基于足底压力的自适应有向时空图神经网络的帕金森疾病检测

本发明涉及一种基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，属于疾病检测。

背景技术：

1、帕金森疾病称为不死的癌症，是仅次于阿尔茨海默病的第二常见神经退行性疾病，它的残疾和死亡增长速度快于任何其他神经系统疾病。我国目前帕金森疾病的形式是全世界人数最多，且逐渐呈现年轻化的趋势，但及早发现并治疗可以有效延缓帕金森病进程，让患者在数年内保持较高的生活质量。否则不同患者在数十年内就可导致瘫痪。帕金森目前主要是基于临床医生或神经科医生的视觉观察得出，但是很依赖医生的能力，鉴于早期帕金森症状较为隐秘，难以即使发现和确诊，且轻度症状和脑动脉硬化、脑萎缩、阿尔茨海默病等疾病类似，使得帕金森误诊率高达23.5％。因此用计算机方法辅助医生判断，可以即使发现并确诊，且降低误诊概率。

2、正常行走过程中的足底压力作为观测数据，不同于压力感应垫、惯性传感器、运动捕捉系统等昂贵的实验室设备，它们需要在定点医院，在专业医生的指导下进行检测。而足底压力传感器具有价格优惠、非侵入式、随时检测等优点，因此采用其作为数据采集来源比较合理。

3、目前基于足底压力在帕金森早期检测方面主要包括机器学习的方法和深度学习的方法。基于机器学习方法的特点主要是提取不同特征和分析比较不同的传统机器学习模型。它们大多根据步频、步长、步速提取时域、频域等信息，比较支持向量机、决策树、k近邻等有监督的机器学习方法。但是鉴于不同的病人之间有不同的步态，即使是同一个病人，在不同时刻和不同状态下，步态都会有所差异，因此人为提取的特征可能因为个体自身差异致使准确率偏低。

4、有鉴于此特提出本发明来帮助解决上述问题。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供基于自适应有向时空图神经网络的步态帕金森疾病检测，通过图神经网络在时空域分析步态变化，从而检测受控者和患病者，在参数量更少的情况下获得了更准确的结果。

2、本发明通过以下技术方案来实现上述目的，基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，所述检测步骤如下：

3、s1、信号预处理：每个受试者被要求以他们通常的自选步伐步行一次或多次，持续约2分钟以收集步态信息。总计306次行走记录中，共有214次帕金森行走记录，92次正常行走记录。将帕金森行走记录和正常行走记录分别分为10份，训练过程为10折交叉验证，每一折的验证集由1份帕金森行走记录和1份正常行走记录组成，其余为训练集。因为深度神经网络要求输入大小要保持一致，因此每次行走都被分成100个时间步的较小段，重叠50％(最终数据集包含65915段)；即从一个序列中，获得多个固定大小的子序列，这些子序列是模型的输入。对每个分段进行组合以对每次行走进行分类；

4、s2、模型构建：采用双流模态，第一模态定义为由节点和边组成的图结构时间序列，其中节点在物理上表示传感器的压力，边在物理上表示受试者在运动过程中的力量的传递，第二模态定义为由运动节点和运动边组成的图结构时间序列，其中运动节点在物理上表示传感器的压力变化，运动边在物理上表示力量传递的变化；

5、s3、特征提取网络：两个模态输入到网络的向量形状是一样的，因此可以共享特征提取网络，特征提取网络的本质是自适应有向时空图神经网络，通过残差块堆叠多次自适应有向时空图神经网络单元形成特征提取网络；

6、s4、分类器：模型的输入是节点joint＝(n，1，100，16)和边edge＝(n，1，100，26)，损失函数为交叉熵损失函数crossentropyloss(y′，y)，对于真实标签y，其中0为健康，1为患病，对于预测值y′，每一个样本的输出y′＝(y′1，y′2)，当y′1＞y′2，则认为样本为0类，即健康对照组，反之则为患病人群，同理，运动节点-运动边模态的输入和输出和上述一样；

7、s5、模型融合：在测试阶段进行模型融合，对于测试集中的每一个分段，经过信号预处理阶段，都会产生两个模态，每个模态经过网络后，分别输出y′＝(y′1，y′2)和y′m＝(y′m1，y′m2)，模型融合阶段ymerge′＝α*y′+y′m，ymergs′＝(y′merg1，y′merge2)，当y′mergs1＞y′merge2，则认为样本为0类，即健康对照组，反之则为患病人群，经过试验，α＝0.45时，分类准确率最高；

8、s6、诊断结果：受试者的最终诊断结果是其所有分段的结果进行平均，因此当受试者有少数片段分类错误时，并不影响最后的诊断结果。

9、进一步的，所述特征提取网络步骤中自适应有向时空图神经网络包括有向图神经网络和时间卷积网络，有向图神经网络的主要思想是消息传递，它只能对空间信息进行建模，时间卷积网络的主要思想是沿时间维度应用1d卷积对时间信息进行建模，将空间信息和时间信息进行解耦，可以以经济有效地方式地对时空信息进行建模。

10、进一步的，对于每个节点，都有它的传入边和传出边；对于每一条边，都有源节点和目标节点

11、进一步的，有向图神经网络在建模阶段主要分为更新节点信息和更新边信息，更新节点信息是通过堆叠节点i自身信息，传入边信息，传出边信息进行聚合，再通过更新函数产生新的节点信息i'，其中，传入边信息由节点本身的传入边信息和自适应矩阵学习到的传入边信息共同确定；节点本身的传入边信息是为了网络学习到局部拓扑结构，而自适应模块在学习过程中，不仅降低模型构建过程中设计不合理的边权值，还添加或增大模型认为的和该节点关系更大的传入边权值，在低层网络中就学习到全局拓扑关系；传出边信息也是由节点本身的传出边信息和自适应矩阵学习到的传出边信息共同确定；更新边节点信息是通过堆叠边j自身信息，源节点信息，目标节点信息进行聚合，再通过更新函数产生新的节点信息j'；其中，源节点信息和目标节点信息也是通过学习得到。

12、进一步的，所述时间建模方式为沿着时间维度用1d卷积来分别对节点和边进行卷积。

13、本发明的技术效果和优点：

14、本发明图神经网络在时空域分析步态变化，从而检测受控者和患病者，在参数量更少的情况下获得了更准确的结果。

技术特征：

1.基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，其特征在于：所述检测步骤如下：

2.根据权利要求1所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，其特征在于：所述特征提取网络步骤中自适应有向时空图神经网络包括有向图神经网络和时间卷积网络，有向图神经网络的主要思想是消息传递，它只能对空间信息进行建模，时间卷积网络的主要思想是沿时间维度应用1d卷积对时间信息进行建模，将空间信息和时间信息进行解耦，以经济有效地方式地对时空信息进行建模。

3.根据权利要求2所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，其特征在于：对于每个节点，都有它的传入边和传出边；对于每一条边，都有源节点和目标节点。

4.根据权利要求3所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，其特征在于：有向图神经网络在建模阶段主要分为更新节点信息和更新边信息，更新节点信息是通过堆叠节点i自身信息，传入边信息，传出边信息进行聚合，再通过更新函数产生新的节点信息i'，其中，传入边信息由节点本身的传入边信息和自适应矩阵学习到的传入边信息共同确定；节点本身的传入边信息是为了网络学习到局部拓扑结构，而自适应模块在学习过程中，不仅降低模型构建过程中设计不合理的边权值，还添加或增大模型认为的和该节点关系更大的传入边权值，在低层网络中就学习到全局拓扑关系；传出边信息也是由节点本身的传出边信息和自适应矩阵学习到的传出边信息共同确定；更新边节点信息是通过堆叠边j自身信息，源节点信息，目标节点信息进行聚合，再通过更新函数产生新的节点信息j'；其中，源节点信息和目标节点信息也是通过学习得到。

5.根据权利要求2所述的基于足底压力的自适应有向时空图神经网络的帕金森疾病检测，其特征在于：所述时间建模方式为沿着时间维度用1d卷积来分别对节点和边进行卷积。

技术总结
本发明涉及基于足底压力的疾病检测技术领域，具体的说是基于自适应有向时空图神经网络的步态帕金森疾病检测，所述检测步骤如下：S1、信号预处理：将获取到的步态信号分成100个时间步；S2、模型构建：对足底传感器进行拓扑结构建模，并将传感器获取的信号处理成双流模态；S3、特征提取网络：通过多个自适应有向时空图神经网络单元，在空间上使用消息传递机制获取足底局部和全局信息，在时间上使用1维卷积获取时序信息，因此在时空域分析了步态变化；S4、分类器：采用交叉熵损失函数为分类器；S5、模型融合：对双流模态进行线性融合；S6、诊断结果：对受试者的所有分段结果进行平均获得最终的诊断结果。本发明在参数量更少的情况下获得准确的结果。

技术研发人员：王晓甜,梁硕,赵至夫,齐飞,陈凯,崔鑫语,石钟熙,庄伟林
受保护的技术使用者：西安电子科技大学广州研究院
技术研发日：
技术公布日：2024/1/13