CN117298449B - 一种基于可穿戴设备的闭环dbs调控方法和*** - Google Patents
一种基于可穿戴设备的闭环dbs调控方法和*** Download PDFInfo
- Publication number
- CN117298449B CN117298449B CN202311428526.5A CN202311428526A CN117298449B CN 117298449 B CN117298449 B CN 117298449B CN 202311428526 A CN202311428526 A CN 202311428526A CN 117298449 B CN117298449 B CN 117298449B
- Authority
- CN
- China
- Prior art keywords
- index
- data
- foot
- acceleration
- model
- 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
- 230000033228 biological regulation Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 91
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 47
- 230000005021 gait Effects 0.000 claims abstract description 39
- 206010044565 Tremor Diseases 0.000 claims abstract description 38
- 206010006100 Bradykinesia Diseases 0.000 claims abstract description 37
- 208000006083 Hypokinesia Diseases 0.000 claims abstract description 37
- 230000008014 freezing Effects 0.000 claims abstract description 32
- 238000007710 freezing Methods 0.000 claims abstract description 32
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 208000012661 Dyskinesia Diseases 0.000 claims abstract description 24
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 18
- 239000002131 composite material Substances 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims description 205
- 238000000605 extraction Methods 0.000 claims description 128
- 239000013598 vector Substances 0.000 claims description 36
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000011282 treatment Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 10
- 208000027089 Parkinsonian disease Diseases 0.000 claims description 9
- 206010034010 Parkinsonism Diseases 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 14
- 208000024891 symptom Diseases 0.000 description 13
- 230000002829 reductive effect Effects 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 208000018737 Parkinson disease Diseases 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 206010056242 Parkinsonian gait Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 206010061533 Myotonia Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000029865 regulation of blood pressure Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
- A61N1/36067—Movement disorders, e.g. tremor or Parkinson disease
-
- 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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- 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
- A61B5/1101—Detecting tremor
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- 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
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/36128—Control systems
- A61N1/36135—Control systems using physiological parameters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于可穿戴设备的闭环DBS调控方法和***，包括：收集智能鞋、肌电臂环和可穿戴贴片采集的生理体征数据；基于生理体征数据进行特征提取，得到步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数、僵直指数、上肢异动指数、躯干异动指数、下肢异动指数；将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态作为训练标签，得到帕金森模型；将上肢异动指数、躯干异动指数和下肢移动指数作为训练特征，并将是否存在异动作为训练标签，得到调控模型；利用帕金森模型和调控模型的复合判断结果调节DBS的参数。本发明可以实时检测异常状态，发现异常状态及时对DBS进行精准调控。
Description
技术领域
本发明涉及医学计算机应用技术领域，具体涉及一种基于可穿戴设备的闭环DBS调控方法和***。
背景技术
帕金森病(以下文中皆由PD患者代指)是第二大常见的神经退行性疾病，其临床特点以静止性震颤、运动迟缓、肌强直和姿势步态障碍四大运动症状为主。在疾病中晚期，患者易出现运动并发症，包括运动症状波动和异动症，是临床治疗的难点，严重影响患者的工作能力及生活质量。目前对PD患者运动症状波动的评估主要依赖临床量表评估及患者日记，量表存在耗时长、评估复杂等不足，患者日记为主观性记录，存在回忆偏移和遗漏等缺点。因此，客观采集PD患者运动症状变化成为了临床医生及研究者的强烈需求。基于运动传感器的可穿戴设备具备操作便捷、客观定量、细致精准的特点，因此帕金森疾病临床症状的客观量化及数字化来实现帕金森精准治疗。
脑深部电刺激术(deep brain stimulation,DBS)是目前用于治疗PD患者的一种治疗手段，可明显改善病情。DBS疗法主要是将电极植入到患者脑内，运用脉冲发生器刺激其大脑深部的某些神经核，纠正异常的大脑电环路，从而减轻这些神经方面的症状。与永久性的不可调节和不可逆的损伤大脑的一些治疗方法(烧灼或放疗)不同，DBS并不破坏大脑结构，可以允许今后的进一步治疗。
DBS疗法应用过程中必须对DBS进行调控，进而达到抑制PD患者异常状态的目的，因此对于DBS设备的调控为重中之重，为现实对DBS设备的调控，出现了例如中国发明专利申请公开说明书CN114949595A公开的动态优化的神经感测的方法，应用于DBS调控，其具体做法为：通过植入式医疗装置(IMD)来确定引线的多个电极中用于在特定时间向患者递送电刺激的电极；通过IMD并且基于所确定的电极来选择多个电极中的电极组；以及通过IMD并且经由所选择的电极组来感测在特定时间所述患者的电信号。在其应用过程中临床医生需要借助编程器来控制植入式医疗装置将刺激传递给脑，同时还需要临床医生在刺激过程问询患者患者感受，进行进一步的调节。也就是说临床医生对DBS调控依据是对患者通过问询等方式的主观判断进行经验性的调控，患者对自身状态描述不清晰，导致调控难度增大等缺点。当出现症状时需要让患者到医院完成DBS调控，不能很好的对患者出现的异常状态进行实时监控及辅助刺激，也就是说患者必须通过医院的调控才能达到缓解异常症状，从而导致患者病症持续时间加长。
另外，目前医院对PD患者运动症状波动的评估主要依赖临床量表评估及患者日记，量表存在耗时长、评估复杂等不足，患者日记为主观性记录，存在回忆偏移和遗漏等问题导致无法对PD患者真实情况进行评估，不同的人对PD患者的评估有差异性，只能通过多人评估取均值的方法进行评估，而该方法存在耗时长，评估复杂等一系列缺点。
发明内容
鉴于上述问题，本发明实施例一种基于可穿戴设备的闭环DBS调控方法和***，解决现有的技术问题。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种基于可穿戴设备的闭环DBS调控方法，所述方法包括：
收集智能鞋采集的与左、右脚相关的脚部三轴加速度数据、脚部三轴角速度数据和脚部压力数据；收集肌电臂环采集的与上肢相关的肌电数据和上肢三轴角速度数据；收集可穿戴贴片采集的与躯干相关的躯干三轴加速度数据；
基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数；基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数和运动迟缓指数；基于脚部压力数据进行特征提取，得到平衡指数；基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数；基于肌电数据进行特征提取，得到僵直指数；基于上肢三轴角速度数据进行特征提取，得到上肢异动指数；基于躯干三轴加速度数据进行特征提取，得到躯干异动指数；基于脚部三轴加速度数据进行特征提取，得到下肢异动指数；
将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到帕金森模型；
将上肢异动指数、躯干异动指数和下肢移动指数作为训练特征，并将是否存在异动的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到调控模型；
利用帕金森模型和调控模型的复合判断结果调节DBS的参数。
第二方面，本发明提供一种基于可穿戴设备的闭环DBS调控***，该***包括：
数据收集模块：用于收集智能鞋采集的与左、右脚相关的脚部三轴加速度数据、脚部三轴角速度数据和脚部压力数据；收集肌电臂环采集的与上肢相关的肌电数据和上肢三轴角速度数据；收集可穿戴贴片采集的与躯干相关的躯干三轴加速度数据；
特征提取模块：用于基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数；基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数和运动迟缓指数；基于脚部压力数据进行特征提取，得到平衡指数；基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数；基于肌电数据进行特征提取，得到僵直指数；基于上肢三轴角速度数据进行特征提取，得到上肢异动指数；基于躯干三轴加速度数据进行特征提取，得到躯干异动指数；基于脚部三轴加速度数据进行特征提取，得到下肢异动指数；
第一模型训练模块：用于将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到帕金森模型；
第二模型训练模块：用于将上肢异动指数、躯干异动指数和下肢移动指数作为训练特征，并将是否存在异动的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到调控模型；
DBS调控模块：用于利用帕金森模型和调控模型的复合判断结果调节DBS的参数。
第三方面，本发明提供一种电子设备，包括：
处理器、存储器、与网关通信的接口；
存储器用于存储程序和数据，所述处理器调用存储器存储的程序，以执行第一方面任一项提供的一种基于可穿戴设备的闭环DBS调控方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行第一方面任一项提供的一种基于可穿戴设备的闭环DBS调控方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本发明创新的提出了闭环DBS调控的实现方法，通过两种模型的不同组合方式，共同完成对BDS设备的控制。本发明可以通过日常状态监控及异常状态监控提供真实有效的客观数据，帮助医生验证主观判断，减少评估耗时长，评估复杂等不足，对患者的状态进行实时记录，避免回忆偏移和遗漏等问题；通过可穿戴设备采集的客观数据提取的特征结合对自身状态的描述进行综合判断，提供可操作性降低调控难度，减少以往凭借主观经验的判断；可居家智能调控，调控及时，可以使PD患者不需要前往医院进行调控，复杂问题也可以通过模型给予准确的建议；并且可以向医生提供对应的客观数据，利用这些客观数据方便医生了解在基本调控以后仍没有解决PD患者异常状态的问题。总的来说，本发明是以实现闭环DBS调控为目的，利用可穿戴设备通过深度解析患者的生理体征数据定量化的驱动DBS的闭环精准调控。
附图说明
图1所示为本发明一实施例提供的一种基于可穿戴设备的闭环DBS调控方法流程示意图；
图2所示为本发明一实施例提供的一种基于可穿戴设备的闭环DBS调控方法的执行关系示意图；
图3所示为本发明一实施例提供的一种基于可穿戴设备的闭环DBS调控***的结构示意图；
图4所示为本发明一实施例中的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于现有技术的缺点，本发明实施例提供了一种基于可穿戴设备的闭环DBS调控方法的具体实施方式，如图1并结合图2所示，该方法具体包括：
S110:收集智能鞋采集的与左、右脚相关的脚部三轴加速度数据、脚部三轴角速度数据和脚部压力数据；收集肌电臂环采集的与上肢相关的肌电数据和上肢三轴角速度数据；收集可穿戴贴片采集的与躯干相关的躯干三轴加速度数据。
具体地，可穿戴设备是穿戴于人体并与人体接触的设备，本发明中使用的可穿戴设备包括智能鞋、肌电臂环和可穿戴贴片。其中智能鞋穿戴于PD患者的左右脚，智能鞋内设有三轴加速度传感器、三轴角速度传感器和压力传感器，利用三轴加速度传感器采集得到脚部三轴加速度数据，利用三轴角速度传感器采集得到脚部三轴角速度数据，利用压力传感器采集得到脚部压力数据(参见申请人于2022年5月3日公开的公开号为CN216416202U的一种用于缓解冻结步态的辅助鞋)；肌电臂环佩戴于人体上肢，肌电臂环上设有三轴角速度传感器和多个肌电采集电极(即多通道采集电极)，多通道是指肌电采集电极的数量至少为两个，也就是说肌电臂环有几个肌电采集电极，那么就对应有多少通道，利用肌电采集电极采集得到肌电数据，利用三轴角速度传感器采集得到上肢三轴角速度数据(参见申请人于2022年10月14日公开的公开号为CN216258992U的一种便携贴片式运动监测装置和于2022年2月25日公开的公开号为CN307129270S的便携式运动检测贴片)；可穿戴贴片贴于躯干处(即人体除头部以及四肢剩余的部位)上，可穿戴贴片内设有三轴加速度传感器，利用三轴加速度传感器采集得到躯干三轴加速度数据(参见申请人于2022年4月12日公开的公开号为CN307592055S的智能臂环(2)和于2022年10月14日公开的公开号为CN217588045U的一种用于肌电信号采集的电路结构)。
S120:基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数；基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数和运动迟缓指数；基于脚部压力数据进行特征提取，得到平衡指数；基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数；基于肌电数据进行特征提取，得到僵直指数；基于上肢三轴角速度数据进行特征提取，得到上肢异动指数；基于躯干三轴加速度数据进行特征提取，得到躯干异动指数；基于脚部三轴加速度数据进行特征提取，得到下肢异动指数。
具体地，本步骤是为了全方位获取客观生理体征数据的特征数据，通过对生理体征数据进行提取得到运动关期和开期相关的步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数，其次得到与运动异常相关的上肢异动指数、躯干异动指数和下肢异动指数。
S130:将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到帕金森模型(PM)。
具体地，PD患者和健康人穿戴好智能鞋、肌电臂环和可穿戴贴片后通过步骤S120提取步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数，同时由医生根据每人在每段时间的行为表现判断出关期状态和开期状态并对对应数据打上人工标签，并将开期状态和关期状态作为训练标签，将步骤S120提取的态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，输入至长短期记忆网络(LSTM)中进行训练，进而得到帕金森模型。此时帕金森模型已经训练完成，当输入来自PD患者的态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数时，帕金森模型将自动判断开期状态或关期状态并输出结果。
S140:将上肢异动指数、躯干异动指数和下肢移动指数作为训练特征，并将是否存在异动的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到调控模型(CM)。
具体地，PD患者和健康人穿戴好智能鞋、肌电臂环和可穿戴贴片后通过步骤S120提取上肢异动指数、躯干异动指数和下肢移动指数，同时由医生根据每人在每段时间的行为表现判断出有异动和无异动并对对应数据打上人工标签，并将有异动和无异动作为训练标签，将步骤S120提取的上肢异动指数、躯干异动指数和下肢移动指数作为训练特征，输入至长短期记忆网络(LSTM)中进行训练，进而得到调控模型。此时调控模型已经训练完成，当输入来自PD患者的上肢异动指数、躯干异动指数和下肢移动指数时，调控模型将自动判断有异动或无异动并输出结果。
S150:利用帕金森模型和调控模型的复合判断结果调节DBS的参数。
具体地，根据帕金森模型的输出结果为开期状态或关期状态，调控模型的输出结果为有异动或无异动，将帕金森模型和调控模型输出结果组合后作为复合判断结果，通过这种复合策略，可以解决单一的判断导致结果出现错误的问题，提高执行调控策略的精准度，同时避免因误判而导致DBS误动作。
在本实施例中，创新的提出了DBS闭环调控的实现方法，通过两种模型的不同组合方式，共同完成对BDS设备的控制。本实施例中可以通过日常状态监控及异常状态监控提供真实有效的客观数据，帮助医生验证主观判断，减少评估耗时长，评估复杂等不足，对患者的状态进行实时记录，避免回忆偏移和遗漏等问题；通过可穿戴设备采集的客观数据提取的特征结合对自身状态的描述进行综合判断，提供可操作性降低调控难度，减少以往凭借主观经验的判断；可居家智能调控，调控及时，可以使PD患者不需要前往医院进行调控，复杂问题也可以通过模型给予准确的建议；并且可以向医生提供对应的客观数据，利用这些客观数据方便医生了解在基本调控以后仍没有解决PD患者异常状态的问题。总的来说，本实施例是以实现闭环DBS调控为目的，利用可穿戴设备通过深度解析患者的生理体征数据定量化的驱动DBS的闭环精准调控。
在本发明一实施例中，在步骤S120中基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数包括：
S1.1：分别提取每只脚相关的脚部三轴加速度数据的Y轴加速度accy；
将Y轴加速度accy中连续出现的数值为第一阈值的数据段作为异常数据段，第一阈值优选为2；
S1.2将异常数据段中的值全部归零进行剔除，并采用滑动平均法对剔除后的数据进行滤波处理，采用数据归零的方法对异常数据段进行剔除，滑动平均法滤波时采用的滑动窗宽度优选为10，来降低干扰；
S1.3筛选滤波后Y轴加速度accy中大于第二阈值的所有的有效加速度数据段，并计算每个有效加速度数据段的长度，并记为Li1；第二阈值优选为0.1；
S1.4提取每个有效加速度数据段内加速度指数的最大值，并记为accmax,i；
S1.5利用步态变异特征提取模型得到步态变异指数；
步态变异特征提取模型为：
式中，GVS表示步态变异指数；w1、w2和w3表示权重值；nL1表示左脚有效加速度数据段的数量；nR1表示右脚有效加速度数据段的数量；Sm表示有效加速度数据段的长度与最大值乘积的标准差；Lm表示每个有效加速度数据段的长度的标准差；accmax,m表示每个有效加速度数据段中最大值的标准差；N1表示有效加速度数据段的数量；
其中，
式中，n表示有效加速度数据段的数量。
步态变异特征提取模型综合考虑了左脚和右脚步态变异情况，左脚和右脚数据处理过程均利用S1.1-S1.4执行，在数据处理过程中剔除了异常数据并进行了数据滤波处理，当数据获取完成后利用步态变异特征提取模型得到最终的步态变异指数，使得步态变异指数更客观准确，并对步态变异进行量化，以数值的方式直观呈现。
在步骤S120中，基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数包括：
S2.1：计算脚部三轴加速度数据中分量加速度accx、accy和accz在X、Y和Z轴方向上的矢量和，得到矢量加速度ACC；
矢量加速度ACC具体通过如下方式获得：
ACC＝axxx 2+axxy 2+axxz 2；
S2.2：计算脚部三轴角速度数据中分量角速度gyrx、gyry和gyrz在X、Y和Z轴方向上的矢量和，得到矢量角速度GYR；
矢量角速度GYR具体通过如下方式获得：
GYR＝gyrx 2+gyry 2+gyrz 2；
S2.3：对矢量加速度ACC和矢量角速度GYR进行均值滤波处理，得到加速度信号ACC0和角速度信号GYR0；
其中矢量加速度ACC的处理过程如下：
式中，ACC0i表示第i个加速度信号；ACCi表示第i个矢量加速度；fs表示采样率；ACCk矢量加速度的基线(即均值)；
加速度信号ACC0为ACC0i的集合。
矢量角速度GYR的处理过程如下：
式中，GYR0i表示第i个角速度信号；GYRi表示第i个矢量角速度；fs表示采样率；GYRk矢量角速度的基线(即均值)；
角速度信号GYR0为GYR0i的集合。
S2.4：统计加速度信号ACC0和角速度信号GYR0中与左脚相关的过零点的个数，分别得到左脚的加速度过零点个数NL_acc_0和角速度过零点个数NL_gyr_0；
S2.5：统计加速度信号ACC0和角速度信号GYR0中与右脚相关的过零点的个数，分别得到右脚的加速度过零点个数NR_acc_0和角速度过零点个数NR_gyr_0；
S2.6：利用震颤特征提取模型得到震颤指数；
震颤特征提取模型为：
式中，TRS表示震颤指数；max表示提取最大值；fs表示采样率。
采用上述方式得到的震颤指数可以对PD患者行走过程中震颤进行量化，以数值的方式直观呈现。
在步骤S120中，基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到运动迟缓指数包括：
S3.1：将脚部三轴加速度数据中分量加速度accx、accy和accz相加，得到总加速度；
S3.2：将脚部三轴角速度数据中分量角速度gyrx、gyry和gyrz相加，得到总角速度；
S3.3：计算总加速度和总角速度的一阶差分信号，将一阶差分信号的值全部转化为正值并进行排序，记录排名前四分之一的数据点位置，计算总加速度和总角速度在对应位置的均值作为基线，并计算总加速度和总角速度与基线的差值，得到一次滤波后的总加速度和总角速度；
S3.4：对一次滤波后的总加速度和总角速度用预定长度的滑动平均窗进行平滑处理，得到二次滤波后的总加速度信号accs和总角速度信号gyrx；滑动平均窗的长度优选为10；
S3.5：提取总加速度信号accs和总角速度信号gyrs中大于第三阈值的数据段的数据长度，得到总加速度信号accs大于第三阈值的数据段的数据长度Lau和总角速度信号gyrs大于第三阈值的数据段的数据长度Lgu；第三阈值优选为0.1；
S3.6：提取总加速度信号accs和总角速度信号gyrs中小于第三阈值的数据段的数据长度，得到总加速度信号accs小于第三阈值的数据段的数据长度Lal和总角速度信号gyrs小于第三阈值的数据段的数据长度Lgl；
S3.7：提取总加速度信号accs大于第三阈值的数据段中的最大值，得到加速度最大值Am；
S3.8：提取总角速度信号gyrs大于第三阈值的数据段中的最大值，得到角速度最大值Gm；
S3.9：利用运动迟缓特征提取模型得到运动迟缓指数；
运动迟缓特征提取模型为：
式中，BRS表示运动迟缓指数；ln表示取对数。
采用上述方式得到的运动迟缓指数可以对PD患者行走过程中运动迟缓进行量化，以数值的方式直观呈现。
在步骤S120中，基于脚部压力数据进行特征提取，得到平衡指数包括：
S4.1：利用压力阈值配置模型配脚部压力数据的第一压力阈值TH1；
压力阈值配置模型为：
式中，N2为脚部压力数据的数量；Pi表示第i脚部压力数据；Pmin表示脚部压力数据中的最小值；
S4.2：剔除脚部压力数据大于第一压力阈值TH1的数据段中数据段长度大于两倍采样频率的数据段，得到有效脚部压力数据段，并将有效脚部压力数据段的长度记为Li2；
S4.3：提取每个有效脚部压力数据段中脚部压力数据的最大压力值，并记为Pmax,i；
S4.4：利用平衡特征提取模型得到平衡指数；
平衡特征提取模型为：
式中，BAS表示平衡指数；ln表示取对数；nL2表示左脚有效脚部压力数据段的个数；nR2表示右脚有效脚部压力数据段的个数。
采用上述方式得到的平衡指数可以对PD患者行走过程中平衡性进行量化，以数值的方式直观呈现。
在步骤S120中，基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数包括：
S5.1：基于脚部压力数据采用滑动平均方法配置第二压力阈值TH2；滑动窗宽度优选为采样率fs的两倍；
S5.2：将脚部压力数据中大于第二压力阈值TH2的数据点标记为0代表走的状态，并将剩余数据点标记为1代表停的状态；
S5.3：提取被标记为0的数据段对应的脚部三轴角速度数据在Z轴方向的角速度gyrz最后时刻的角度变化量，得到转弯角度EU；
转弯角度EU具体通过如下方式获得：
式中，EU表示转弯角度；N4表示被标记为0的数据段的数量；表示取被标记为0的数据段中第i个Z轴方向的角速度；
S5.4：将转弯角度中大于第四阈值且连续出现次数超过三次的角度判断为一次转弯过程，将同一次转弯过程的左右脚的转弯角度连接成一个新的角度向量EULR；
具体地，第四阈值优选为10，度向量EULR为转弯过程中左脚和右脚的转弯角度的集合；
S5.5：利用冻结特征提取模型得到冻结指数；
冻结特征提取模型为：
式中，FOS为冻结指数；w4和w5为权重值；N3为转弯的次数；EULRi第i次转弯的角度向量；EULRm为所有转弯的角度向量的均值。
其中，
采用上述方式得到的冻结指数可以对PD患者行走过程中冻结步态进行量化，以数值的方式直观呈现。
在步骤S120中，基于肌电数据进行特征提取，得到僵直指数包括：
S6.1：采用巴特沃斯滤波器对肌电数据进行带通滤波，得到纯净的肌电信号EMG；肌电数据可由多个通道进行采集，也就是说有多少通道就得到几组肌电信号；
S6.2：将肌电信号EMG的数值全部转化为正值并用预定长度的滑动窗进行均值滤波，得到肌电信号包络线ENV；
S6.3：提取肌电信号EMG中大于肌电信号包络线ENV均值一半的数据段，并获取数据段的个数np，每个数据段的长度Ln，每个数据段的均值mn；
S6.4：对肌电信号EMG进行傅里叶变换，得到肌电频谱信号F；
S6.5：分别对100-200Hz和20-100Hz的肌电频谱信号求和，对应得到两个频段信号的第一能量值E1和第二能量值E2；即以100Hz为分界线进行特征提取；
S6.6：利用僵直特征提取模型得到僵直指数；
僵直特征提取模型为：
式中，RIS表示僵直指数；K表示采集肌电信号通道的数量；fs表示采样率。
采用上述方式得到的僵直指数可以对PD患者行走过程中僵直状态进行量化，以数值的方式直观呈现。
在步骤S120中，基于上肢三轴角速度数据进行特征提取，得到上肢异动指数包括：
S7.1：分别计算上肢三轴角速度数据在三个方向的角速度积分，得到三个方向的角度信号；
S7.2：分别提取每个方向的角度信号的角度极大值EUmax和角度极小值EUmin以及对应的角度极大值数量nmax和角度极小值数量nmin；
S7.3：按照时间顺序计算相邻两角度极大值EUmax或角度极小值EUmin之间的差值的绝对值并取均值，得到每个方向对应的角度极大值均值EUMmax和角度极小值均值EUMmin；
S7.4：利用上肢异动提取模型得到上肢异动指数；
上肢异动提取模型为：
式中，AMSu表示上肢异动指数；表示上肢X轴方向角度极大值均值；表示上肢X轴角度极小值均值；/>表示上肢Y轴方向角度极大值均值；表示上肢Y轴角度极小值均值；/>表示上肢Z轴方向角度极大值均值；表示上肢Z轴角度极小值均值；
采用上述方式得到的上肢异动指数可以对PD患者行走过程上肢异常状态进行量化，以数值的方式直观呈现。
在步骤S120中，基于躯干三轴加速度数据进行特征提取，得到躯干异动指数包括：
S8.1：对躯干三轴加速度数据的每个方向的加速度信号用预定长度的滑动平均窗进行平滑处理后计算在三个方向的加速度积分，得到三个方向的速度信号；滑动平均窗的宽度有选用10；
S8.2：分别提取每个方向的速度信号的极大值VEmax以及对应的速度极大值数量nmax；
S8.3：按照时间顺序计算相邻速度极大值VEmax之间的差值的绝对值并取均值，得到每个方向对应的速度极大值均值VEMmax；
S8.4：利用躯干异动提取模型得到躯干异动指数；
躯干异动提取模型为：
式中，AMSm表示躯干异动指数，表示躯干X轴方向速度极大值均值；表示躯干Y轴方向速度极大值均值；/>表示躯干Z轴方向速度极大值均值；
采用上述方式得到的躯干异动指数可以对PD患者行走过程躯干异常状态进行量化，以数值的方式直观呈现。
在步骤S120中，基于脚部三轴加速度数据进行特征提取，得到下肢异动指数包括：
S9.1：对脚部三轴加速度数据的每个方向的加速度信号用预定长度的滑动平均窗进行平滑处理后计算在三个方向的加速度积分，得到三个方向的速度信号；
S9.2：分别提取每个方向的速度信号的极大值VEmax以及对应的速度极大值数量nmax；
S9.3：按照时间顺序计算相邻速度极大值VEmax之间的差值的绝对值并取均值，得到每个方向对应的速度极大值均值VEMmax；
S1.4：利用下肢异动提取模型得到下肢异动指数；
下肢异动提取模型为：
式中，AMSl表示下肢异动指数，表示下肢X轴方向速度极大值均值；表示下肢Y轴方向速度极大值均值；/>表示下肢Z轴方向速度极大值均值。
下肢异动指数与躯干异常指数的特征提取方式相同(仅数据来源不同)，采用上述方式得到的下肢异动指数可以对PD患者行走过程躯干异常状态进行量化，以数值的方式直观呈现。
在本实施例中，提供了步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数、僵直指数、上肢异动指数、躯干异动指数、下肢异动指数的具体地提取过程，并在各个指数剔除过程中对数据进行了滤波处理，去除噪声并减少随机误差，使得最终提取到的指数能客观准确的表达各个运动异常。并且本实施例中各指数的特征提取是一种完全一帕金森患者症状为主的深度解析，而不是普通的以中位数众数、平均数、频率等常规统计方法为主的提取方式，达到了对帕金森临床症状的深度解析，数据更加客观，更贴合临床需求，是一种医工交叉的提取方式，更符合帕金森的临床诊疗常规。
在本发明一实施例中，步骤S150中利用帕金森模型和调控模型的复合判断结果调节DBS的参数包括：
定义帕金森模型的开期状态为1，关期状态为0；
定义调控模型的无异动为1，有异动为0；
若帕金森模型输出为1且调控模型输出为1，则无需向DBS发送调节指令；
若帕金森模型输出为1且调控模型输出为0，则向DBS发送降压指令；
若帕金森模型输出为0且调控模型输出为1，则向DBS发送升压指令；
若帕金森模型输出为0且调控模型输出为0，则发送患者及时就医提示信息。
为了更清晰的描述上述调控过程可以用如下公式进行表示：
更为具体地，当DBS收到调节指令后，根据获取到的DBS当前参数，电压(V)、频率(f)、脉宽(PW)，进行对应调整，帕金森模型：升压时，增幅为+0.2；调控模型：降低电压，降幅为-0.1。电压调整区间为：DBS当前参数的±50％。
每进行一次调整，当前发现关期状态时，判断是否进行调整，若是，则开始进行调整，调整完成后接收患者当前是否有异常感受的反馈信息，若反馈信息为无异常，则维持调整后的电压，之后继续监测患者关期状态，如果关期状态还存在，则重复上述操作，直至关期状态消失，当关期状态消失后，DBS维持调整后的参数状态运行。
在调控过程中，若发现当前出现关期状态，接收患者是否进行调整的反馈信息，若反馈信息为否，则提示及时就医；
调整完成后，接收患者当前是否有异常感受的反馈信息，若反馈信息为有，则中止升压，按照降压幅度进行降压，将重复上述操作，直至患者反馈信息为无，DBS维持调整后的参数状态。
在升压调控中，若升压到DBS参数的1.5倍后，监测关期状态仍然存在，则提示及时就医。
在降压调控中，若当降压到调控前DBS参数的0.5倍后，患者反馈信息扔为有异常，提示及时就医。
在本实施例中，提供了DBS的具体调控过程，通过客观数据，可以根据帕金森模型和调控模型的复合结果控制调节DBS的运行参数，当出现异常时及时介入，达到缓解患者症状的目的，减少患者病痛时间，实现帮助PD患者实时监控异常状态，发现即对PD患者的异常状态进行针对性居家调控，并提供相对应的建议。
基于同一发明构思，本申请实施例还提供了一种基于可穿戴设备的闭环DBS调控***，可以用于实现上述实施例所描述的一种基于可穿戴设备的闭环DBS调控方法，如下面的实施例所述。由于一种基于可穿戴设备的闭环DBS调控***解决问题的原理与一种基于可穿戴设备的闭环DBS调控方法相似，因此***的实施可以参见方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明提供了一种基于可穿戴设备的闭环DBS调控***，如图3所示，在图3中该***包括：
数据收集模块210：用于收集智能鞋采集的与左、右脚相关的脚部三轴加速度数据、脚部三轴角速度数据和脚部压力数据；收集肌电臂环采集的与上肢相关的肌电数据和上肢三轴角速度数据；收集可穿戴贴片采集的与躯干相关的躯干三轴加速度数据；
特征提取模块220：用于基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数；基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数和运动迟缓指数；基于脚部压力数据进行特征提取，得到平衡指数；基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数；基于肌电数据进行特征提取，得到僵直指数；基于上肢三轴角速度数据进行特征提取，得到上肢异动指数；基于躯干三轴加速度数据进行特征提取，得到躯干异动指数；基于脚部三轴加速度数据进行特征提取，得到下肢异动指数；
第一模型训练模块230：用于将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到帕金森模型；
第二模型训练模块240：用于将上肢异动指数、躯干异动指数和下肢移动指数作为训练特征，并将是否存在异动的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到调控模型；
DBS调控模块250：用于利用帕金森模型和调控模型的复合判断结果调节DBS的参数
本发明一实施例中，特征提取模块220中基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数包括：
分别提取每只脚相关的脚部三轴加速度数据的Y轴加速度accy；
将Y轴加速度accy中连续出现的数值为第一阈值的数据段作为异常数据段；
将异常数据段中的值全部归零进行剔除，并采用滑动平均法对剔除后的数据进行滤波处理；
筛选滤波后Y轴加速度accy中大于第二阈值的所有的有效加速度数据段，计算每个有效加速度数据段的长度，并记为Li1；
提取每个有效加速度数据段内加速度指数的最大值，并记为accmax,i；
利用步态变异特征提取模型得到步态变异指数；
所述步态变异特征提取模型为：
式中，GVS表示步态变异指数；w1、w2和w3表示权重值；nL1表示左脚有效加速度数据段的数量；nR1表示右脚有效加速度数据段的数量；Sm表示有效加速度数据段的长度与最大值乘积的标准差；Lm表示每个有效加速度数据段的长度的标准差；accmax,m表示每个有效加速度数据段中最大值的标准差；N1表示有效加速度数据段的数量。
本发明一实施例中，特征提取模块220中基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数包括：
计算脚部三轴加速度数据中分量加速度accx、accy和accz在X、Y和Z轴方向上的矢量和，得到矢量加速度ACC；
计算脚部三轴角速度数据中分量角速度gyrx、gyry和gyrz在X、Y和Z轴方向上的矢量和，得到矢量角速度GYR；
对矢量加速度ACC和矢量角速度GYR进行均值滤波处理，得到加速度信号ACC0和角速度信号GYR0；
统计加速度信号ACC0和角速度信号GYR0中与左脚相关的过零点的个数，分别得到左脚的加速度过零点个数NL_acc_0和角速度过零点个数NL_gyr_0；
统计加速度信号ACC0和角速度信号GYR0中与右脚相关的过零点的个数，分别得到右脚的加速度过零点个数NR_acc_0和角速度过零点个数NR_gyr_0；
利用震颤特征提取模型得到震颤指数；
所述震颤特征提取模型为：
式中，TRS表示震颤指数；max表示提取最大值；fs表示采样率。
本发明一实施例中，所述基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到运动迟缓指数包括：
将脚部三轴加速度数据中分量加速度accx、accy和accz相加，得到总加速度；
将脚部三轴角速度数据中分量角速度gyrx、gyry和gyrz相加，得到总角速度；
计算总加速度和总角速度的一阶差分信号，将一阶差分信号的值全部转化为正值并进行排序，记录排名前四分之一的数据点位置，计算总加速度和总角速度在对应位置的均值作为基线，并计算总加速度和总角速度与基线的差值，得到一次滤波后的总加速度和总角速度；
对一次滤波后的总加速度和总角速度用预定长度的滑动平均窗进行平滑处理，得到二次滤波后的总加速度信号accs和总角速度信号gyrs；
提取总加速度信号accs和总角速度信号gyrs中大于第三阈值的数据段的数据长度，得到总加速度信号accs大于第三阈值的数据段的数据长度Lau和总角速度信号gyrz大于第三阈值的数据段的数据长度Lgu；
提取总加速度信号accs和总角速度信号gyrs中小于第三阈值的数据段的数据长度，得到总加速度信号accs小于第三阈值的数据段的数据长度Lal和总角速度信号gyrs小于第三阈值的数据段的数据长度Lgl；
提取总加速度信号accs大于第三阈值的数据段中的最大值，得到加速度最大值Am；
提取总角速度信号gyrs大于第三阈值的数据段中的最大值，得到角速度最大值Gm；
利用运动迟缓特征提取模型得到运动迟缓指数；
所述运动迟缓特征提取模型为：
式中，BRS表示运动迟缓指数；ln表示取对数。
本发明一实施例中，特征提取模块220中基于脚部压力数据进行特征提取，得到平衡指数包括：
利用压力阈值配置模型配脚部压力数据的第一压力阈值TH1；
所述压力阈值配置模型为：
式中，N2为脚部压力数据的数量；Pi表示第i脚部压力数据；Pmin表示脚部压力数据中的最小值；
剔除脚部压力数据大于第一压力阈值TH1的数据段中数据段长度大于两倍采样频率的数据段，得到有效脚部压力数据段，并将有效脚部压力数据段的长度记为Li2；
提取每个有效脚部压力数据段中脚部压力数据的最大压力值，并记为Pmax,i；
利用平衡特征提取模型得到平衡指数；
所述平衡特征提取模型为：
式中，BAS表示平衡指数；ln表示取对数；nL2表示左脚有效脚部压力数据段的个数；nR2表示右脚有效脚部压力数据段的个数。
本发明一实施例中，特征提取模块220中基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数包括：
基于脚部压力数据采用滑动平均方法配置第二压力阈值TH2；
将脚部压力数据中大于第二压力阈值TH2的数据点标记为0代表走的状态，并将剩余数据点标记为1代表停的状态；
提取被标记为0的数据段对应的脚部三轴角速度数据在Z轴方向的角速度gyrz最后时刻的角度变化量，得到转弯角度；
将转弯角度中大于第四阈值且连续出现次数超过三次的角度判断为一次转弯过程，将同一次转弯过程的左右脚的转弯角度连接成一个新的角度向量EULR；
利用冻结特征提取模型得到冻结指数；
所述冻结特征提取模型为：
式中，FOS为冻结指数；w4和w5为权重值；N3为转弯的次数；EULRi第i次转弯的角度向量；EULRm为所有转弯的角度向量的均值。
本发明一实施例中，特征提取模块220中基于肌电数据进行特征提取，得到僵直指数包括：
采用巴特沃斯滤波器对肌电数据进行带通滤波，得到纯净的肌电信号EMG；
将肌电信号EMG的数值全部转化为正值并用预定长度的滑动窗进行均值滤波，得到肌电信号包络线ENV；
提取肌电信号EMG中大于肌电信号包络线ENV均值一半的数据段，并获取数据段的个数np，每个数据段的长度Ln，每个数据段的均值mn；
对肌电信号EMG进行傅里叶变换，得到肌电频谱信号F；
分别对100-200Hz和20-100Hz的肌电频谱信号求和，对应得到两个频段信号的第一能量值E1和第二能量值E2；
利用僵直特征提取模型得到僵直指数；
所述僵直特征提取模型为：
式中，RIS表示僵直指数；K表示采集肌电信号通道的数量；fs表示采样率。
本发明一实施例中，特征提取模块220中基于上肢三轴角速度数据进行特征提取，得到上肢异动指数包括：
分别计算上肢三轴角速度数据在三个方向的角速度积分，得到三个方向的角度信号；
分别提取每个方向的角度信号的角度极大值EUmax和角度极小值EUmin以及对应的角度极大值数量nmax和角度极小值数量nmin；
按照时间顺序计算相邻两角度极大值EUmax或角度极小值EUmin之间的差值的绝对值并取均值，得到每个方向对应的角度极大值均值EUMmax和角度极小值均值EUMmin；
利用上肢异动提取模型得到上肢异动指数；
所述上肢异动提取模型为：
式中，AMSu表示上肢异动指数；表示上肢X轴方向角度极大值均值；表示上肢X轴角度极小值均值；/>表示上肢Y轴方向角度极大值均值；表示上肢Y轴角度极小值均值；/>表示上肢Z轴方向角度极大值均值；表示上肢Z轴角度极小值均值；
特征提取模块220中基于躯干三轴加速度数据进行特征提取，得到躯干异动指数包括：
对躯干三轴加速度数据的每个方向的加速度信号用预定长度的滑动平均窗进行平滑处理后计算在三个方向的加速度积分，得到三个方向的速度信号；
分别提取每个方向的速度信号的极大值VEmax以及对应的速度极大值数量nmax；
按照时间顺序计算相邻速度极大值VEmax之间的差值的绝对值并取均值，得到每个方向对应的速度极大值均值VEMmax；
利用躯干异动提取模型得到躯干异动指数；
所述躯干异动提取模型为：
式中，AMSm表示躯干异动指数，表示躯干X轴方向速度极大值均值；表示躯干Y轴方向速度极大值均值；/>表示躯干Z轴方向速度极大值均值；
特征提取模块220中基于脚部三轴加速度数据进行特征提取，得到下肢异动指数包括：
对脚部三轴加速度数据的每个方向的加速度信号用预定长度的滑动平均窗进行平滑处理后计算在三个方向的加速度积分，得到三个方向的速度信号；
分别提取每个方向的速度信号的极大值VEmax以及对应的速度极大值数量nmax；
按照时间顺序计算相邻速度极大值VEmax之间的差值的绝对值并取均值，得到每个方向对应的速度极大值均值VEMmax；
利用下肢异动提取模型得到下肢异动指数；
所述下肢异动提取模型为：
式中，AMSl表示下肢异动指数，表示下肢X轴方向速度极大值均值；表示下肢Y轴方向速度极大值均值；/>表示下肢Z轴方向速度极大值均值。
本发明一实施例中，DBS调控模块250中利用帕金森模型和调控模型的复合判断结果调节DBS的参数包括：
定义帕金森模型的开期状态为1，关期状态为0；
定义调控模型的无异动为1，有异动为0；
若帕金森模型输出为1且调控模型输出为1，则无需向DBS发送调节指令；
若帕金森模型输出为1且调控模型输出为0，则向DBS发送降压指令；
若帕金森模型输出为0且调控模型输出为1，则向DBS发送升压指令；
若帕金森模型输出为0且调控模型输出为0，则发送患者及时就医提示信息。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图4，电子设备300具体包括如下内容：
处理器310、存储器320、通信单元330和总线340；
其中，处理器310、存储器320、通信单元330通过总线340完成相互间的通信；通信单元330用于实现服务器端设备以及终端设备等相关设备之间的信息传输。
处理器310用于调用存储器320中的计算机程序，处理器执行计算机程序时实现上述实施例中的一种基于可穿戴设备的闭环DBS调控方法中的全部步骤。
本领域普通技术人员应理解：存储器可以是，但不限于，随机存取存储器(RandomAccess Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。进一步地，上述存储器内的软件程序以及模块还可包括操作***，其可包括各种用于管理***任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
处理器可以是一种集成电路芯片，具有指数的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Process ing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行前述任一方法实施例提供的一种基于可穿戴设备的闭环DBS调控方法。
本领域普通技术人员应理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质，具体的介质类型本申请不做限制。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (9)
1.一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述方法包括：
收集智能鞋采集的与左、右脚相关的脚部三轴加速度数据、脚部三轴角速度数据和脚部压力数据；收集肌电臂环采集的与上肢相关的肌电数据和上肢三轴角速度数据；收集可穿戴贴片采集的与躯干相关的躯干三轴加速度数据；
基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数；基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数和运动迟缓指数；基于脚部压力数据进行特征提取，得到平衡指数；基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数；基于肌电数据进行特征提取，得到僵直指数；基于上肢三轴角速度数据进行特征提取，得到上肢异动指数；基于躯干三轴加速度数据进行特征提取，得到躯干异动指数；基于脚部三轴加速度数据进行特征提取，得到下肢异动指数；
将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到帕金森模型；
将上肢异动指数、躯干异动指数和下肢异动指数作为训练特征，并将是否存在异动的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到调控模型；
利用帕金森模型和调控模型的复合判断结果调节DBS的参数；
所述利用帕金森模型和调控模型的复合判断结果调节DBS的参数包括：
定义帕金森模型的开期状态为1，关期状态为0；
定义调控模型的无异动为1，有异动为0；
若帕金森模型输出为1且调控模型输出为1，则无需向DBS发送调节指令；
若帕金森模型输出为1且调控模型输出为0，则向DBS发送降压指令；
若帕金森模型输出为0且调控模型输出为1，则向DBS发送升压指令；
若帕金森模型输出为0且调控模型输出为0，则发送患者及时就医提示信息。
2.如权利要求1所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数包括：
分别提取每只脚相关的脚部三轴加速度数据的Y轴加速度accy；
将Y轴加速度accy中连续出现的数值为第一阈值的数据段作为异常数据段；
将异常数据段中的值全部归零进行剔除，并采用滑动平均法对剔除后的数据进行滤波处理；
筛选滤波后Y轴加速度accy中大于第二阈值的所有的有效加速度数据段，计算每个有效加速度数据段的长度，并记为Li1；
提取每个有效加速度数据段内加速度指数的最大值，并记为accmax,i；
利用步态变异特征提取模型得到步态变异指数；
所述步态变异特征提取模型为：
式中，GVS表示步态变异指数；w1、w2和w3表示权重值；nL1表示左脚有效加速度数据段的数量；nR1表示右脚有效加速度数据段的数量；Sm表示有效加速度数据段的长度与最大值乘积的标准差；Lm表示每个有效加速度数据段的长度的标准差；accmax,m表示每个有效加速度数据段中最大值的标准差；N1表示有效加速度数据段的数量。
3.如权利要求2所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数包括：
计算脚部三轴加速度数据中分量加速度accx、accy和accz在X、Y和Z轴方向上的矢量和，得到矢量加速度ACC；
计算脚部三轴角速度数据中分量角速度gyrx、gyry和gyrz在X、Y和Z轴方向上的矢量和，得到矢量角速度GYR；
对矢量加速度ACC和矢量角速度GYR进行均值滤波处理，得到加速度信号ACC0和角速度信号GYR0；
统计加速度信号ACC0和角速度信号GYR0中与左脚相关的过零点的个数，分别得到左脚的加速度过零点个数NL_acc_0和角速度过零点个数NL_gyr_0；
统计加速度信号ACC0和角速度信号GYR0中与右脚相关的过零点的个数，分别得到右脚的加速度过零点个数NR_acc_0和角速度过零点个数NR_gyr_0；
利用震颤特征提取模型得到震颤指数；
所述震颤特征提取模型为：
式中，TRS表示震颤指数；max表示提取最大值；fs表示采样率。
4.如权利要求1所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到运动迟缓指数包括：
将脚部三轴加速度数据中分量加速度accx、accy和accz相加，得到总加速度；
将脚部三轴角速度数据中分量角速度gyrx、gyry和gyrz相加，得到总角速度；
计算总加速度和总角速度的一阶差分信号，将一阶差分信号的值全部转化为正值并进行排序，记录排名前四分之一的数据点位置，计算总加速度和总角速度在对应位置的均值作为基线，并计算总加速度和总角速度与基线的差值，得到一次滤波后的总加速度和总角速度；
对一次滤波后的总加速度和总角速度用预定长度的滑动平均窗进行平滑处理，得到二次滤波后的总加速度信号accs和总角速度信号gyrs；
提取总加速度信号accs和总角速度信号gyrs中大于第三阈值的数据段的数据长度，得到总加速度信号accs大于第三阈值的数据段的数据长度Lau和总角速度信号gyrs大于第三阈值的数据段的数据长度Lgu；
提取总加速度信号accs和总角速度信号gyrs中小于第三阈值的数据段的数据长度，得到总加速度信号accs小于第三阈值的数据段的数据长度Lal和总角速度信号gyrs小于第三阈值的数据段的数据长度Lgl；
提取总加速度信号accs大于第三阈值的数据段中的最大值，得到加速度最大值Am；
提取总角速度信号gyrs大于第三阈值的数据段中的最大值，得到角速度最大值Gm；
利用运动迟缓特征提取模型得到运动迟缓指数；
所述运动迟缓特征提取模型为：
式中，BRS表示运动迟缓指数；ln表示取对数。
5.如权利要求1所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于脚部压力数据进行特征提取，得到平衡指数包括：
利用压力阈值配置模型配脚部压力数据的第一压力阈值TH1；
所述压力阈值配置模型为：
式中，N2为脚部压力数据的数量；Pi表示第i脚部压力数据；Pmin表示脚部压力数据中的最小值；
剔除脚部压力数据大于第一压力阈值TH1的数据段中数据段长度大于两倍采样频率的数据段，得到有效脚部压力数据段，并将有效脚部压力数据段的长度记为Li2；
提取每个有效脚部压力数据段中脚部压力数据的最大压力值，并记为Pmax,i；
利用平衡特征提取模型得到平衡指数；
所述平衡特征提取模型为：
式中，BAS表示平衡指数；ln表示取对数；nL2表示左脚有效脚部压力数据段的个数；nR2表示右脚有效脚部压力数据段的个数。
6.如权利要求1所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数包括：
基于脚部压力数据采用滑动平均方法配置第二压力阈值TH2；
将脚部压力数据中大于第二压力阈值TH2的数据点标记为0代表走的状态，并将剩余数据点标记为1代表停的状态；
提取被标记为0的数据段对应的脚部三轴角速度数据在Z轴方向的角速度gyrz最后时刻的角度变化量，得到转弯角度；
将转弯角度中大于第四阈值且连续出现次数超过三次的角度判断为一次转弯过程，将同一次转弯过程的左右脚的转弯角度连接成一个新的角度向量EULR；
利用冻结特征提取模型得到冻结指数；
所述冻结特征提取模型为：
式中，FOS为冻结指数；w4和w5为权重值；N3为转弯的次数；EULRi第i次转弯的角度向量；EULRm为所有转弯的角度向量的均值。
7.如权利要求1所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于肌电数据进行特征提取，得到僵直指数包括：
采用巴特沃斯滤波器对肌电数据进行带通滤波，得到纯净的肌电信号EMG；
将肌电信号EMG的数值全部转化为正值并用预定长度的滑动窗进行均值滤波，得到肌电信号包络线ENV；
提取肌电信号EMG中大于肌电信号包络线ENV均值一半的数据段，并获取数据段的个数np，每个数据段的长度Ln，每个数据段的均值mn；
对肌电信号EMG进行傅里叶变换，得到肌电频谱信号F；
分别对100-200Hz和20-100Hz的肌电频谱信号求和，对应得到两个频段信号的第一能量值E1和第二能量值E2；
利用僵直特征提取模型得到僵直指数；
所述僵直特征提取模型为：
式中，RIS表示僵直指数；K表示采集肌电信号通道的数量；fs表示采样率。
8.如权利要求1所述的一种基于可穿戴设备的闭环DBS调控方法，其特征在于，所述基于上肢三轴角速度数据进行特征提取，得到上肢异动指数包括：
分别计算上肢三轴角速度数据在三个方向的角速度积分，得到三个方向的角度信号；
分别提取每个方向的角度信号的角度极大值EUmax和角度极小值EUmin以及对应的角度极大值数量nmax和角度极小值数量nmin；
按照时间顺序计算相邻两角度极大值EUmax或角度极小值EUmin之间的差值的绝对值并取均值，得到每个方向对应的角度极大值均值EUMmax和角度极小值均值EUMmin；
利用上肢异动提取模型得到上肢异动指数；
所述上肢异动提取模型为：
式中，AMSu表示上肢异动指数；表示上肢X轴方向角度极大值均值；/>表示上肢X轴角度极小值均值；/>表示上肢Y轴方向角度极大值均值；/>表示上肢Y轴角度极小值均值；/>表示上肢Z轴方向角度极大值均值；/>表示上肢Z轴角度极小值均值；
所述基于躯干三轴加速度数据进行特征提取，得到躯干异动指数包括：
对躯干三轴加速度数据的每个方向的加速度信号用预定长度的滑动平均窗进行平滑处理后计算在三个方向的加速度积分，得到三个方向的速度信号；
分别提取每个方向的速度信号的极大值VEmax以及对应的速度极大值数量nmax；
按照时间顺序计算相邻速度极大值VEmax之间的差值的绝对值并取均值，得到每个方向对应的速度极大值均值VEMmax；
利用躯干异动提取模型得到躯干异动指数；
所述躯干异动提取模型为：
式中，AMSm表示躯干异动指数，表示躯干X轴方向速度极大值均值；/>表示躯干Y轴方向速度极大值均值；/>表示躯干Z轴方向速度极大值均值；
所述基于脚部三轴加速度数据进行特征提取，得到下肢异动指数包括：
对脚部三轴加速度数据的每个方向的加速度信号用预定长度的滑动平均窗进行平滑处理后计算在三个方向的加速度积分，得到三个方向的速度信号；
分别提取每个方向的速度信号的极大值VEmax以及对应的速度极大值数量nmax；
按照时间顺序计算相邻速度极大值VEmax之间的差值的绝对值并取均值，得到每个方向对应的速度极大值均值VEMmax；
利用下肢异动提取模型得到下肢异动指数；
所述下肢异动提取模型为：
式中，AMSl表示下肢异动指数，表示下肢X轴方向速度极大值均值；/>表示下肢Y轴方向速度极大值均值；/>表示下肢Z轴方向速度极大值均值。
9.一种基于可穿戴设备的闭环DBS调控***，其特征在于，所述***包括：
数据收集模块：用于收集智能鞋采集的与左、右脚相关的脚部三轴加速度数据、脚部三轴角速度数据和脚部压力数据；收集肌电臂环采集的与上肢相关的肌电数据和上肢三轴角速度数据；收集可穿戴贴片采集的与躯干相关的躯干三轴加速度数据；
特征提取模块：用于基于脚部三轴加速度数据在Y轴方向的加速度进行特征提取，得到步态变异指数；基于脚部三轴加速度数据和脚部三轴角速度数据进行特征提取，得到震颤指数和运动迟缓指数；基于脚部压力数据进行特征提取，得到平衡指数；基于脚部压力数据和脚部三轴角速度数据在Z轴方向的角速度进行特征提取，得到冻结指数；基于肌电数据进行特征提取，得到僵直指数；基于上肢三轴角速度数据进行特征提取，得到上肢异动指数；基于躯干三轴加速度数据进行特征提取，得到躯干异动指数；基于脚部三轴加速度数据进行特征提取，得到下肢异动指数；
第一模型训练模块：用于将步态变异指数、震颤指数、运动迟缓指数、平衡指数、冻结指数和僵直指数作为训练特征，并将开期或关期状态的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到帕金森模型；
第二模型训练模块：用于将上肢异动指数、躯干异动指数和下肢异动指数作为训练特征，并将是否存在异动的人工标签作为训练标签，输入到长短期记忆网络中进行训练，得到调控模型；
DBS调控模块：用于利用帕金森模型和调控模型的复合判断结果调节DBS的参数；所述利用帕金森模型和调控模型的复合判断结果调节DBS的参数包括：
定义帕金森模型的开期状态为1，关期状态为0；
定义调控模型的无异动为1，有异动为0；
若帕金森模型输出为1且调控模型输出为1，则无需向DBS发送调节指令；
若帕金森模型输出为1且调控模型输出为0，则向DBS发送降压指令；
若帕金森模型输出为0且调控模型输出为1，则向DBS发送升压指令；
若帕金森模型输出为0且调控模型输出为0，则发送患者及时就医提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428526.5A CN117298449B (zh) | 2023-10-31 | 2023-10-31 | 一种基于可穿戴设备的闭环dbs调控方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428526.5A CN117298449B (zh) | 2023-10-31 | 2023-10-31 | 一种基于可穿戴设备的闭环dbs调控方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117298449A CN117298449A (zh) | 2023-12-29 |
| CN117298449B true CN117298449B (zh) | 2024-04-09 |
Family
ID=89246424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311428526.5A Active CN117298449B (zh) | 2023-10-31 | 2023-10-31 | 一种基于可穿戴设备的闭环dbs调控方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117298449B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106377837A (zh) * | 2016-09-19 | 2017-02-08 | 天津大学 | 基于步态识别的功能性肌肉电刺激助行装置及控制方法 |
| CN206197948U (zh) * | 2016-07-19 | 2017-05-31 | 泉州装备制造研究所 | 量化检测帕金森运动症状的可穿戴智能设备 |
| CN106725504A (zh) * | 2016-11-24 | 2017-05-31 | 苏州大学附属第二医院 | 一种多节点运动监测的可穿戴设备及其监测方法 |
| CN108629304A (zh) * | 2018-04-26 | 2018-10-09 | 深圳市臻络科技有限公司 | 一种冻结步态在线检测方法 |
| CN108742612A (zh) * | 2018-05-24 | 2018-11-06 | 杭州航弈生物科技有限责任公司 | 基于肌电标志物的dbs有效性检测设备 |
| CN110946556A (zh) * | 2019-12-27 | 2020-04-03 | 南京信息工程大学 | 基于可穿戴式体感网的帕金森静息态震颤评估方法 |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN112617807A (zh) * | 2020-12-31 | 2021-04-09 | 中国科学院合肥物质科学研究院 | 一种预防和解除帕金森病患者冻结步态的装置和方法 |
| CN112656406A (zh) * | 2021-01-27 | 2021-04-16 | 山东农业大学 | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 |
| CN112691292A (zh) * | 2021-01-12 | 2021-04-23 | 天津大学 | 基于可穿戴智能设备的帕金森闭环深部脑刺激*** |
| CN215651118U (zh) * | 2021-06-01 | 2022-01-28 | 江苏省人民医院（南京医科大学第一附属医院） | 一种帕金森病患者异动症识别装置 |
| CN113975634A (zh) * | 2021-12-08 | 2022-01-28 | 杭州范斯凯科技有限公司 | 左右手穿戴识别方法、装置、腕带医疗设备和存储介质 |
| CN114246596A (zh) * | 2020-09-11 | 2022-03-29 | 首都医科大学附属北京天坛医院 | 一种应用于dbs治疗帕金森病患者疗效的评估方法 |
| CN114259651A (zh) * | 2022-01-17 | 2022-04-01 | 天津大学 | 一种针对帕金森疾病的主动式实时闭环电刺激*** |
| CN115486815A (zh) * | 2022-06-27 | 2022-12-20 | 青岛大学 | 一种帕金森病手颤的三维姿态实时分析***及方法 |
| WO2023108315A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 基于步可穿戴传感器的步态分析与异常检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8702629B2 (en) * | 2005-03-17 | 2014-04-22 | Great Lakes Neuro Technologies Inc. | Movement disorder recovery system and method for continuous monitoring |
| WO2008030405A2 (en) * | 2006-09-06 | 2008-03-13 | Individual Monitoring Systems, Inc | Fully ambulatory, self-contained gait monitor |
| US9238142B2 (en) * | 2012-09-10 | 2016-01-19 | Great Lakes Neurotechnologies Inc. | Movement disorder therapy system and methods of tuning remotely, intelligently and/or automatically |
| US20230180893A1 (en) * | 2020-05-20 | 2023-06-15 | Feetme | Insole and stimulation method |
-
2023
- 2023-10-31 CN CN202311428526.5A patent/CN117298449B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206197948U (zh) * | 2016-07-19 | 2017-05-31 | 泉州装备制造研究所 | 量化检测帕金森运动症状的可穿戴智能设备 |
| CN106377837A (zh) * | 2016-09-19 | 2017-02-08 | 天津大学 | 基于步态识别的功能性肌肉电刺激助行装置及控制方法 |
| CN106725504A (zh) * | 2016-11-24 | 2017-05-31 | 苏州大学附属第二医院 | 一种多节点运动监测的可穿戴设备及其监测方法 |
| CN108629304A (zh) * | 2018-04-26 | 2018-10-09 | 深圳市臻络科技有限公司 | 一种冻结步态在线检测方法 |
| CN108742612A (zh) * | 2018-05-24 | 2018-11-06 | 杭州航弈生物科技有限责任公司 | 基于肌电标志物的dbs有效性检测设备 |
| CN110946556A (zh) * | 2019-12-27 | 2020-04-03 | 南京信息工程大学 | 基于可穿戴式体感网的帕金森静息态震颤评估方法 |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN114246596A (zh) * | 2020-09-11 | 2022-03-29 | 首都医科大学附属北京天坛医院 | 一种应用于dbs治疗帕金森病患者疗效的评估方法 |
| CN112617807A (zh) * | 2020-12-31 | 2021-04-09 | 中国科学院合肥物质科学研究院 | 一种预防和解除帕金森病患者冻结步态的装置和方法 |
| CN112691292A (zh) * | 2021-01-12 | 2021-04-23 | 天津大学 | 基于可穿戴智能设备的帕金森闭环深部脑刺激*** |
| CN112656406A (zh) * | 2021-01-27 | 2021-04-16 | 山东农业大学 | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 |
| CN215651118U (zh) * | 2021-06-01 | 2022-01-28 | 江苏省人民医院（南京医科大学第一附属医院） | 一种帕金森病患者异动症识别装置 |
| CN113975634A (zh) * | 2021-12-08 | 2022-01-28 | 杭州范斯凯科技有限公司 | 左右手穿戴识别方法、装置、腕带医疗设备和存储介质 |
| WO2023108315A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 基于步可穿戴传感器的步态分析与异常检测方法 |
| CN114259651A (zh) * | 2022-01-17 | 2022-04-01 | 天津大学 | 一种针对帕金森疾病的主动式实时闭环电刺激*** |
| CN115486815A (zh) * | 2022-06-27 | 2022-12-20 | 青岛大学 | 一种帕金森病手颤的三维姿态实时分析***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117298449A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11160979B1 (en) | Method and system for tuning of movement disorder therapy devices | |
| EP3856330B1 (en) | Predictive therapy neurostimulation systems | |
| US20210077032A1 (en) | Classifying seizures as epileptic or non-epileptic using extra-cerebral body data | |
| Lauer et al. | Application of a neuro-fuzzy network for gait event detection using electromyography in the child with cerebral palsy | |
| CN102626538B (zh) | 基于睡眠检测的集成式闭环脑深部刺激器 | |
| CN112353368B (zh) | 一种基于反馈调节的多输入信号癫痫发作检测*** | |
| EP2429644A1 (en) | Patient state detection based on support vector machine based algorithm | |
| CN115463344A (zh) | 一种计算机可读存储介质 | |
| CN112691292B (zh) | 基于可穿戴智能设备的帕金森闭环深部脑刺激*** | |
| CN113577559B (zh) | 基于多信号的闭环深部脑刺激装置、***及设备 | |
| CN116313029B (zh) | 一种数字针灸动态控制优化的方法、***和装置 | |
| CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警*** | |
| CN105125186B (zh) | 一种确定干预治疗方式的方法及*** | |
| CN114259651A (zh) | 一种针对帕金森疾病的主动式实时闭环电刺激*** | |
| Powell et al. | Parkinson’s disease is associated with greater regularity of repetitive voluntary movements | |
| CN117298449B (zh) | 一种基于可穿戴设备的闭环dbs调控方法和*** | |
| CN113426015A (zh) | 深部脑内刺激的干预方法、装置、电子设备及存储介质 | |
| Hung et al. | Introduction to Biomedical Signals and Their Applications | |
| US11918810B1 (en) | Method and system for tuning of movement disorder therapy devices | |
| CN105310695A (zh) | 异动症评估设备 | |
| US20220133211A1 (en) | Measurement unit and monitoring system for monitoring indicator of parkinson's disease in person | |
| CN117017234B (zh) | 多参数集成麻醉监测与分析*** | |
| Hortal et al. | Starting and finishing gait detection using a BMI for spinal cord injury rehabilitation | |
| US20230181094A1 (en) | Classifying seizures as epileptic or non-epileptic using extra-cerebral body data | |
| CN117323537A (zh) | 一种用于精神状态调节的头盔 |
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 |