CN111544005B - 基于支持向量机的帕金森病人运动障碍量化及识别方法 - Google Patents
基于支持向量机的帕金森病人运动障碍量化及识别方法 Download PDFInfo
- Publication number
- CN111544005B CN111544005B CN202010414448.3A CN202010414448A CN111544005B CN 111544005 B CN111544005 B CN 111544005B CN 202010414448 A CN202010414448 A CN 202010414448A CN 111544005 B CN111544005 B CN 111544005B
- Authority
- CN
- China
- Prior art keywords
- signal
- support vector
- vector machine
- gait
- parkinson
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 42
- 238000011002 quantification Methods 0.000 title claims abstract description 24
- 208000012661 Dyskinesia Diseases 0.000 title claims description 25
- 208000018737 Parkinson disease Diseases 0.000 title claims description 19
- 230000005021 gait Effects 0.000 claims abstract description 65
- 210000003423 ankle Anatomy 0.000 claims abstract description 38
- 210000000707 wrist Anatomy 0.000 claims abstract description 38
- 208000016285 Movement disease Diseases 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 238000012952 Resampling Methods 0.000 abstract description 5
- 230000002194 synthesizing effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 6
- 208000027089 Parkinsonian disease Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 206010034010 Parkinsonism Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000027776 Extrapyramidal disease Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6829—Foot or ankle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Geometry (AREA)
- Developmental Disabilities (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于信号识别技术领域，具体涉及了一种基于支持向量机的帕金森病人运动障碍量化及识别方法，旨在解决现有技术无法精确实现帕金森病人运动障碍量化及识别的问题。本发明包括：获取被测对象和健康者的腕部运动信号、踝部运动信号；对信号进行重采样及信号合成；通过滑动窗口提取行走间隔；分别提取被测对象和健康者的步态特征；对步态特征进行归一化并通过训练好的支持向量机分类；计算Pr值，其区间Pr＞0.9、0.9＞Pr≥0.6、0.6＞Pr≥0.5、Pr＜0.5分别对应被测对象为重度帕金森病人、中度帕金森病人、轻度帕金森病人、非帕金森病人。本发明帕金森病人运动障碍量化及识别的准确率高、精确度高、占用资源少，还适用于远程医疗，降低成本，提高效率。
Description
技术领域
本发明属于信号识别技术领域，具体涉及了一种基于支持向量机的帕金森病人运动障碍量化及识别方法。
背景技术
帕金森病是一种慢性的神经***疾病，以运动迟缓，震颤，僵硬，姿势和步态异常为主要特征。目前，全世界有600多万的帕金森病人，其中大部分是老年人，他们需要的检测时间比年轻人长得多。在一些医学研究中发现，以帕金森病为代表的锥体外系疾病具有发病率高，致残率高，运动障碍形式复杂多样等特点。在临床工作中，临床医师对帕金森病人的严重程度和判断主要依赖于临床经验，但是，由于临床经验过于主观，难以提供客观可靠的定量评价。
传统研究中，帕金森病人运动定量分析方法主要依赖于足迹分析，虽然这种方法简单实用，不受试验场地条件的限制，但其测量精度较低，严重依赖于专业人员的分析，远不能满足现代运动评估的需要。
总的来说，针对帕金森病人运动障碍的量化方法，目前尚未有较为完好的解决方案，本领域急需一种可以精确实现帕金森病人运动障碍量化及识别的方法。
发明内容
为了解决现有技术中的上述问题，即现有技术无法精确实现帕金森病人运动障碍量化及识别的问题，本发明提供了一种基于支持向量机的帕金森病人运动障碍量化及识别方法，该方法包括：
步骤S10，通过设置于被测对象及健康者的腕部及踝部的惯性传感器分别获取被测对象及健康者行走、站立、转身时的腕部运动信号、踝部运动信号；
步骤S20，对所述腕部运动信号、踝部运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号；
步骤S30，基于所述加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔；
步骤S40，基于重采样的腕部运动信号及踝部运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征；
步骤S50，将所述步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；
步骤S60，若Pr＞0.9，则被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则被测对象为轻度帕金森病人；若Pr＜0.5，则被测对象为非帕金森病人。
在一些优选的实施例中，所述预设的第一算法为：
其中，As为合成的加速度器信号，Ax、Ay、Az分别代表惯性传感器中三轴加速度计X、Y、Z轴分量的加速度信号。
在一些优选的实施例中，步骤S30之前还设置有信号滤波的步骤，其方法为：
通过五阶椭圆带通滤波器对所述加速度器信号、重采样后的腕部运动信号、踝部运动信号进行滤波。
在一些优选的实施例中，步骤S30包括：
步骤S31，通过预设的第一滑动窗口计算所述加速度器信号Z轴的信号功率，并以大于设定上限的信号功率对应的点作为起始位置，小于设定下限的信号功率对应的点作为结束位置；
步骤S32，计算所述起始位置与结束位置之间的距离，以所述距离大于设定阈值的作为一个时间间隔，得到行走间隔。
在一些优选的实施例中，步骤S40包括：
步骤S41，通过预设的第二滑动窗口在所述行走间隔内分别获取被测对象及健康者的重采样的腕部运动信号、踝部运动信号的窗口数据；
步骤S42，将所述窗口数据作为数据帧，并分别提取所述数据帧内被测对象及健康者的步态特征。
在一些优选的实施例中，步骤S50之前还设置有步态特征筛选的步骤，其方法为：
通过卡方检验方法分别选择被测对象及健康者的设定数量的步态特征作为最佳步态特征。
在一些优选的实施例中，所述支持向量机的核函数为径向基函数，所述径向基函数为：
其中，xi、xj分别代表帕金森病人和健康者的步态特征向量，
是大于0的径向基函数的带宽。
在一些优选的实施例中，所述预设的第二算法为：
其中，Dp为支持向量机分类器的阳性结果输出的数量，D代表在设定时间段内第二滑动窗口获取的数据帧的总数量。
本发明的另一方面，提出了一种基于支持向量机的帕金森病人运动障碍量化及识别***，该***包括数据获取模块、信号合成模块、数据区分模块、步态特征提取模块、分类及阳性率计算模块、输出模块；
所述数据获取模块，配置为通过设置于被测对象及健康者的腕部及踝部的惯性传感器分别获取被测对象及健康者行走、站立、转身时的腕部运动信号、踝部运动信号；
所述信号合成模块，配置为对所述腕部运动信号、踝部运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号；
所述数据区分模块，配置为基于所述加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔；
所述步态特征提取模块，配置为基于重采样的腕部运动信号及踝部运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征；
所述分类及阳性率计算模块，配置为将所述步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；
所述输出模块，配置为若Pr＞0.9，则输出被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则输出被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则输出被测对象为轻度帕金森病人；若Pr＜0.5，则输出被测对象为非帕金森病人。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于支持向量机的帕金森病人运动障碍量化及识别方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于支持向量机的帕金森病人运动障碍量化及识别方法。
本发明的有益效果：
(1)本发明基于支持向量机的帕金森病人运动障碍量化及识别方法，充分利用了支持向量机在小样本数据的非线性问题分类中的优良性能，并通过对采集的信号进行重采样降低计算复杂度，通过滤波器消除信号的重力分量和高频噪声的影响，并充分结合帕金森病人的特点，通过卡方检验方法筛选最佳步态特征，提高了帕金森病人运动障碍量化及识别的准确率与精确度，并减少了***资源的占用。
(2)本发明基于支持向量机的帕金森病人运动障碍量化及识别方法，还适用于进行远程医疗诊断，病人可自行或由其他人辅助进行腕部运动信号、踝部运动信号，并通过本发明方法进行帕金森病人运动障碍量化及识别，为帕金森疾病的诊断提供的新的解决方向，降低医疗成本，提高诊断效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于支持向量机的帕金森病人运动障碍量化及识别方法的流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于支持向量机的帕金森病人运动障碍量化及识别方法，该方法包括：
步骤S10，通过设置于被测对象及健康者的腕部及踝部的惯性传感器分别获取被测对象及健康者行走、站立、转身时的腕部运动信号、踝部运动信号；
步骤S20，对所述腕部运动信号、踝部运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号；
步骤S30，基于所述加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔；
步骤S40，基于重采样的腕部运动信号及踝部运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征；
步骤S50，将所述步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；
步骤S60，若Pr＞0.9，则被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则被测对象为轻度帕金森病人；若Pr＜0.5，则被测对象为非帕金森病人。
为了更清晰地对本发明基于支持向量机的帕金森病人运动障碍量化及识别方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明一种实施例的基于支持向量机的帕金森病人运动障碍量化及识别方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，通过设置于被测对象及健康者的腕部及踝部的惯性传感器分别获取被测对象及健康者行走、站立、转身时的腕部运动信号、踝部运动信号。
本发明的一个实施例中，采集了18个帕金森病人、10个健康者的行走过程、站立过程以及转身过程的腕部运动信号、踝部运动信号。
运动信号通过设置在被测对象(帕金森病人、健康者)腕部、踝部的惯性传感器采集获取。
由于大部分的帕金森病人的初始症状为震颤，多始于一侧上肢远端，发作或在休息时表现出来，随意运动时减少或停止，在情绪紧张时加重，睡眠后消失，在行走过程中，手的静态震颤往往加重，另外，帕金森病人常见的另一种症状是运动障碍，其特点是运动缓慢，难以开始运动，失去活动能力等，在临床中，步态运动障碍的症状表现为行走缓慢且经常拖着脚步，手臂摆动幅度逐渐减少甚至消失，步幅变小。因而，选取腕部和踝部的运动信号作为帕金森病人运动障碍量化及识别的依据。
手部的惯性传感器上的标准差、能量绝对值、最大值、分位数(0.9)的特征反映了受试者在行走中的上肢摆动，并且，交叉过零点数反映震颤的症状，在踝关节上的惯性传感器的分位数(0.9)、最大值特征反映了下肢的运动能力。
步骤S20，对所述腕部运动信号、踝部运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号。
本发明一个实施例中，分别将采集的帕金森病人、健康者行走、站立、转身时的腕部运动信号、踝部运动信号重采样到50Hz以此减少计算复杂程度，并通过预设的第一算法将重采样后的信号合成加速度器信号，如式(1)所示：
其中，As为合成的加速度器信号，Ax、Ay、Az分别代表惯性传感器中三轴加速度计X、Y、Z轴分量的加速度信号。
在进行步骤S30的行走间隔获取之前，还可以通过五阶椭圆带通滤波器对加速度器信号、重采样后的腕部运动信号、踝部运动信号进行滤波，滤波是为了消除重力分量和高频噪声的影响。
步骤S30，基于所述加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔。
步骤S31，通过预设的第一滑动窗口计算所述加速度器信号Z轴的信号功率，并以大于设定上限的信号功率对应的点作为起始位置，小于设定下限的信号功率对应的点作为结束位置。本发明一个实施例中，预设的第一滑动窗口的长度设置为20个采样点数。
步骤S32，计算所述起始位置与结束位置之间的距离，以所述距离大于设定阈值的作为一个时间间隔，得到行走间隔。本发明一个实施例中，如果起始位置和结束位置之间的距离大于256个采样点数(即行走时间大于5s)，则分割出一个时间间隔。
步骤S40，基于重采样的腕部运动信号及踝部运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征。
步骤S41，通过预设的第二滑动窗口在所述行走间隔内分别获取被测对象及健康者的重采样的腕部运动信号、踝部运动信号的窗口数据。
本发明一个实施例中，预设的第二滑动窗口大小为256，滑动步长为16个采样点数，将这个滑动窗口捕获的运动信号的窗口数据处理为数据帧。
步骤S42，将所述窗口数据作为数据帧，并分别提取所述数据帧内被测对象及健康者的步态特征。
为了提取最佳的步态特征，在进行特征归一化之前，本发明还通过卡方检验方法分别进行被测对象及健康者的步态特征筛选，最终得到不同被测对象及健康者的8个步态特征，分别为腕部惯性传感器上陀螺仪Z轴的数据标准差、陀螺仪Z轴的能量绝对值、陀螺仪Z轴过零点数量、陀螺仪Y轴过零点数量、合成加速度信号极值、合成加速度信号0.9分位数以及踝部合成加速度信号极值、合成加速度信号0.9分位数。
步骤S50，将所述步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr。
将步态特征归一化为步态特征向量，如式(2)所示：
其中，Xscaled代表归一化后的步态特征向量，X代表待归一化的步态特征，Xmax、Xmin分别为待归一化步态特征中的最大值和最小值。
这里使用支持向量机对帕金森病人和健康者的数据片段进行分类，支持向量机适用于解决小样本的非线性分类问题，这里类标签和所提取的特征之间呈现非线性关系，因此使用径向基函数(RFB，Radial Basis Function)作为支持向量机分类器的核函数，RBF核函数具有逼近非线性函数的能力，并能处理***中的不溶性规律，具有良好的泛化能力和较快的学习速度，如式(3)所示：
其中，xi、xj分别代表帕金森病人和健康者的步态特征向量，
是大于0的径向基函数的带宽。
通过训练好的支持向量机对步态特征向量进行分类，并计算被测对象相对于健康者的阳性率Pr，如式(4)所示
其中，Dp为支持向量机分类器的阳性结果输出的数量，D代表在设定时间段内第二滑动窗口获取的数据帧的总数量。
Pr表示支持向量机分类器在SVM输出结果的30秒(1500个数据点)数据长度内，认为扫描数据段属于帕金森患者的比率。
步骤S60，若Pr＞0.9，则被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则被测对象为轻度帕金森病人；若Pr＜0.5，则被测对象为非帕金森病人。
本发明还通过十倍交叉验证方法评估支持向量机分类器的性能，采用了常用的性能指标：准确度、召回率、F1分数。设置帕金森患者为阳性组，健康者为阴性组，其中准确度为将帕金森患者和健康者正确分类的比率，召回率为真阳性组的比率，F1分数为模型精度和召回率的加权平均值。本发明计算出帕金森患者与健康受试者的分类准确性大约是92.9％，敏感性(分类器将正例分类成正例的比率，也就是将帕金森病人分为病人的比例)为88.9％，特异性(分类器将反例分类成反例的比率，也就是将健康者分为健康者的比例)为100％，显示了本发明方法在识别帕金森患者与健康者方面的良好能力。
最后，通过二次加权Kappa系数对该方法进行定量的可信度评价，如式(5)所示：
其中，∑ωf0s是序数标度中的观测到的加权频率之和，∑ωfc是序数标度中的随机期望的加权频率之和。
二次加权ω的计算方法如式(6)所示：
其中，i-j是人工分类和本发明方法不一致的数量，k是序数标度上的等级数。
本发明一个实施例中，k取值为4，4个等级上的ω分别为1、0.89、0.56、0，表明，评估偏差越大，权重越大。经过实验测试，本发明与专家诊断相比，二次加权Kappa系数k＝0.961，证明本发明方法与专家人工诊断具有较高的一致性，本发明诊断结果准确度高。
本发明第二实施例的基于支持向量机的帕金森病人运动障碍量化及识别***，该***包括数据获取模块、信号合成模块、数据区分模块、步态特征提取模块、分类及阳性率计算模块、输出模块；
所述数据获取模块，配置为通过设置于被测对象及健康者的腕部及踝部的惯性传感器分别获取被测对象及健康者行走、站立、转身时的腕部运动信号、踝部运动信号；
所述信号合成模块，配置为对所述腕部运动信号、踝部运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号；
所述数据区分模块，配置为基于所述加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔；
所述步态特征提取模块，配置为基于重采样的腕部运动信号及踝部运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征；
所述分类及阳性率计算模块，配置为将所述步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；
所述输出模块，配置为若Pr＞0.9，则输出被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则输出被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则输出被测对象为轻度帕金森病人；若Pr＜0.5，则输出被测对象为非帕金森病人。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于支持向量机的帕金森病人运动障碍量化及识别***，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于支持向量机的帕金森病人运动障碍量化及识别方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于支持向量机的帕金森病人运动障碍量化及识别方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种基于支持向量机的帕金森病人运动障碍量化及识别***，其特征在于，该***包括数据获取模块、信号合成模块、数据区分模块、步态特征提取模块、分类及阳性率计算模块、输出模块；
所述数据获取模块，配置为通过设置于被测对象及健康者的腕部及踝部的惯性传感器分别获取被测对象及健康者行走、站立、转身时的腕部运动信号、踝部运动信号；
所述信号合成模块，配置为对所述腕部运动信号、踝部运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号：
其中，As为合成的加速度器信号，Ax、Ay、Az分别代表惯性传感器中三轴加速度计X、Y、Z轴分量的加速度信号；
所述数据区分模块，配置为基于所述加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔；
所述步态特征提取模块，配置为基于重采样的腕部运动信号及踝部运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征；
所述分类及阳性率计算模块，配置为将所述步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；其中，为了提取最佳的步态特征，在进行特征归一化之前，通过卡方检验方法分别进行被测对象及健康者的步态特征筛选，得到不同被测对象及健康者的8个步态特征，分别为腕部惯性传感器上陀螺仪Z轴的数据标准差、陀螺仪Z轴的能量绝对值、陀螺仪Z轴过零点数量、陀螺仪Y轴过零点数量、合成加速度信号极值、合成加速度信号0.9分位数以及踝部合成加速度信号极值、合成加速度信号0.9分位数；
所述输出模块，配置为若Pr＞0.9，则输出被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则输出被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则输出被测对象为轻度帕金森病人；若Pr＜0.5，则输出被测对象为非帕金森病人；
其中，所述支持向量机的核函数为径向基函数，所述径向基函数为：
其中，xi、xj分别代表帕金森病人和健康者的步态特征向量，
是大于0的径向基函数的带宽。
2.根据权利要求1所述的基于支持向量机的帕金森病人运动障碍量化及识别***，其特征在于，通过所述数据区分模块获取行走间隔之前还设置有信号滤波的步骤，其方法为：
通过五阶椭圆带通滤波器对所述加速度器信号、重采样后的腕部运动信号、踝部运动信号进行滤波。
3.根据权利要求1所述的基于支持向量机的帕金森病人运动障碍量化及识别***，其特征在于，所述数据区分模块，其获取行走间隔的方法包括：
通过预设的第一滑动窗口计算所述加速度器信号Z轴的信号功率，并以大于设定上限的信号功率对应的点作为起始位置，小于设定下限的信号功率对应的点作为结束位置；
计算所述起始位置与结束位置之间的距离，以所述距离大于设定阈值的作为一个时间间隔，得到行走间隔。
4.根据权利要求1所述的基于支持向量机的帕金森病人运动障碍量化及识别***，其特征在于，所述步态特征提取模块，其分别提取被测对象及健康者的步态特征的方法包括：
通过预设的第二滑动窗口在所述行走间隔内分别获取被测对象及健康者的重采样的腕部运动信号、踝部运动信号的窗口数据；
将所述窗口数据作为数据帧，并分别提取所述数据帧内被测对象及健康者的步态特征。
5.根据权利要求1所述的基于支持向量机的帕金森病人运动障碍量化及识别***，其特征在于，通过所述分类及阳性率计算模块进行被测对象相对于健康者的阳性率Pr的计算之前还设置有步态特征筛选的步骤，其方法为：
通过卡方检验方法分别选择被测对象及健康者的设定数量的步态特征作为最佳步态特征。
6.根据权利要求1所述的基于支持向量机的帕金森病人运动障碍量化及识别***，其特征在于，所述预设的第二算法为：
其中，Dp为支持向量机分类器的阳性结果输出的数量，D代表在设定时间段内第二滑动窗口获取的数据帧的总数量。
7.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-6任一项所述的基于支持向量机的帕金森病人运动障碍量化及识别***。
8.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-6任一项所述的基于支持向量机的帕金森病人运动障碍量化及识别***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414448.3A CN111544005B (zh) | 2020-05-15 | 2020-05-15 | 基于支持向量机的帕金森病人运动障碍量化及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414448.3A CN111544005B (zh) | 2020-05-15 | 2020-05-15 | 基于支持向量机的帕金森病人运动障碍量化及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111544005A CN111544005A (zh) | 2020-08-18 |
| CN111544005B true CN111544005B (zh) | 2022-03-08 |
Family
ID=71998690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010414448.3A Active CN111544005B (zh) | 2020-05-15 | 2020-05-15 | 基于支持向量机的帕金森病人运动障碍量化及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111544005B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112075940A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨工业大学 | 一种基于双向长短时记忆神经网络的震颤检测*** |
| CN112674762A (zh) * | 2020-12-28 | 2021-04-20 | 江苏省省级机关医院 | 一种基于可穿戴惯性传感器的帕金森震颤评估装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104398263A (zh) * | 2014-12-25 | 2015-03-11 | 中国科学院合肥物质科学研究院 | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 |
| CN106202952A (zh) * | 2016-07-19 | 2016-12-07 | 南京邮电大学 | 一种基于机器学习的帕金森疾病诊断方法 |
| CN106821391A (zh) * | 2017-03-23 | 2017-06-13 | 北京精密机电控制设备研究所 | 基于惯性传感器信息融合的人体步态采集分析***及方法 |
| CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及*** |
| CN107958221A (zh) * | 2017-12-08 | 2018-04-24 | 北京理工大学 | 一种基于卷积神经网络的人体运动步态分类方法 |
| CN108309303A (zh) * | 2017-12-26 | 2018-07-24 | 上海交通大学医学院附属第九人民医院 | 一种可穿戴冻结步态智能监测与助行设备 |
| CN108932504A (zh) * | 2018-07-24 | 2018-12-04 | 中国科学院深圳先进技术研究院 | 身份认证方法、装置、电子设备及存储介质 |
| CN108968918A (zh) * | 2018-06-28 | 2018-12-11 | 北京航空航天大学 | 早期帕金森的可穿戴辅助筛查设备 |
| CN109805935A (zh) * | 2017-11-21 | 2019-05-28 | 北京周智物联科技有限公司 | 一种基于人工智能分层分级运动识别方法的智能腰带 |
| CN110151189A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 用于帕金森步态风险评估的非线性步态动力学判别方法 |
| CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
| CN110647857A (zh) * | 2019-09-29 | 2020-01-03 | 南京工程学院 | 一种步态识别方法及*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631195B (zh) * | 2015-12-18 | 2017-12-26 | 合肥工业大学 | 一种可穿戴式多信息融合的步态分析***及其方法 |
| CN106971059B (zh) * | 2017-03-01 | 2020-08-11 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
| EP3755224A1 (en) * | 2018-02-23 | 2020-12-30 | Loma Linda University | Systems and methods for detection and correction of abnormal movements |
-
2020
- 2020-05-15 CN CN202010414448.3A patent/CN111544005B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104398263A (zh) * | 2014-12-25 | 2015-03-11 | 中国科学院合肥物质科学研究院 | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 |
| CN106202952A (zh) * | 2016-07-19 | 2016-12-07 | 南京邮电大学 | 一种基于机器学习的帕金森疾病诊断方法 |
| CN106821391A (zh) * | 2017-03-23 | 2017-06-13 | 北京精密机电控制设备研究所 | 基于惯性传感器信息融合的人体步态采集分析***及方法 |
| CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及*** |
| CN109805935A (zh) * | 2017-11-21 | 2019-05-28 | 北京周智物联科技有限公司 | 一种基于人工智能分层分级运动识别方法的智能腰带 |
| CN107958221A (zh) * | 2017-12-08 | 2018-04-24 | 北京理工大学 | 一种基于卷积神经网络的人体运动步态分类方法 |
| CN108309303A (zh) * | 2017-12-26 | 2018-07-24 | 上海交通大学医学院附属第九人民医院 | 一种可穿戴冻结步态智能监测与助行设备 |
| CN108968918A (zh) * | 2018-06-28 | 2018-12-11 | 北京航空航天大学 | 早期帕金森的可穿戴辅助筛查设备 |
| CN108932504A (zh) * | 2018-07-24 | 2018-12-04 | 中国科学院深圳先进技术研究院 | 身份认证方法、装置、电子设备及存储介质 |
| CN110151189A (zh) * | 2019-04-30 | 2019-08-23 | 杭州电子科技大学 | 用于帕金森步态风险评估的非线性步态动力学判别方法 |
| CN110327054A (zh) * | 2019-07-17 | 2019-10-15 | 袁兴光 | 一种基于加速度和角速度传感器的步态分析方法及装置 |
| CN110647857A (zh) * | 2019-09-29 | 2020-01-03 | 南京工程学院 | 一种步态识别方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111544005A (zh) | 2020-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yoneyama et al. | Accelerometry-based gait analysis and its application to Parkinson's disease assessment—part 1: detection of stride event | |
| Ying et al. | Automatic step detection in the accelerometer signal | |
| CN106228200B (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
| Lee et al. | Parkinson’s disease classification using gait characteristics and wavelet-based feature extraction | |
| CN111544005B (zh) | 基于支持向量机的帕金森病人运动障碍量化及识别方法 | |
| CN108451532B (zh) | 呼吸信息的获取方法及*** | |
| WO2013114596A1 (ja) | 情報処理装置、代表波形生成方法および代表波形生成プログラム | |
| WO2014118767A1 (en) | Classifying types of locomotion | |
| CN112057080B (zh) | 一种基于分阶段特征提取的冻结步态检测*** | |
| CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| CN111544006B (zh) | 帕金森病人运动障碍量化及识别的可穿戴设备 | |
| Lahdenoja et al. | A smartphone-only solution for detecting indications of acute myocardial infarction | |
| Majumder et al. | A wireless IoT system towards gait detection in stroke patients | |
| CN110801227A (zh) | 基于可穿戴设备的立体色块障碍测试的方法和*** | |
| JP7489729B2 (ja) | 転倒危険予防方法およびこのような方法を遂行する装置 | |
| Leite et al. | Gait rehabilitation monitor | |
| Boutaayamou et al. | Algorithm for temporal gait analysis using wireless foot-mounted accelerometers | |
| CN109692004B (zh) | 一种检测人体站姿的方法和装置 | |
| Cherachapridi et al. | Prescreening MCI and Dementia Using Shank-Mounted IMU During TUG Task | |
| CN110299203A (zh) | 一种基于智能手机的人体异常步态识别方法 | |
| Torres-Pardo et al. | Is Lyapunov exponent a reliable metric to detect dynamic stability in Parkinson’s disease? | |
| CN116942102B (zh) | 一种基于脉搏波的睡眠分期方法及设备 | |
| CN111657918B (zh) | 一种结合心电和惯性传感数据的跌倒检测方法及*** | |
| WO2019150905A1 (en) | Method, system and non-transitory computer readable medium | |
| Vanitha et al. | Machine Learning Techniques for Automated Tremor Detection in the Presence of External Stressors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |