检测结果精度的因素。 由于一些病人对药物反应良好，服用药物后症状明显减轻，甚至于无症状， 遵循伦理道德，不能对病人进行停药测试。因此，数据采集选定在病人进行 药物治疗之前的清晨进行，每名受试者测试时间大约半小时，这既能保证数 据集不受药物的干扰，又能保证病人的后续治疗。
25.传感器方面，本实施例选择使用九轴姿态传感器jy901模块作为数据采 集装置，能够实时测量穿戴者的三维加速度、三维角速度、三维磁场、三维 角度等。传感器分别穿戴于受试者双手的大拇指、食指、中指与腕部，如图 2所示。模块与上位机之间通过蓝牙进行实时数据传输，具有成本低、功耗 低、无创、体积小、重量轻、无线等特点。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。模块与人体之间通过尼龙绳带 连接，避免模块与人体之间的相对运动。
26.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。
27.本实施例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：
28.(1)手的快速交替运动
29.测试前，受试者保持舒适的坐姿，臀部和膝盖保持直角，双手水平放置 在桌面，保持静止，传感器水平安装。记录人员发出开始指令后，受试者双 手立即进行手掌、手背交替拍打，持续10秒，记录人员发出停止指令后，受 试立即将双手水平放置于桌面保持静止。每名受试者进行3次测试。
30.(2)翻转手
31.测试前，受试者保持舒适的坐姿，臀部和膝盖保持直角，双手水平放置 在桌面，保持静止，传感器水平安装。为了避免双手同时翻转产生协同作用， 听到开始指令后，受试开始翻转一只手，持续10秒，收到停止指令后，保持 静止。受试者每只手分别进行3次测试，先左手，后右手。
32.(3)握拳
33.测试前，受试者保持舒适的坐姿，臀部和膝盖保持直角，双手保持放松 垂直放置于桌面，保持静止，此时传感器垂直安装。听到开始指令后，受试 者需完全伸展手掌，然后完全攥紧，重复该动作10秒后停止。受试者每只手 分别进行3次测试，先左手，后右手。
34.(4)手指捏合
35.测试前，受试者保持舒适的坐姿，臀部和膝盖保持直角，双手保持放松 垂直放置于桌面，保持静止，此时，传感器垂直安装。听到开始指令后，受 试者拇指和食指以最大幅度、最快频率进行捏合，持续10秒后停止动作。受 试者每只手分别进行3次测试，先左手，后右手。
36.(5)静止性震颤
37.测试前，受试者保持舒适的坐姿，臀部和膝盖保持直角，双手保持放松， 垂直悬空，此时，传感器垂直安装。同时采集10秒受试双手处于静止状态时 的数据，重复3次采集。
38.(6)步态下的手臂摆动
39.测试前，受试者保持静止站立，传感器垂直安装。听到开始指令后，受 试开始行走，10秒后停止，每名受试者进行3次测试。
40.s103，对受试者数据进行预处理获得数据集，并将数据集划分为训练集 和测试集。
41.通过三维加速度与三维角速度可解算出受试的运动姿态，因此本实施例 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。
42.卷积神经网络是根据人类视觉皮层构建的人工神经网络，最初被设计用 来识别图像，处理多个矩阵的数据，例如由三通道(rgb)形成的彩色图像。 后来被应用于语音识别领域，处理语音信号随时间变化的二维矩阵。卷积神 经网络的输入可由一个张量r
a
×
b
×
c
表示，a表示图像的垂直像素数量，b表示 图像的水平像素数量，c表示通道数量。本实施例采集数据为随时间变化的一 维数组，不符合卷积神经网络的输入格式，因此需要对原始数据进行预处理。
43.本实施例采用四阶巴特沃斯低通滤波器对原始数据进行滤波，截止频率 设置为50hz，以消除高频噪声。将滤波后的数据以5秒划分为一个样本，增 加训练样本的数量。
44.对于数据分析，本实施例将每个传感器的每一轴记录的加速度或角速度 数据作为卷积神经网络输入的一个通道，测试中共采用8个传感器，故卷积 神经网络输入共48个通道，即c＝48。对于每一通道的输入，本实施例采用 最常用的时频分析方法短时傅里叶变换，通过时间窗内的一段数据来表示某 一时刻的信号特征，将一维数据转换为二维的时频表示。在连续时间的情况 下，短时傅里叶变换公式如下所示：
[0045][0046]
其中，x(t)表示要转换的信号，w(τ)表示窗口函数，ω表示信号函数中的基频 率。
[0047]
为了方便计算机处理，一般需要将信号进行离散化处理。在离散时间情 况下，可以将要转换的数据分解成一帧帧，然后再进行傅里叶变化。通常帧 与帧之间相互重叠，以减少边界处的伪像，具体公式表示为：
[0048]
[0049]
同样，x(n)和w(n)分别表示信号函数与窗口函数。
[0050]
傅里叶变换点数设置为128，时间窗口长度设置为200ms，时间步进为 100ms。所有数据信号的时间长度全部为5s，经过短时傅里叶变换对应的信 号为50帧，频率范围为0
‑
50hz，形成了一个50
×
50
×
48的三维输入，即a＝50， b＝50，c＝48，符合cnn的输入格式要求。所获取的不同动作所述时频图样本 集，80％样本集划分为训练集，20％样本集划分为测试集。
[0051]
s104，根据数据集结构设计卷积神经网络模型。
[0052]
机器学习算法要想达到较高的识别准确性，必须要有一个强大的模式分 类器以及一个显著的特征提取器，可以从原始数据的隐藏层提取重要的信息。 传统机器学习算法需要手动完成特征工程来进行数据的预处理、特征提取和 分类，为获取有用的特征需进行大量的反复实验。为克服这些困难，深度学 习技术被开发出来。
[0053]
近年来，深度学习技术在机器学习领域中得到了广泛的应用，提供了一 种不需要特征工程的有效的知识收集手段。通过深度学习技术对充分的数据 集进行训练，可以自动学习到以前所有的重要特征以及未知特征。本实施例 采用cnn算法构建了9层的神经网络，用以实现受试者患病严重程度的检测。
[0054]
该网络包括4个带有修正线性单元的卷积层、2个最大池化层、2个带有 线性修正单元的全连接层以及激活函数为softmax的输出层，如图3所示。
[0055]
其中，输入层为经过数据预处理的样本集，80％为训练集，20％为测试集， 每个样本大小为50
×
50。
[0056]
第一层卷积层与第二层卷积层都采用了20个5
×
5的卷积核对所有的训 练样本进行不同的特征提取，卷积操作从左上角开始，以步长为1的速度对 整个样本数据进行卷积，对于样本边缘数据采用same方法，激活函数选择训 练速度较快的relu函数，经过前两层卷积操作以后数据特征大小为20
×
20
ꢀ×
50
×
50。
[0057]
第三层池化层也称为下采样层，采用了大小为3
×
3的最大池化操作，步 长为1，即对3
×
3范围内的数据用其最大值进行替换，保留原特征的同时有 效降低了数据量，提高了整体的鲁棒性，池化后的样本数据大小为20
×
20
×ꢀ
17
×
17。
[0058]
第四层卷积层与第五层卷积层都采用了40个3
×
3的卷积核，步长为1， 对于样本边缘数据采用same方法，激活函数选择训练速度较快的relu函数， 经过这两层卷积操作以后数据特征大小为40
×
40
×
20
×
20
×
17
×
17。
[0059]
第六层池化层采用了大小为3
×
3的最大池化操作，步长为1，池化后的 样本数据大小为40
×
40
×
20
×
20
×6×
6。
[0060]
第七层全连接层共有128个神经元，激活函数为relu，使用dropout操 作防止模型的过拟合现象。第八层全连接层共有32个神经元，激活函数为 relu，最后通过softmax分类器输出受试者不同患病程度的概率。
[0061]
s105，利用训练集训练卷积神经网络模型。
[0062]
将带有标签的训练数据集依次输入到构建好的卷积神经网络模型中进行 训练，主要优化参数包括权重ω和偏置b，采用随机高斯分布初始化权重参 数ω，偏置b初始化为0。根据网络的前向传播计算损失函数值，反向传播 计算每一层网络的梯度，采用随机梯度下降法进行参数优化，学习速率为0.01， 所有测试样本集输入完成后结束训练，利用测试
集测试其识别准确度，根据 识别结果不断调整参数。
[0063]
s106，采用可穿无线传输戴传感器采集患者数据，对所述患者数据预处 理后输入到训练好的卷积神经网络模型中，根据卷积神经网络模型的输出分 类结果识别患病程度。
[0064]
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 上肢运动检测方法，基于可穿戴传感器，根据病人的上肢运动表现，运用深 度学习技术，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。
[0065]
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。
[0066]
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。