基于多元多尺度熵的帕金森病患者静态平衡能力评估装置

摘要

本发明提供一种基于多元多尺度熵的帕金森病患者静态平衡能力评估装置，所述装置包括设计模块、选取模块、可穿戴惯性传感器、归一化模块、粗粒化模块、嵌入模块、计算模块以及评估模块。本发明通过可穿戴惯性传感器采集测试对象在不同动作范式下的原始时间序列，选取多元多尺度模糊熵作为评估静态平衡能力的评估指标，通过归一化模块、粗粒化模块、嵌入模块、计算模块以及评估模块给出客观的评估结果，可以对帕金森病患者的静态平衡能力进行客观评估，可作为辅助用于临床诊断帕金森病，增加诊断的准确率，减轻医护人员和患者的负担。

说明书

技术领域

本发明属于静态平衡能力评估技术领域，具体涉及一种基于多元多尺度熵的帕金森病患者静态平衡能力评估装置。

背景技术

平衡能力指人体在站立、走路、转弯等日常活动中控制身体重心的能力，而姿势平衡障碍是帕金森病(Parkinson's disease，PD)常见的运动症状。对PD病人的静态平衡能力进行客观评价，不仅有助于PD的临床早期诊断，而且可以对患者的病情进展和药物疗效进行长期动态观察。

目前，临床上主要通过相关平衡量表来评价患者的静态平衡能力，医生凭借自身经验并根据患者自身的表现和反馈对世界运动障碍学会帕金森病综合评分量表(MDS-UPDRS)上的平衡项目进行打分，最终评价患者的平衡能力。该方法不需要任何仪器，简单方便，能对平衡功能障碍进行初步判断，但该方法由于其主观性强、缺乏量化，可信度和敏感性均较低。另一种常见的方法为使用平衡测量仪进行测量。该方法主要通过压力传感器记录人体压力重心的摆动轨迹，反应人体重心的摆动，从而提供直观量化的评估数据和测量数据，但由于平衡测量仪价格过高，且不方便携带，目前临床使用较少。

随着微电子、传感器技术的进步以及计算机技术的广泛应用，使用仪器量化测量运动症状水平，进而对帕金森病病情进行评估的手段和应用也不断增加。可穿戴惯性传感器已经应用于对帕金森病患者静态平衡能力的检测中。

近年来，“熵”这一概念逐渐引入生理医学领域，用于分析生理信号的“复杂度”。目前，已有一些研究采用熵特征分析心电和呼吸信号，人体平衡也已被证明表现出复杂的动力学特性。传统多元多尺度熵具有计算量小、抗野点能力强的优点，但传统算法在处理有限长时间序列的过程中会造成部分数据丢失，致使随机误差增大，并且传统算法关于阈值的选取也会对系统的稳定性有所影响。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于多元多尺度熵的帕金森病患者静态平衡能力评估装置。

本发明提供一种基于多元多尺度熵的帕金森病患者静态平衡能力评估装置，所述装置包括：

设计模块，用于设计评估静态平衡能力的各动作范式，所述动作范式包括睁眼静止站立动作范式和闭眼静止站立动作范式；

选取模块，用于选取多元多尺度模糊熵作为评估静态平衡能力的评估指标；

可穿戴惯性传感器，用于采集测试对象在不同动作范式下的原始时间序列；

归一化模块，用于对所述原始时间序列进行数据归一化处理，以获得归一化后的时间序列；

粗粒化模块，用于在各尺度上采用滑动平均的方法对所述归一化后的时间序列进行粗粒化；

嵌入模块，用于对所述粗粒化后的时间序列进行多元嵌入，嵌入维数为m，生成多变量的多元嵌入向量；

计算模块，用于计算任意两个所述多元嵌入向量之间的切比雪夫距离的最大模；以及，

所述计算模块，还用于根据所述任意两个所述多元嵌入向量之间的切比雪夫距离的最大模不超过预设阈值的数目，计算得到m维空间中任意两个所述多元嵌入向量之间相似度的第一概率；以及，

所述计算模块，还用于将所述多元嵌入向量由m维扩张到m+1维，计算m+1维空间中任意两个所述多元嵌入向量之间相似度的第二概率；

评估模块，用于根据所述第一概率和所述第二概率，计算得出所述多元多尺度模糊熵，以对所述测试对象的静态平衡能力进行评估。

在一些可选地实施方式中，所述归一化模块用于：

对所述原始时间序列进行数据归一化处理，将所述原始时间序列的数据值映射到[-1,1]内，以获得归一化后的时间序列。

在一些可选地实施方式中，所述粗粒化模块用于：

在各尺度上采用滑动平均的方法对所述归一化后的时间序列进行粗粒化；

改进粗粒化后的时间序列为下式：

其中，y为改进粗粒化后的时间序列数据，w为尺度因子，N为时间序列的长度，i和j为角标，

在一些可选地实施方式中，所述嵌入模块用于：

对所述粗粒化后的时间序列进行多元嵌入，嵌入维数为m，生成多变量的多元嵌入向量X

其中，M

在一些可选地实施方式中，所述计算模块用于：

计算任意两个多元嵌入向量X

d[X

在一些可选地实施方式中，所述计算模块还用于：

选取所述预设阈值为r；

统计d[X

计算d[X

计算m维空间中所述任意两个多元嵌入向量X

在一些可选地实施方式中，所述计算模块还用于：

将多元嵌入向量由m维扩张到m+1维，嵌入矢量变为M

计算m+1维空间中任意两个多元嵌入向量X

其中，

在一些可选地实施方式中，所述评估模块用于：

根据所述第一概率I

根据所述多元多尺度模糊熵MMSE(m,w,r,N)的熵值大小对所述测试对象的静态平衡能力进行评估，其中，所述熵值越大，表明所述测试对象的静态平衡能力越差，所述熵值越小，表明所述测试对象的静态平衡能力越强。

在一些可选地实施方式中，所述可穿戴惯性传感器上设置有指示灯以及指示灯箭头，以对佩戴方向进行提示。

在一些可选地实施方式中，所述睁眼静止站立动作范式为：所述测试对象后脚跟并拢，双臂自然下垂，双眼睁开，目视前方，身体不要接触任何物体；

所述闭眼静止站立动作范式为：所述测试对象后脚跟并拢，双臂自然下垂，双眼闭合，身体不要接触任何物体；

所述睁眼静止站立动作范式以及所述闭眼静止站立动作范式的实验环境为：所述测试对象在站立过程中身体不能接触任何物体，所述测试对象有专人进行看护。

本发明提供的基于多元多尺度熵的帕金森病患者静态平衡能力评估装置，利用可穿戴惯性传感器，设计不同的动作范式进行定量测量，给出客观的评估指标及其算法，可以对帕金森病患者的静态平衡能力进行客观评估，可作为辅助用于临床诊断帕金森病，增加诊断的准确率，减轻医护人员和患者的负担。

附图说明

图1为本发明一实施例的一种基于多元多尺度熵的帕金森病患者静态平衡能力评估装置的结构示意图；

图2为传统粗粒化算法的过程示意图；

图3为本发明另一实施例的改进粗粒化算法的过程示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

如图1所示，本发明提供一种基于多元多尺度熵的帕金森病患者静态平衡能力评估装置100，装置100包括设计模块110、选取模块120、可穿戴惯性传感器130、归一化模块140、粗粒化模块150、嵌入模块160、计算模块170以及评估模块180。

设计模块110用于设计评估静态平衡能力的各动作范式，所述动作范式包括睁眼静止站立动作范式和闭眼静止站立动作范式。

示例性的，在本模块中，综合参考MDS-UPDRS和Berg平衡量表，设计出用于评估静态平衡能力的各动作范式，包括睁眼静止站立动作范式和闭眼静止站立动作范式。其中，睁眼静止站立动作范式用于评估测试对象睁眼状态时的静态平衡能力，闭眼静止站立动作范式用于评估测试对象闭眼状态时的静态平衡能力。

优选的，所述睁眼静止站立动作范式为：所述测试对象后脚跟并拢，双臂自然下垂，双眼睁开，目视前方，身体不要接触任何物体；

所述闭眼静止站立动作范式为：所述测试对象后脚跟并拢，双臂自然下垂，双眼闭合，身体不要接触任何物体；

所述睁眼静止站立动作范式以及所述闭眼静止站立动作范式的实验环境为：所述测试对象在站立过程中身体不能接触任何物体，所述测试对象有专人进行看护。

也就是说，测试对象在通过各动作范式进行测试时，其身体不能接触任何物体，并且需要专人对测试对象进行看护，从而防止测试对象在测试过程中发生摔倒等意外。

选取模块120用于选取多元多尺度模糊熵作为评估静态平衡能力的评估指标。

示例性的，在本模块中，主要选取了多元多尺度模糊熵作为评估指标，该熵值越大，代表测试对象的平衡能力越差，反之，该熵值越小，代表测试对象的平衡能力越强。

可穿戴惯性传感器130用于采集测试对象在不同动作范式下的原始时间序列。

示例性的，可穿戴惯性传感器130主要用来采集测试对象在不同动作范式下的原始时间序列，主要包括三轴加速度信号、三轴角速度信号以及三轴欧拉角信号。在本实施例中，可以采用量程为±5g的可穿戴惯性传感器，也可以根据实际需要，选择其他量程的可穿戴惯性传感器，本实施例对此并不限制。

示例性的，可以通过绑带将可穿戴惯性传感器130绑定在测试对象腰部的正后方，以采集测试对象腰部的信号。优选的，可以采用可调节松紧度的绑带，通过调整绑带的松紧度，使绑带更加贴合测试对象的身体，确保可穿戴惯性传感器130在使用过程中不会松动且不影响测试对象正常动作。

优选的，可穿戴惯性传感器上设置有指示灯以及指示灯箭头，以对佩戴方向进行提示。

示例性的，可以设置指示灯箭头指向地面的方向为正确佩戴方向，从而可以在穿戴时，根据指示灯以及指示灯箭头的提示，快速、准确地将可穿戴惯性传感器正确佩戴在测试对象身体的特定部位。

归一化模块140用于对所述原始时间序列进行数据归一化处理，以获得归一化后的时间序列。

优选的，归一化模块140用于：

对所述原始时间序列进行数据归一化处理，将所述原始时间序列的数据值映射到[-1,1]内，以获得归一化后的时间序列。

具体的，可以分别对每一个维度的原始时间序列进行数据归一化处理，将数据值映射到[-1,1]内，以获得归一化后的时间序列。例如，可以先把x轴加速度的值映射到[-1,1]内，然后把y轴加速度的值映射到[-1,1]内，之后再把z轴加速度的值映射到[-1,1]内。或者，还可以先把x轴角速度的值映射到[-1,1]内，然后把y轴角速度的值映射到[-1,1]内，之后再把z轴角速度的值映射到[-1,1]内。再或者，还可以先把x轴欧拉角的值映射到[-1,1]内，然后把y轴欧拉角的值映射到[-1,1]内，之后再把z轴欧拉角的值映射到[-1,1]内。本领域技术人员也可以按照其他顺序分别对每一个维度的原始时间序列进行数据归一化处理，本实施例对此并不限制。

在本实施例中，通过对原始时间序列进行数据归一化处理，可以增强算法的鲁棒性，以适应不同身体情况的测试对象。

粗粒化模块150用于在各尺度上采用滑动平均的方法对所述归一化后的时间序列进行粗粒化。

这里首先介绍一下传统粗粒化算法。在传统粗粒化算法中，定义p个变量的时间序列

其中，y为粗粒化后的时间序列数据，w为尺度因子，i和j为角标。

以尺度3为例，传统粗粒化过程如图2所示。从图2中可以看出，传统粗粒化过程是将初始时间序列按尺度因子依次进行压缩，当初始时间序列数据长度为有限长时，随着尺度的增加，粗粒化后的时间序列长度不断减小，并且当初始时间序列数据长度不是尺度因子的整数倍时，也将会造成部分数据丢失。因此，以上因素必然会影响多尺度熵算法的计算精度。

针对传统粗粒化算法的上述缺点，本实施例对传统粗粒化算法进行改进，在各尺度上采用滑动平均的方法对归一化后的时间序列进行粗粒化。

优选的，粗粒化模块150用于在各尺度上采用滑动平均的方法对所述归一化后的时间序列进行粗粒化。

对于p个变量的归一化后的时间序列

其中，y为改进粗粒化后的时间序列数据，w为尺度因子，N为时间序列的长度，i和j为角标。

以尺度3为例，改进后的粗粒化过程如图3所示。

在本实施例中，通过对传统粗粒化算法进行改进，可以保证各尺度上粗粒化后的时间序列与原始时间序列长度一致，减小了多元多尺度熵的离散性，同时也避免了数据的丢失，大大提高了特征提取的准确性。

嵌入模块160用于对所述粗粒化后的时间序列进行多元嵌入，嵌入维数为m，生成多变量的多元嵌入向量。

优选的，嵌入模块160用于：

对所述粗粒化后的时间序列进行多元嵌入，嵌入维数为m，生成多变量的多元嵌入向量X

其中，M

计算模块170用于计算任意两个所述多元嵌入向量之间的切比雪夫距离的最大模。

优选的，计算模块170用于：

计算任意两个多元嵌入向量X

d[X

计算模块170还用于根据所述任意两个所述多元嵌入向量之间的切比雪夫距离的最大模不超过预设阈值的数目，计算得到m维空间中任意两个所述多元嵌入向量之间相似度的第一概率。

优选的，计算模块170还用于：

选取所述预设阈值为r；

统计d[X

计算d[X

计算m维空间中所述任意两个多元嵌入向量X

在本实施例中，通过定义模糊隶属度函数来统计两复合嵌入向量距离小于等于阈值的情况，可以保持多元样本熵中硬阈值优点，既降低了传统方法对阈值的依赖性，又能够很好地解决传统阈值所导致的不稳定现象的发生。

计算模块170还用于将所述多元嵌入向量由m维扩张到m+1维，计算m+1维空间中任意两个所述多元嵌入向量之间相似度的第二概率。

优选的，计算模块170还用于：

将多元嵌入向量由m维扩张到m+1维，嵌入矢量变为M

计算m+1维空间中任意两个多元嵌入向量X

其中，

评估模块180用于根据所述第一概率和所述第二概率，计算得出所述多元多尺度模糊熵，以对所述测试对象的静态平衡能力进行评估。

优选的，评估模块180用于：

根据所述第一概率I

根据所述多元多尺度模糊熵MMSE(m,w,r,N)的熵值大小对所述测试对象的静态平衡能力进行评估，其中，所述熵值越大，表明所述测试对象的静态平衡能力越差，所述熵值越小，表明所述测试对象的静态平衡能力越强。

本实施例利用可穿戴惯性传感器，设计不同的动作范式进行定量测量，给出客观的评估指标及其算法，可以对帕金森病患者的静态平衡能力进行客观评估，可作为辅助用于临床诊断帕金森病，增加诊断的准确率，减轻医护人员和患者的负担。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。