CN115985490A - 一种帕金森疾病客观化、定量化早期诊断***及存储介质 - Google Patents
一种帕金森疾病客观化、定量化早期诊断***及存储介质 Download PDFInfo
- Publication number
- CN115985490A CN115985490A CN202310263178.4A CN202310263178A CN115985490A CN 115985490 A CN115985490 A CN 115985490A CN 202310263178 A CN202310263178 A CN 202310263178A CN 115985490 A CN115985490 A CN 115985490A
- Authority
- CN
- China
- Prior art keywords
- data
- parkinson
- time
- energy
- follows
- 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.)
- Granted
Links
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 49
- 238000013399 early diagnosis Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000004424 eye movement Effects 0.000 claims abstract description 10
- 238000011002 quantification Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000001149 cognitive effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000000241 respiratory effect Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 210000001260 vocal cord Anatomy 0.000 claims description 9
- 230000003183 myoelectrical effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 6
- 210000004704 glottis Anatomy 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 210000001508 eye Anatomy 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 230000004434 saccadic eye movement Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- IBOFVQJTBBUKMU-UHFFFAOYSA-N 4,4'-methylene-bis-(2-chloroaniline) Chemical compound C1=C(Cl)C(N)=CC=C1CC1=CC=C(N)C(Cl)=C1 IBOFVQJTBBUKMU-UHFFFAOYSA-N 0.000 claims description 2
- 241001112258 Moca Species 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 210000005252 bulbus oculi Anatomy 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 230000005021 gait Effects 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008447 perception Effects 0.000 description 8
- 230000007658 neurological function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 206010013887 Dysarthria Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- AJXDZTRQWPEVQU-UHFFFAOYSA-N 1-benzyl-1-iodoguanidine Chemical compound NC(=N)N(I)CC1=CC=CC=C1 AJXDZTRQWPEVQU-UHFFFAOYSA-N 0.000 description 1
- 241000220433 Albizia Species 0.000 description 1
- 206010002653 Anosmia Diseases 0.000 description 1
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010013952 Dysphonia Diseases 0.000 description 1
- 208000010473 Hoarseness Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010050515 Hyposmia Diseases 0.000 description 1
- 206010061533 Myotonia Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 208000028752 abnormal posture Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000142 dyskinetic effect Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 235000019559 hyposmia Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 210000003079 salivary gland Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
- 208000027765 speech disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于帕金森病早期诊断技术领域,具体涉及一种帕金森疾病客观化、定量化早期诊断***及存储介质。该***包括:输入模块,用于输入定量化任务所采集的数据;特征提取模块,用于对所述输入模块得到数据进行处理,得到特征;所述定量化任务所采集的数据包括如下数据中的至少一项:包括笔试、抓握、步态、语音、眼动、认知量表、呼吸、心电、肌电多维度信号。本发明能够定量化、标准化、***化、多维度的对帕金森患者进行客观评估,为帕金森的早期诊断和准确诊断提供技术基础,具有很好的应用前景。
Description
技术领域
本发明属于帕金森病早期诊断技术领域,具体涉及一种帕金森疾病客观化、定量化早期诊断***及存储介质。
背景技术
帕金森病(Parkinson’s disease,PD)是近年来常见神经***退行性疾病,也是老年人中最常见的运动障碍疾病。其主要的临床表现包括静止性震颤、运动缓慢、肌强直和姿势异常为主的运动症状及嗅觉减退、便秘、睡眠障碍和抑郁为主的非运动症状。
此病无法治愈, 但早期干预能很大程度缓解疾病的进展和改善预后。帕金森病是隐匿起病,逐渐进展,病人去就医的时候往往症状已经比较明显。PD目前的诊断方法主要依靠医师工作经验及患者的临床表现, 误诊率较高,且无法早期发现,因此亟待客观、早期、有效的PD诊断方法。
目前,帕金森病的诊断,主要依据病史、临床症状以及体征。医生会根据病人提供的病史和自己的查体所见给出初步的诊断,之后还需要要做头颅的磁共振检查、抽血化验检查、脑电图、心电图等,以排除其他可能有帕金森病症状的疾病,如脑卒中后帕金森综合症,药物性帕金森综合症,外伤性帕金森综合症等疾病。
现有文献利用某一种或两种检查数据对患者的某一神经功能进行评估和预测。例如,肖一峰等总结了现有嗅觉障碍在帕金森患者种的筛查方法,探索帕金森疾病的早期嗅觉障碍相关标志物(帕金森病嗅觉障碍研究进展[J]. 肖一峰,吴婧. 中国实用神经疾病杂志. 2020(16));司慧丽等分析了睡眠障碍对帕金森疾病影响因素(帕金森病患者睡眠障碍特点及其影响因素分析[J]. 司慧丽,纪别克,赵鸿雁,宋阳,庄艳华,朱倩倩,曹辉,苏俊红,张庆梅. 广东医学. 2020(01));马欢等对比分析帕金森病患者的唾液腺及心脏间碘苄胍显像对帕金森疾病的诊断价值(马欢,阚英,王巍,刘洁,杨吉刚.~(123)I-MIBG显像对帕金森病早期诊断的临床价值[J].临床和实验医学杂志,2021,20(19):2105-2109);刘杰、王晓雯等分析了帕金森缓则的嗓音构音障碍对疾病诊断的价值(1~3期帕金森病患者的嗓音特征研究[J]. 刘杰,李利,余波,黄昭鸣. 听力学及言语疾病杂志. 2020(01);王晓雯,黄昭鸣,钱红,袁海新,刘杰.高频重复经颅磁刺激双侧M1区联合构音训练对帕金森病人运动不及型构音障碍的影响[J].实用老年医学,2022,36(05):508-511.)。然而,这些使用单一指标进行帕金森病诊断的方案在诊断准确性等指标上仍然有所不足,因而难以实现帕金森病的早期诊断。可见,如何构建一种完整的体系,实现帕金森病的早期诊断仍然本领域亟需解决的问题。
发明内容
针对现有技术的问题,本发明提供一种帕金森疾病客观化、定量化早期诊断***,目的在于提供可用于准确诊断帕金森病的指标体系,实现帕金森病的早期诊断。
一种帕金森疾病客观化、定量化早期诊断***,包括:
输入模块,用于输入定量化任务所采集的数据;
特征提取模块,用于对所述输入模块得到数据进行处理,得到特征;
所述定量化任务所采集的数据包括如下数据中的至少一项:
数据1:受试者画引导性阿基米德螺旋线,采集笔感知接触点x和y的位置、笔尖和纸之间的压力;
数据2:受试者进行步行,采集足底压力时间序列、偏转角度时间序列、角速度时间序列、加速度时间序列和肌电时间序列;
数据3:受试者进行朗读或自述,采集语音序列;
数据4:记录受试者的眼球运动,采集眼动数据;
数据5:对受试者的夜间睡眠进行监测,采集心电时间序列和呼吸时间序列;
数据6:对受试者进行认知量表测试,采集量表评分。
优选的,所述数据1进行处理后得到的特征包括:每个线段的总长度、每段的总持续时间为、平均速度、加权平均速度、每一段的平均笔压、螺旋图平均速度与平均笔压的综合指数;
所述特征的计算公式为:
其中,
x、
y是笔尖的位置坐标,
x n 、
y n 对应第
n个采样样本,
i代表第
i个线段,
m i 为第
i个线段的样本总数,
SR是采样率,
pr是笔尖压力,为第
i个线段的平均笔压。
优选的,所述数据2进行处理后得到的特征包括:足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的积分、威廉姆森振幅、方差、过零、斜率符合变化和波形长度;
其中,所述足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得;
所述每个通道的肌电的总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率SSC符合变化和波形长度WL计算公式如下:
其中,,是肌电时间序列的采样总个数,是第n个采样点数据。
优选的,所述数据3进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括:基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征、概率密度函数;
所述特征的计算公式如下:
其中,N是提取的语音信号周期数,是第i个语音信号周期长度,是第i个语音周期的振幅,是谐波成分能量,是噪声成分能量,是声门渐开时间段,是声门渐闭时间段,
T是一个完整声门周期,是声带关闭时间,是每个频率分量的频谱幅值,为第k个频率分量,是分量值对应的概率密度值,
N是FFT的采样点数,
E为第
r帧的能量,
f是频率。
优选的,所述数据4进行处理后得到的特征包括:首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。
优选的,所述数据5进行处理后得到的特征包括:
Re sppeak _ num、Average _ Re
sp、Re sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _
power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf、Re sp _
powerlfhf;
其中,
Re sppeak _ num指的是一段时间内的呼吸波峰数量,
Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值,
Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差,
Re sp _ peak _ SD指连续呼吸波峰的间隔标准差,
Re sp _
power001005是呼吸信号在 0.01-0.05Hz 之间的能量,
Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量,
Re sp _ power01505是呼吸信号在 0.15-0.5Hz 之间的能量,
Re sp _ powervlflf是极低频能量和低频能量的比值,计算公式如下:
Re sp _ powervlfhf是极低频能量和高频能量的比值,计算公式如下:
Re sp _ powerlfhf是低频能量和高频能量的比值,计算公式如下:
。
优选的,所述数据6进行处理后得到的特征包括:定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值;
所述特征是对如下量表中的至少一种进行统计后得到:MOCA、MMSE、GPCOG、AD8、Mini-Cog、MIS、CASI2.0、HDS-R、QCSS-E、BECSI、MES或SMCI。
优选的,还包括诊断模块,用于根据所述特征得到早期帕金森病的诊断结果,其中,诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。
本发明还提供一种计算机可读存储介质,其上存储有用于实现上述帕金森疾病客观化、定量化早期诊断***的计算机程序。
本发明为了实现帕金森疾病的早期诊断,为受试者提供了定量化诊断设计的6种固定任务(场景),通过这些任务可以得到定量化标准化的帕金森疾病诊断参数体系。实验结果表明,对于帕金森疾病的早期诊断此定量化早期诊断体系准确率和敏感性比现有诊断特征有较大幅度的提升。本发明定量化、标准化、***化、多维度的对帕金森患者进行客观评估,为帕金森的早期诊断和准确诊断提供技术基础,具有很好的应用前景。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为实施例1的***整体框架示意图;
图2为实施例1中用于足底压力时间序列处理的基于图神经网络的循环神经网络流程图;
图3为实施例1中用于足底压力时间序列处理的GCNs-RNN模型示意图。
具体实施方式
需要特别说明的是,实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法,以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1帕金森疾病客观化、定量化早期诊断***
本实施例的***包括:
输入模块,用于输入定量化任务所采集的数据;
特征提取模块,用于对所述输入模块得到数据进行处理,得到特征;
诊断模块,用于根据所述特征得到早期帕金森病的诊断结果,其中,诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。
如图1所示,在上述***中,所述的定量化任务、采集数据利用的感知技术和硬件技术、采集到的数据类型、每种数据类型涉及的信号和数据处理方法、最终提取得到的特征和这些特征用于评估的神经功能如下:
1、数据1
任务(场景):在A3纸上画引导性阿基米德螺旋线(医院、居家)。
感知技术:嵌入光纤三维力传感笔、平板。
数据类型:笔感知接触点x和y的位置,以及笔尖和纸之间的压力p。
信号特征提取方法:
其中,
x、
y是笔尖的位置坐标,
x n 、
y n 对应第
n个采样样本,
i代表第
i个线段,
m i 为第
i个线段的样本总数,
SR是采样率,
pr是笔尖压力,为第
i个线段的平均笔压。
特征表达:每个线段的总长度、每段的总持续时间为、平均速度、加权平均速度、每一段的平均笔压、螺旋图平均速度与平均笔压的综合指数。
评估神经功能:
2、数据2
任务(场景):步行10米(医院、移动、居家)。
感知技术:银质电极表面肌电传感器。
数据类型:肌电时间序列。
信号特征提取方法:
足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得;
所述每个通道的肌电总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率SSC符合变化和波形长度WL计算公式如下:
其中,,是肌电时间序列的采样总个数,是第n个采样点数据。
特征表达:足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的积分、威廉姆森振幅、方差、过零、斜率符合变化和波形长度。
评估神经功能:运动功能、睡眠功能。
3、数据3
任务(场景):朗读一段话或自述一段话(医院、居家)。
感知技术:麦克风。
数据类型:语音序列。
信号特征提取方法:
其中,N是提取的语音信号周期数,是第i个语音信号周期长度,是第i个语音周期的振幅,是谐波成分能量,是噪声成分能量,是声门渐开时间段,是声门渐闭时间段,
T是一个完整声门周期,是声带关闭时间,是每个频率分量的频谱幅值,为第k个频率分量,是分量值对应的概率密度值,
N是FFT的采样点数,
E为第
r帧的能量,
f是频率。
特征表达:基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征、概率密度函数。
评估神经功能:运动功能。
4、数据4
任务(场景):参与者坐在20英寸的显示器前,记录眼球运动(医院)。
感知技术:红外眼动仪。
数据类型:眼动数据。
信号特征提取方法:具体见下表;
表1 眼动信号特征提取方法
特征表达:首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。
评估神经功能:运动功能。
5、数据5
任务(场景):夜间睡眠监测(医院、居家)。
感知技术:呼吸腹带。
数据类型:呼吸时间序列。
信号特征提取方法:
Re sppeak _ num指的是一段时间内的呼吸波峰数量,
Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值,
Re sppeak _ valley _
SD指的是连续呼吸波峰波谷的间隔标准差,
Re sp _ peak _ SD指连续呼吸波峰的间隔标准差,
Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量,
Re sp _
power005015是呼吸信号在 0.05-0.15Hz 之间的能量,
Re sp _ power01505是呼吸信号在0.15-0.5Hz 之间的能量,
Re sp _ powervlflf是极低频能量和低频能量的比值,计算公式如下:
Re sp _ powervlfhf是极低频能量和高频能量的比值,计算公式如下:
Re sp _ powerlfhf是低频能量和高频能量的比值,计算公式如下:
。
特征表达:
Re sppeak _ num、Average _ Re sp、Re sppeak _ valley _ SD、Re
sp _ peak _ SD、Re sp _ power001005、Re sp _ power005015、Re sp _ power01505、Re
sp _ powervlflf、Re sp _ powervlfhf、Re sp _ powerlfhf。
评估神经功能:睡眠功能。
6、数据6
任务(场景):认知量表测试(居家、医院)。
感知技术:认知量表。
数据类型:量表评分。
信号特征提取方法:定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值。
特征表达:定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值。
评估神经功能:认知功能。
其中,所述数据2中,从足底压力时间序列中获得方法如图2所示,具体步骤如下:
(a)预处理好的多维足底压力信号通过K-means 聚类,在时间维度上聚类到短暂稳定的多个微状态;
(b)根据聚类结果将多维足底压力时间序列信号截取为N 个Epoch;
(c)对每个Epoch用图谱理论提取图结构的邻接矩阵A和拉普拉斯矩阵L;其中各传感器节点的压力值作为图结构的顶点,每两个通道的相关性作为边。
(d)GCNs-RNN分类模型:首先用切比雪夫多项式对拉普拉斯矩阵L进行特征值分解,并用图卷积GCNs对每个Epoch的图进行卷积,GCNs的图卷积结果输入到循环神经网络RNN中,最后Dense层做出分类(详细过程见图3);
(e)输出分类结果。
图3 为图2中GCNs-RNN模型的具体计算过程。这个模型分为三层,第一层是图卷积层GCNs layer,第二层是循环神经网络层RNN layer,第三层是全连接层Dense layer。
第一层,GCN模型在裁剪的每个Epoch上进行图卷积。图卷积的过程是用每个Epoch上提取到的邻接矩阵A计算拉普拉斯矩阵L。因为拉普拉斯矩阵L 是对称矩阵,可以特征分解,这里用图谱理论的特征分解代替卷积神经网络中的傅里叶变换,特征分解的特征向量对应傅里叶变换的基(不同频率的正弦信号),特征值对应傅里叶变换中的傅里叶系数(基的幅度)。为简化计算,可使用切比雪夫多项式将信号(SN是足底传感器Sensor的数量),分解到拉普拉斯矩阵L的分量T0(L),T1(L),... ,TK-1(L)为基的维度,分解为T0(L)x,T1(L)x,... ,TK-1(L)x,如图3所示。接下来,以切比雪夫多项式系数θ为卷积核,对T0(L)x,T1(L)x,... ,TK-1(L)x进行卷积操作。y1,y2,...,yN分别是Epoch1,Epoch2,... ,EpochN的图卷积GCN的输出结果。
第二层,将上一层的输出结果y1,y2,...yN作为时间序列输入到循环神经网络RNN中,循环神经网络的结果输入到下一层。这里采用LSTM模型,作为RNN 模型的首选。
第三层,全连接层将循环神经网络层的输出结果按需要分类的类别数输出分类结果。Dense 层中每一个特征节点掌握着一定的权重来决定输入是属于哪个类别,最终全部特征的权重共同决定了输入所属分类的权重或概率。
所述数据3中,进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括:基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征Mel。
所述特征的详细描述为:
1、基频
基频( Fundamental Frequency, F0)是指语音信号中的最低频率,即I秒钟内声带振动的次数,当声带发生病变时,声带的长度、厚度、形状随之变化,从而会改变基频取值,影响语音信号的声学特性。
2、基频微扰
基频微扰(Jitter)描述了语音信号相邻周期之间基音频率的微小波动变化,与声带的振动频率一致。其计算公式如下:
其中,N是提取的语音信号周期数,是第i个语音信号周期长度。
3、振幅微扰
振幅微扰(Shimmer)与基频微扰(Jitter)的定义类似,描述了语音信号相邻周期之间振幅的微弱差异,表征了嗓音的嘶哑程度。其计算公式如下:
其中,N是提取的语音信号周期数,是第i个语音周期的振幅。
4、谐噪比
谐波噪声比( harmonics-to-noise ratio,HNR),简称谐噪比,反映语音信号中谐波成分与噪声成分能量强度的比值,计算公式如下:
其中,是谐波成分能量,是噪声成分能量。当NHR=0时意味着谐波和噪声的能量相等,可以用来检测语音信号中的噪声成分。
5、开放熵
开放熵( open quotient, OQ)是声带开放时间占一个完整声门周期
T的比例。从声门波时域图像上看,其计算公式如下:
6、闭合熵
闭合熵(closed quotient, CQ)是声带关闭时间占一个完整声门周期
T的比例,其计算公式如下:
7、速度熵
速度熵( speed quotient, SQ)是声门渐开时间段与渐闭时间段的比值,体现着声门波形的倾斜度。其计算公式如下:
8、功率谱概率密度
功率谱概率密度函数(Probability Density Function,PDF) 的求解过程如下:首先对语音信号进行快速短时傅里叶变换,得到短时频谱,然后对频谱进行归一化处理,得到概率密度函数,即:
其中,是每个频率分量的频谱幅值,是分量值对应的概率密度值,
N是FFT的采样点数。
9、频谱熵
频谱熵(Spectral Entropy, SE)是反映频谱均匀程度的特征参数,频谱熵的计算公式如下:
10、频谱通量
频谱通量(Spectral Flux, SF)是反映语音信号帧与帧之间频谱变化的特征参数,频谱通量的计算公式如下:
其中,
E为第
r帧的能量。
11、梅尔频率倒谱系数
梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient, MFCC)考虑到人类听觉的非线性特性,先将线性频谱映射到基于人类听觉感知的梅尔尺度的非线性频谱中,然后转换到倒谱域,可用以下公式近似表示。
其中,
f是频率,单位是
Hz。频率带宽与梅尔频率的增长相仿,随着频率的变化而变化。
所述数据5进行处理后得到的特征包括:
Re sppeak _ num、Average _ Re sp、Re
sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _
power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf、Re sp _
powerlfhf。
所述特征的详细描述为:
1、
Re sppeak _ num指的是一段时间内的呼吸波峰数量,有研究表明,在同一睡眠时期内 REM 和 NREM 期的值是不相同的,在 REM 期间 数量较少,在 NREM 期间较多。其计算公式如下:
2、
Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值,反映的是平均一次呼吸活动的所用时间的长短,属于睡眠分期的重要分析指标之一。其计算公式下:
3、
Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差,反应的是呼吸活动的平稳程度,其计算公式如下:
其中,N表示正常呼吸总数,
Re sp _ width i 和分别表示两个相邻的呼吸波峰波谷的长度。
4、
Re sp _ peak _ SD指连续呼吸波峰的间隔标准差,与呼吸波峰波谷的间隔标准差类似,反应的是呼吸活动的平稳程度,其公式如式下:
5、呼吸频域特征:睡眠呼吸数据的功率谱估使用自回归(Auto Regression,AR)模型法来进行,AR 模型法基本原理如下:
一个阶AR过程可以表示为:
式中,代表AR模型参数,表示均值为0,方差为的高斯白噪声。
对上式两边求z变换,可以得到***的传输函数是全极型。
此 AR 过程的功率谱是
将睡眠呼吸数据RESP每5 min一段进行数据分段。AR模型用于估计这5 min 数据段的功率谱,然后以功率谱峰值为中心,计算顺谱窗内的睡眠呼吸 数据的功率所占百分比,该功率谱即为 RESP 这 5min 的频谱能量。呼吸信号频域特征如下(5.1)-(5.6):
(5.1)
Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量,计算公式如下:
(5.2)
Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量,计算公式如下:
(5.3)
Re sp _ power01505是呼吸信号在 0.15-0.5Hz 之间的能量,计算公式如下:
(5.4)
Re sp _ powervlflf是极低频能量和低频能量的比值,计算公式如下:
(5.5)
Re sp _ powervlflf是极低频能量和高频能量的比值,计算公式如下:
(5.6)
Re sp _ powervlflf是低频能量和高频能量的比值,计算公式如下:
实验结果表明,对于帕金森疾病的早期诊断此定量化早期诊断体系准确率和敏感性比现有诊断特征有较大幅度的提升。
通过上述实施例可以看到,本发明能够定量化、标准化、***化、多维度的对帕金森患者进行客观评估,为帕金森的早期诊断和准确诊断提供技术基础,具有很好的应用前景。
Claims (9)
1.一种帕金森疾病客观化、定量化早期诊断***,其特征在于,包括:
输入模块,用于输入定量化任务所采集的数据;
特征提取模块,用于对所述输入模块得到数据进行处理,得到特征;
所述定量化任务所采集的数据包括如下数据中的至少一项:
数据1:受试者画引导性阿基米德螺旋线,采集笔感知接触点x和y的位置、笔尖和纸之间的压力;
数据2:受试者进行步行,采集足底压力时间序列、偏转角度时间序列、角速度时间序列、加速度时间序列和肌电时间序列;
数据3:受试者进行朗读或自述,采集语音序列;
数据4:记录受试者的眼球运动,采集眼动数据;
数据5:对受试者的夜间睡眠进行监测,采集心电时间序列和呼吸时间序列;
数据6:对受试者进行认知量表测试,采集量表评分。
2.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:
所述数据1进行处理后得到的特征包括:每个线段的总长度、每段的总持续时间为、平均速度、加权平均速度、每一段的平均笔压、螺旋图平均速度与平均笔压的综合指数;
所述特征的计算公式为:
其中,x、y是笔尖的位置坐标,x n 、y n 对应第n个采样样本,i代表第i个线段,m i 为第i个线段的样本总数,SR是采样率,pr是笔尖压力,为第i个线段的平均笔压。
3.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:所述数据2进行处理后得到的特征包括:足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的积分、威廉姆森振幅、方差、过零、斜率符合变化和波形长度;
其中,所述足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得;
所述每个通道的肌电的总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率SSC符合变化和波形长度WL计算公式如下:
其中,,是肌电时间序列的采样总个数,是第n个采样点数据。
4.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:所述数据3进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括:基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征、概率密度函数;
所述特征的计算公式如下:
其中,N是提取的语音信号周期数,是第i个语音信号周期长度,是第i个语音周期的振幅,是谐波成分能量,是噪声成分能量,是声门渐开时间段,是声门渐闭时间段,T是一个完整声门周期,是声带关闭时间,是每个频率分量的频谱幅值,为第k个频率分量,是分量值对应的概率密度值,N是FFT的采样点数,E为第r帧的能量,f是频率。
5.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:所述数据4进行处理后得到的特征包括:首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。
6.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:所述数据5进行处理后得到的特征包括:Re sppeak _ num、Average _ Re sp、Re sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _ power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf、Re sp _ powerlfhf;
其中,Re sppeak _ num指的是一段时间内的呼吸波峰数量,Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值,Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差,Re sp _ peak _ SD指连续呼吸波峰的间隔标准差,Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量,Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量,Re sp _ power01505是呼吸信号在 0.15-0.5Hz 之间的能量,
Re sp _ powervlflf是极低频能量和低频能量的比值,计算公式如下:
Re sp _ powervlfhf是极低频能量和高频能量的比值,计算公式如下:
Re sp _ powerlfhf是低频能量和高频能量的比值,计算公式如下:
。
7.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:所述数据6进行处理后得到的特征包括:定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值;
所述特征是对如下量表中的至少一种进行统计后得到:MOCA、MMSE、GPCOG、AD8、Mini-Cog、MIS、CASI2.0、HDS-R、QCSS-E、BECSI、MES或SMCI。
8.按照权利要求1-7任一项所述的帕金森疾病客观化、定量化早期诊断***,其特征在于:还包括诊断模块,用于根据所述特征得到早期帕金森病的诊断结果,其中,诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。
9.一种计算机可读存储介质,其特征在于:其上存储有用于实现权利要求1-8任一项所述的帕金森疾病客观化、定量化早期诊断***的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263178.4A CN115985490B (zh) | 2023-03-17 | 2023-03-17 | 一种帕金森疾病客观化、定量化早期诊断***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263178.4A CN115985490B (zh) | 2023-03-17 | 2023-03-17 | 一种帕金森疾病客观化、定量化早期诊断***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115985490A true CN115985490A (zh) | 2023-04-18 |
CN115985490B CN115985490B (zh) | 2023-06-13 |
Family
ID=85968515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310263178.4A Active CN115985490B (zh) | 2023-03-17 | 2023-03-17 | 一种帕金森疾病客观化、定量化早期诊断***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115985490B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117137442A (zh) * | 2023-09-04 | 2023-12-01 | 佳木斯大学 | 基于生物学特征帕金森症辅助检测***、机器可读介质 |
CN117275723A (zh) * | 2023-09-15 | 2023-12-22 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及*** |
CN117717342A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 用于盆底康复的评估***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107921237A (zh) * | 2015-04-27 | 2018-04-17 | 反射医学公司 | 交感神经心肺神经调节***和方法 |
CN112820279A (zh) * | 2021-03-12 | 2021-05-18 | 深圳市臻络科技有限公司 | 基于语音上下文动态特征的帕金森病检测方法 |
CN113017618A (zh) * | 2021-03-18 | 2021-06-25 | 西安交通大学医学院第一附属医院 | 一种用于上肢肌张力运动障碍的快速诊断仪器 |
KR20210152254A (ko) * | 2020-06-08 | 2021-12-15 | 성균관대학교산학협력단 | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 |
CN114300081A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学华西医院 | 基于电子病历多模态数据的预测设备、***和存储介质 |
CN115101191A (zh) * | 2022-08-26 | 2022-09-23 | 大连理工大学 | 一种帕金森疾病诊断*** |
-
2023
- 2023-03-17 CN CN202310263178.4A patent/CN115985490B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107921237A (zh) * | 2015-04-27 | 2018-04-17 | 反射医学公司 | 交感神经心肺神经调节***和方法 |
KR20210152254A (ko) * | 2020-06-08 | 2021-12-15 | 성균관대학교산학협력단 | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 |
CN112820279A (zh) * | 2021-03-12 | 2021-05-18 | 深圳市臻络科技有限公司 | 基于语音上下文动态特征的帕金森病检测方法 |
CN113017618A (zh) * | 2021-03-18 | 2021-06-25 | 西安交通大学医学院第一附属医院 | 一种用于上肢肌张力运动障碍的快速诊断仪器 |
CN114300081A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学华西医院 | 基于电子病历多模态数据的预测设备、***和存储介质 |
CN115101191A (zh) * | 2022-08-26 | 2022-09-23 | 大连理工大学 | 一种帕金森疾病诊断*** |
Non-Patent Citations (4)
Title |
---|
ANNETT, & BLOCHBERGER: ""Parkinson\'s disease clinical features and diagnosis"", 《 CLINICAL PHARMACIST》, vol. 3, no. 11, pages 361 - 361 * |
吴筱: ""基于步态分析的帕金森症患者的筛查与诊断研究"", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 02, pages 070 - 178 * |
李晓莉 等: ""帕金森病及运动障碍疾病门诊震颤患者的病因及临床表现分析"", 《现代生物医学进展》, vol. 18, no. 18, pages 3485 - 3489 * |
李琳 等: "早期帕金森病患者睡眠障碍分析", 《中国现代神经疾病杂志》, vol. 8, no. 3, pages 176 - 180 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117137442A (zh) * | 2023-09-04 | 2023-12-01 | 佳木斯大学 | 基于生物学特征帕金森症辅助检测***、机器可读介质 |
CN117137442B (zh) * | 2023-09-04 | 2024-03-29 | 佳木斯大学 | 基于生物学特征帕金森症辅助检测***、机器可读介质 |
CN117275723A (zh) * | 2023-09-15 | 2023-12-22 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及*** |
CN117275723B (zh) * | 2023-09-15 | 2024-03-15 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及*** |
CN117717342A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 用于盆底康复的评估***及方法 |
CN117717342B (zh) * | 2024-02-07 | 2024-04-09 | 吉林大学 | 用于盆底康复的评估***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115985490B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
CN115985490B (zh) | 一种帕金森疾病客观化、定量化早期诊断***及存储介质 | |
US11315687B2 (en) | Method and apparatus for training and evaluating artificial neural networks used to determine lung pathology | |
Cavusoglu et al. | An efficient method for snore/nonsnore classification of sleep sounds | |
Yan et al. | A EEG-based emotion recognition model with rhythm and time characteristics | |
US11304624B2 (en) | Method and apparatus for performing dynamic respiratory classification and analysis for detecting wheeze particles and sources | |
US20050119586A1 (en) | Systems and methods for respiratory event detection | |
US20200093423A1 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
US11529072B2 (en) | Method and apparatus for performing dynamic respiratory classification and tracking of wheeze and crackle | |
Nallanthighal et al. | Deep learning architectures for estimating breathing signal and respiratory parameters from speech recordings | |
CN111920420B (zh) | 一种基于统计学习的患者行为多模态分析与预测*** | |
Cheng et al. | Automated sleep apnea detection in snoring signal using long short-term memory neural networks | |
Reggiannini et al. | A flexible analysis tool for the quantitative acoustic assessment of infant cry | |
Emoto et al. | Artificial neural networks for breathing and snoring episode detection in sleep sounds | |
Zhou et al. | Gammatone spectral latitude features extraction for pathological voice detection and classification | |
Li et al. | Electret-based flexible pressure sensor for respiratory diseases auxiliary diagnosis system using machine learning technique | |
US10426426B2 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
Dar et al. | Lung anomaly detection from respiratory sound database (sound signals) | |
Mostaani et al. | On the relationship between speech-based breathing signal prediction evaluation measures and breathing parameters estimation | |
Pandey et al. | Nocturnal sleep sounds classification with artificial neural network for sleep monitoring | |
Mendonça et al. | A method for sleep quality analysis based on CNN ensemble with implementation in a portable wireless device | |
Zhang et al. | Digital signal processing and analysis of cardiopulmonary audio using a multi-channel stethograph system | |
Akhter et al. | Characterizing the NREM/REM sleep specific obstructive sleep apnea severity using snore sounds | |
Yin et al. | Athlete’s respiratory frequency and physical energy consumption model based on speech recognition technology | |
Hariharan et al. | Identification of vocal fold pathology based on mel frequency band energy coefficients and singular value decomposition |
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 |