帕金森病步态信号的非线性波动分析

摘要

原发性帕金森病(Parkinson's disease，PD)是一种慢性运动功能障碍性疾病，其病症是一个逐渐恶化的过程，而步态障碍是它早期的症状。步态的检测和分析能够为PD的早期诊断提供依据，帮助医生采用适当的治疗或着手术来防止疾病的进一步恶化。迈步周期信号(stride time signals)是由压力敏感系统采集到的垂直地面反作用力预处理后的步态信号，可以作为一种无创的帕金森病早期检测技术。计算机辅助迈步周期信号分析，能够有效提高信号分类的准确率，有利于患者病情的临床诊断。
　　首先，本文采用非线性信号分析方法提取了47名受试者右脚的迈步周期信号的多种特征，包括Higuchi分形维数(Higuchi fractal dimension，HFD)、转向计数(signal turns count，STC)、近似熵(approximate entropy, ApEn)、符号熵(normalized corrected Shannon entropy，NCSE)和AR模型自回归系数。结果显示，相比于正常人，帕金森病患者的这些非线性特征值均比较大且具有显著性差异，这表明了PD患者的步态动力学更加随机、复杂。
　　接着，本文提出采用留一交叉验证法的Fisher线性判别分析(FLDA)、支持向量机(SVM)、广义线性模型(GLM)和多层感知神经网络分类器(MLP)对迈步周期信号进行分类。其中，1）基于STC特征，SVM分类的总准确率为87.23％，其ROC曲线下的面积(Az)为0.8889，优于FLDA和GLM（准确率均为85.11％），FLDA的Az为0.8812，GLM的Az为0.8822，而MLP的分类效果最差（准确率为82.98％）。2）基于HFD特征，SVM、FLDA和GLM的分类效果是一样的，它们的准确率为85.11％，对PD患者的迈步周期信号比较敏感（灵敏度为0.931）。3）基于AR(4)自回归系数特征，SVM得到较高的准确率78.72％，特异度为0.8889，其Az为0.8084。4）ApEn和NCSE这两个熵的特征对于迈步周期信号的分类比较不理想，SVM得到的分类准确率约为70％。

目录

声明

摘要

第一章 绪论

1．1 引言

1．1．1 帕金森病的病理简介

1．1．2 帕金森病的症状

1．1．3 帕金森病的病情分级

1．2 研究意义

1．3 国内外研究现状及分析

1．4 本文的工作和组织架构

第二章 步态信号

2．1 步态

2．1．1 正常步态的特征

2．1．2 异常步态的特点

2．2 步态分析

2．2．1 定性分析

2．2．2 定量分析

2．3 本章小结

第三章 迈步周期信号的获取与预处理

3．1 迈步周期信号采集和数据集描述

3．2 迈步周期信号预处理

3．3 本章小结

第四章 迈步周期信号的特征提取

4．1 Higuchi分形维数

4．2 固定阈值的转向计数

4．3 基于熵理论的信号复杂性分析

4．3．1 熵的基本概念

4．3．2 近似熵

4．3．3 符号熵

4．4 AR模型

4．5 本章小结

第五章 帕金森病患者的异常迈步周期信号分类

5．1 Fisher线性判别分析

5．2 支持向量机

5．3 广义线性模型

5．4 多层感知神经网络分类器

5．5 分类性能评估

5．6 分类结果与分析

5．7 本章小结

第六章 总结与展望

参考文献

致谢

硕士期间发表的学术论文及获奖情况