周围神经病变的评估方法和设备

本发明一般涉及对人的周围神经功能的评估。具体而言，本发明涉及用于指示或确定人是否患有周围神经病变的计算机实施方法、数据处理设备、计算机程序以及系统。

背景技术：

1、从us2012/0108909a1和us2020/0129109a1已知利用视频游戏评估脑损伤、生物力学问题以及中枢神经系统的其他神经紊乱的方法。

2、神经功能受损如周围神经病变可导致严重的健康问题，其可能引发感染并且甚至可能需要截肢，尤其是关注下肢时。然而，通过充分护理并且能在早期诊断出神经功能受损如周围神经病变(尤其是下肢中)，可以预防五分之四的截肢。

3、神经功能受损，尤其是周围神经病变，可能由糖尿病引起。根据国际糖尿病联盟，目前全球有超过4.35亿人诊断患有糖尿病。预计2045年将增至6.93亿人。然而，即使在糖尿病前期，糖尿病也可能导致神经功能受损，尤其是周围神经病变，通常在糖尿病出现症状之前无法诊断出来。然而，当出现糖尿病症状时，神经功能受损可能已经导致进一步的健康问题。

4、周围神经病变的症状可能通常从远端(例如脚趾尖)开始，并以对称分布向近端扩散。周围神经包含aδ-和c-纤维(小，脊髓丘脑；温度感觉、伤害感受，通常通过针刺来评估)以及aβ-纤维(大，背部神经系统；通常通过振动和单丝来评估)。此外，反射状态可能改变(跟腱反射损伤)。

5、指示或确定人是否患有周围神经病变的已知方法需要医疗专业人员进行测试和昂贵的工具或实验室检测，或者整体上不够灵敏或者对于功能可能受损的不同大小的周围神经纤维不够灵敏。

技术实现思路

1、鉴于上述缺点，本发明的目的可以是提供一种以准确、愉快、省时且低廉的方式指示或确定人是否患有周围神经病变的方式，其允许患者进行检查而无需医疗专业人员进行检查并且无需使用昂贵的设备或实验室检测。

2、根据本发明，该目的通过上述用于指示或确定人是否患有周围神经病变的计算机实施方法实现，包括加载来自足底压力传感器的传感器数据，这些传感器压在人的双脚与地面之间，人正在玩预定的计算机游戏，同时通过人的双脚对压力传感器施加压力来控制计算机游戏，并且利用算法对传感器数据进行分析，该算法适于至少基于传感器数据检测人是否患有周围神经病变。

3、对于上述具有存储设备和处理器的数据处理设备，该目的可以通过以下实现：在存储设备中包含指令，指令由处理器执行时导致处理器执行根据本发明的用于指示或确定人是否患有周围神经病变的计算机实施方法。

4、对于上述包括指令的计算机程序，该目的可以通过以下实现：当程序由计算机执行时，指令导致计算机执行根据本发明的用于指示或确定人是否患有周围神经病变的计算机实施方法。

5、对于上述系统，该目的可以通过以下实现：系统包括用于玩计算机游戏的游戏设备、至少两个以控制信号传输方式与游戏设备可连接的足底压力传感器、根据本发明的数据处理设备，其中数据处理设备适于从足底压力传感器、游戏设备或系统的其他存储设备加载传感器数据。

6、通过基于来自用于控制游戏的足底压力传感器的数据指示或确定人是否患有周围神经病变，人可以轻松甚至远程生成检查数据，其可以指示或确定可能的周围神经病变。在玩游戏时无需对人进行监督。压力传感器本身并且尤其是与已知的检查设备相比成本低。

7、根据本发明的方案可以通过以下提到的实施例进一步改进，除非明确提及相反情况，否则这些实施例可以根据需要进行组合。以下详细说明了这些实施例及其可能的优点：

8、根据实施例，传感器数据与关于人的游戏表现的游戏数据由算法进行组合和分析。

9、该实施例的优点可能是，能够以更高的准确性(即更高的灵敏度和/或更高的特异性)指示或确定周围神经功能受损。

10、根据实施例，传感器数据包括表示人施加压力的大小和/或人施加压力的时机的数据，可选地与通过人实现的游戏控制时机结合，可与压力大小和/或压力时机的至少一个预设阈值进行比较。

11、该实施例的优点可能是，使用表示人施加的压力的不同方面的数据可以进一步提高准确性，即灵敏度和/或特异性。

12、根据实施例，游戏数据包括相对于游戏的另一物体控制游戏的一物体定位的时机和/或精确性。

13、该实施例的优点可能是，使用表示人的游戏表现的不同方面的数据可以进一步提高准确性，即灵敏度和/或特异性。

14、例如，来自传感器数据和/或游戏数据的数据可能是反应时间、预判时间、预定最佳区域内/外的时间/频率、与预定理想压力/位置的偏差、标准化压力差、标准化压力梯度、标准化压力时间积分、整体感觉、熟练程度、下肢的肌肉力量、足底压力偏差和/或耐力。

15、特别地，如果根据实施例将传感器数据与游戏数据结合，则可以提高指示或确定的准确性。

16、根据实施例，算法适于从传感器数据以及可选地游戏数据得出人的能力，其中算法可适于从传感器数据或传感器数据和游戏数据的组合指示或确定人的反应时间、熟练程度、肌肉力量(下肢)、足底压力偏差和/或耐力作为其能力。

17、该实施例的优点可能是，不仅可以利用衍生的原始数据，还可以利用通过传感器控制游戏的人的衍生的能力，从而可以进一步提高指示或确定的准确性。

18、根据实施例，算法为一种人工智能模型，至少基于压力数据训练为指示或确定人是否患有周围神经功能受损，特别是周围神经病变。

19、该实施例的优点可能是，在人工智能模型的训练过程中，可以发现未视为周围神经病变指示的参数，并由训练的人工智能模型使用。替代地或另外地，使用训练的人工智能模型可以进一步提高指示或确定的准确性。

20、根据实施例，计算机游戏为一种技能型游戏。

21、该实施例的优点可能是，技能型游戏不仅提供玩游戏的高动机，而且通过促使玩游戏的人以高强度和低强度进行大幅度和小幅度动作来提供进行一步支持，使得在玩技能型游戏时应用不同的纤维和反射，这有助于指示或确定不同尺寸纤维的受损功能。

22、根据实施例，系统包括鞋垫或鞋，其中鞋内底的鞋垫分别包括至少一个足底压力传感器。替代地，足底压力传感器可以固定在人的脚底，其中该实施例可能需要第三方协助进行传感器的固定。作为进一步的替代，足底压力传感器可设置在袜子中或当受试者穿袜子时袜子接触人的脚底的部位处。

23、例如，可以使用由iee s.a.luxembourg的antisense system提供的装有配备传感器的鞋垫的一双鞋。这些鞋垫包含电子控制单元(ecu)和八个压力传感器(5.57cm2高动态hd002力传感电阻器)，其可集成至脚的后跟、侧足弓、第1、第3和第5跖骨、大拇趾及脚趾区域。传感器允许在250mbar至7bar范围内以3.4mbar的灵敏度检测压力。ecu可以包括九自由度惯性测量单元(imu；嵌入3轴加速度计、3轴陀螺仪和3轴磁力计)，采样率高达500hz，(鞋垫与智能设备之间)数据同步，脚侧自动识别，16gb内部存储以及高达10小时的能量供应。传感器可嵌入薄膜中，并且不会突出。鞋垫采用乙烯-乙酸乙烯酯-30材料的支撑层和海绵保护层与鞋类集成。

24、传感器数据可以以超过50hz、超过100hz、高达或超过200hz记录，并例如通过蓝牙或线缆实时传输至游戏设备，用于顺利操控游戏。利用指示或确定人是否患有周围神经病变的系统的人可以坐在桌子前无扶手的椅子上，桌子上放置游戏设备，例如平板电脑，(例如三星galaxy tab a t580或ipad)，通过蓝牙5.0或线缆与鞋垫连接。人最初可通过八个预定步骤对鞋垫进行校准。

25、该实施例的优点可能是无需专门开发硬件，而是可以使用现有硬件，这进一步降低了成本并提升了可获得性。

26、例如，人通过足底压力传感器进行校准的过程中测得的压力阈值可用于将绝对压力值归一化到0至1的范围。随后，人可以通过按需重复的标准化教程熟悉视频游戏的设置与控制技术。每次游戏会话可能由例如以下四款游戏中的至少一个或全部组成：接苹果游戏(ac)、气球飞行游戏(bf)、交叉压力游戏(cp)和岛屿跳跃游戏(ij)，其可以按顺序玩。每次会话可持续至少5分钟、最多10分钟、最多15分钟或最多20分钟。获得的传感器数据和游戏结果可以以完整的数据包传输到远程服务器进行数据可视化与分析，或可以传输到另一计算机进行数据可视化和分析，或可以通过玩游戏的游戏设备进行分析和/或可视化。蜘蛛图可在会话后为人提供游戏表现的反馈(示例性关键能力：反应时间、感觉、熟练程度、肌肉力量(下肢)、足底压力偏差和/或耐力)。

27、数据处理设备和/或游戏设备可以是具有处理器、固态非瞬时存储器、ram、数据接口(如usb、hdmi、displayport等)的计算机，并且可以尤其是任何个人计算机、台式机、笔记本电脑、平板电脑、智能手机、智能手表或服务器等。

28、因此，换句话说，周围神经病变(pnp)是患有糖尿病或代谢综合征(mets)的患者的常见合伴发症，可通过临床检查(例如针刺、振动感知、tip therm、单丝、反射)进行诊断。这些非常耗时，而且初级保健中心中医生很少进行这些，可能是由于时间限制。

29、早期识别pnp是预防并发症(例如足部溃疡)的特点。临床检查包括标准化程序(针刺、振动感知、tip therm、单丝、反射)。这些分析容易受到研究者相关偏见的影响，并且在初级实践中以低频率进行，可能是由于时间限制。

30、由于pnp的形式和表现多样，因此对于初级保健临床医生来说诊断pnp是一项挑战。尤其是在患有糖尿病或mets的患者中，发病隐匿，大多数受影响的个体不知道远端对称性pnp。其他常见原因由过度和长期饮酒、神经损伤、毒素暴露、营养不良、化疗和遗传性疾病组成。

31、根据国际糖尿病联盟(idf)，全球有超过4.35亿人诊断患有糖尿病，预计2045年将上升到6.93亿。25％至50％的糖尿病患者受到pnp的影响，严重程度因年龄、糖尿病病程和血糖控制水平而异。pnp严重影响患者的活动能力，与步态和协调紊乱、跌倒可能性增加、糖尿病足综合症发病率较高以及精神健康状况脆弱有关。除了感觉受损外，pnp还可能引起不适和疼痛的症状。据估计，19％至34％的糖尿病患者在其一生中受到组织损伤、感染以及最终的轻微和严重足部溃疡等并发症的影响，尤其是在pnp诊断延迟或预防措施不足的情况下。值得注意的是，每五个中度至重度糖尿病相关感染就有一个导致下肢截肢。另一方面，五分之四的截肢可以通过适当的足部护理来预防。

32、所有这些方面要求优化pnp诊断，甚至可能进行预防和管理。由于疾病的性质，及时诊断和反复监测高风险个体是强制性的，考虑到pnp发病隐匿且临床表现多样。高达50％的受影响个体仍然无症状，而其余的则出现麻木、刺痛、疼痛或虚弱。症状通常从远端(即脚趾尖)开始并以对称分布向近端扩散。周围神经包括大神经纤维(aα-和aβ-纤维；振动和压力感觉)和小神经纤维(无髓鞘c-和aδ-纤维；疼痛和冷热感觉)。

33、由于其侵入性，神经传导研究(ncs)和皮肤活检不适用于作为筛查工具。根据美国糖尿病协会(ada)在15年前发表的立场声明，“评估应包括仔细的病史以及温度或针刺感觉[..]和振动感觉[..]”。一些创新作为即时护理设备已经提出，然而并未成为常规。由于pnp诊断被视为干预和预防并发症的颠覆者，因此非常需要创新策略。

34、根据本发明，提供了一种基于游戏的检查平台，由四款视频游戏组成，通过配备压力传感器的鞋垫作为控制单元进行引导。在诊断患有糖尿病或mets的患者中，游戏表现与通过神经病变症状评分、神经病变程度评分及ncs的临床pnp发现相关。

35、通过脚部运动和足底压力传感器(如配备压力传感器的鞋垫)协同控制的视频游戏建立并评估一种趣味性的神经功能评估设备。压力数据可实时传输至中央数据库进行分析。游戏可以设计有不同的挑战，特征提取方法可以在试点探索性研究中应用和验证。通过预定义的假设驱动参数(反应时间、感觉、熟练程度、肌肉力量(下肢)、足底压力偏差及耐力)，评估基于游戏的方法与ncs及临床发现(nds、nss)的相关性。确认了表明具有小纤维或大纤维周围神经病变(sfn、lfn)的患者之间显著差异的示例性代表游戏特征。此外，利用选择的游戏特征报道了pnp的示例性训练和优化分类模型和临床表型。

36、基于游戏的方法基于患者的游戏表现识别患有pnp的患者。患者的任务是进行一系列通过配备压力传感器的鞋垫进行引导的数字游戏。当与临床神经病变评分和神经传导研究相关联时，通过开发的算法进行游戏得到左脚和右脚的准确率分别为76.1％和81.7％。此外，游戏会话的某些特征能够对pnp损伤模式(小、大或混合神经纤维功能障碍)进行细分类。

37、例如，329人中，247人(75.1％)诊断为临床明确的pnp。88(26.7％)个体检查出不对称性发现。在以ncs为黄金标准的亚群中，游戏表现与感觉和运动神经传导速度(ncv)及下肢中主要神经幅度显著相关(r＝0.65，p<0.001，调整r2＝0.36)。在年龄匹配的亚群2中，确定了pnp严重程度与游戏表现的假设驱动关键能力显著相关。通过提取的游戏特征得到的学习模型对于检测pnp实现了76.1％(左脚)和81.7％(右脚)的准确率。在评估pnp损伤模式(小、大或混合神经纤维损伤)时，得到的多分类模型得出0.76(左脚)和0.72(右脚)的多分类auc。

38、因此，基于游戏的神经病变评估平台对pnp进行有意义的评估，且有资格在初级保健中进行独立于检查人员的测试。

39、发明人发现，标准化的基于视频的游戏的设计可得到患者神经病变状态的重要信息。通过足底压力传感器，例如配备压力传感器的鞋垫，在标准化环境中实现游戏感知与执行的整体复杂交互，其从传感器数据生成数据集用于样本分析。所选方法允许进入这些数据用于将具有不同程度pnp和小/大神经纤维影响的患者分为不同亚组。即使作为远程医疗应用，以趣味性方式筛查患者的pnp也是可行的。因此，在实验设置中，远程是可行的，并提供初级保健中易于采用的简化工具。

40、为了开发示例性合适的人工智能(ai)算法，采用从获得的数据集提取的游戏参数，推导出二元分类模型，以识别诊断患有糖尿病或代谢综合征的个体中患有pnp的足部。

41、例如，对于ai建模，获得的数据集最初分为测试数据集和训练数据集(比例为3:7)。随机抽样在每个分类中进行，并保留数据的整体分类分布。仅使用训练数据集来识别具有显著组间差异的特征，并导入分类器，用于根据与模型无关的指标评估特征的重要性。随后，测试了包含排名靠前特征的不同子集(即特征数量和/或顺序的差异)的模型。在建模过程中，测试了多个分类器，包括随机森林(rf)、套索和弹性网络正则化广义线性模型(glmnet)、支持向量机(svm)和梯度提升(gbm)。选择接收者操作特征曲线下面积(auc-roc)作为性能指标，以比较通过不同特征组合训练的模型。在训练中采用五折十次重复交叉验证以避免过度拟合，并获得更准确的模型性能估计。此统计方法将训练数据集重复分为五个大小近似相等的子集三次。每个子集包含与完整数据集相同比例的标签。五个子集中的四个用于模型训练，剩下的子集用于验证。在最能提高模型性能的参数组合的网格搜索中考虑了交叉验证的平均auc。最终，获得的模型进一步应用于保留测试数据集，以评估模型的预测性能。通过计算auc-roc、平衡准确率、灵敏度和特异性来评估分类性能，如与临床检查的参考标准进行比较的。

42、此外，训练了多个分类模型以预测患有糖尿病或代谢综合征的患者足部的小、大或混合神经纤维损伤。所有数据集用于建模，由于样本量有限且分类分布不平衡，因此采用了五折十次重复交叉验证。计算多分类auc以评估模型性能。r编程语言(版本4.2.1)及相关开源库用于统计计算和机器学习算法。

43、在开发阶段，对游戏特征分析如下：对37名患者(亚群1)进行ncs，所有患者均诊断患有糖尿病且认知状态正常(moca≥26)。该亚群在年龄、体重、bmi和神经病变评分的分布与整个群相似。在亚群1中，性别分布略微偏向女性患者。患者的游戏表现与感觉和运动传导速度及下肢中的幅度显著相关。为每侧脚设置来自四款游戏的不同参数的特征提取。总体上，277个独立游戏特征显示出与ncs参数明显关联。在岛屿跳跃游戏的任务8中观察到右脚运动神经传导幅度与最大执行时间之间的相关性(r＝0.65，p<0.001，调整的r2＝0.36)。bf和ac游戏提供了与左脚的ncv及幅度相关的更多特征。然而，从bf和ij游戏提取的更多特征与右脚的ncv及幅度相关。164个和113个独立游戏特征分别与运动和感觉神经状态显著相关。发现146个独立游戏特征与ncv相关，131个与足部神经幅度相关。

44、所有人(n＝329)中，产生了年龄大于55岁且认知状态正常(moca≥26)的亚群2。有和无临床pnp的患者之间，年龄、性别和bmi未观察到显著差异。患有周围神经病变的个体糖尿病病程显著更长，且神经病变症状更严重。临床上，118只左脚和120只右脚出现pnp证据。对于所有这些脚，10g单丝测试期间发现至少一个无感觉位点。112名患者的双脚中发现pnp。47名患者无pnp存在，26％的患者为单侧pnp。

45、成功的游戏表现需要与神经功能相关的关键技能。例如，定义了四个假设驱动的关键能力：反应时间(理解；对任务的即时反应)、感觉(子任务中压力应用的微调)、熟练程度(每款游戏的总体完成)、下肢肌肉力量(以高压应用完成)、足底压力偏差(左右脚压力分布)及耐力(任务中压力施加的稳定性)。所有关键能力在无pnp患者(n＝47)与对称性pnp患者(n＝112)之间显示出显著差异。

46、利用从亚群2中173名患者提取的游戏特征，使用五折十次重复交叉验证对pnp的预测模型进行了示例性训练。例如，70％的游戏数据集用于模型训练，30％用于测试。在保留测试数据集中，获得的套索和弹性网络正则化广义线性模型(glmnet)以76.1％的调整的准确率识别左脚pnp(灵敏度77.1％，特异性75.0％，auc-roc 0.72)。对于右脚pnp的确定，另一glmnet模型实现了81.7％的准确率(灵敏度83.3％，特异性80.0％，auc-roc 0.75)。

47、此外，例如建立了多分类模型以区分无pnp(w/o)与sfn、lfn及混合神经纤维损伤的足部。从游戏数据集分别提取左脚和右脚的示例性游戏特征。训练的梯度提升模型(gbm)在识别左脚和右脚的神经纤维损伤模式时分别得到0.76和0.72的多分类auc。这些模型区分sfn和lfn表现更优。

48、因此，总而言之，基于游戏的设置以在患有糖尿病或mets的患者中检测pnp是可行且准确的。可以设计游戏以检测与神经功能相关的关键能力，结果解释基于假设驱动设想和ai方法学开发的算法。来自ncs数据的发现表明，持续5至25分钟(例如15分钟)的标准化游戏会话足以获得对周围神经功能的客观评估。提取的游戏特征与ncv和足部的主要神经的幅度相关，表明轴突变性和节段性脱髓鞘的可能结合。通过来自年龄匹配的亚群的游戏数据集训练的学习模型能够区分有pnp的足部和健康足部，每侧脚的准确率分别为76.1％和81.7％。pnp的定义基于广泛使用的诊断标准(nss/nds的组合)，但针对每侧脚分别实施。75.1％的受试者确定为临床明确的pnp，表明该群中发展足部并发症的风险极高。根据临床检查的选择的诊断标准能够区分pnp的神经损伤模式。获得的多分类模型预测了神经损伤模式(小、大或混合纤维神经病变)，左脚和右脚的auc分别为0.76和0.72。

49、在30％的受试者中观察到无症状神经病变。这强调了开发这种易于使用的筛查工具以避免或延缓pnp的进展的重要性。此外，超过四分之一的受试者诊断患有不对称神经病变。为避免将分析与不对称神经病变结合导致的方法学错误，可以对每只脚分别进行分析和建模。

50、基于游戏的方法可以高度标准化地执行，很大程度上独立于研究人员，同时无需医疗保健专业人员。研究的完成门槛低，即使对于几乎没有或没有游戏经验的那些也是如此。受试者在完成游戏后的立即反应非常积极。超过90％的人希望重复会话。然而，第二门的结果并未包含在本文披露的研究结果中。作为远程医疗背景的有远见的前景，个体可以在家中进行游戏会话，在ai模型预测后结果的分布远程分发给护理医生。这种方法可能适用于在初级保健环境中行动不便或受地理限制的老年人的高风险人群。

51、在本技术中，可能使用了以下缩写：

52、ac:接苹果

53、ada:美国糖尿病协会

54、auc-roc:接收者操作特征曲线下面积

55、bf:气球飞行

56、cp:交叉压力

57、pnp:周围神经病变

58、ecu:电子控制单元

59、gbm:梯度提升模型

60、glmnet:套索和弹性网络正则化广义线性模型

61、idf:国际糖尿病联盟

62、imu:惯性测量单元

63、ij:岛屿跳跃

64、lfn:大纤维神经病变

65、nds:神经病变程度评分

66、nss:神经病变症状评分

67、nyha:纽约心脏协会

68、ncs:神经传导研究

69、pnp:周围神经病变

70、sd:标准偏差

71、sfn:小纤维神经病变

72、svm:支持向量机

73、tcl:左脚的任务组合

74、tcr:右脚的任务组合