静息震颤检测模型、静息震颤检测算法、以及静息震颤检测设备

摘要

本发明公开了一种静息震颤检测模型、静息震颤检测算法、以及静息震颤检测设备；该模型基于Adaboost机器学习分类器，所述模型的输入特征为多个；所述多个输入特征中至少一个输入特征获取自受试者的手部的三轴加速度数据，至少一个输入特征获取自自受试者的手部的三轴陀螺仪数据，至少一个输入特征获取自自受试者的手部的三轴磁力计数据；所述模型根据所述多个输入特征对受试者进行震颤等级的分类。本发明利用加速度计、陀螺仪和磁力计信号的多种运动学特征，有效揭示了特发震颤患者震颤的规律性和同步性，能够有效表征患者的震颤幅度、震颤频率等特征，并建立能够准确对患者的震颤症状进行量化分级的模型。

说明书

技术领域

本申请涉及模式识别，尤其涉及基于可穿戴设备的静息震颤检测。

背景技术

特发震颤(ET)是一种具有特征性运动症状的退行性神经系统疾病。目前 的临床评估主要是基于专家咨询，结合审查病人的主诉，非常依赖医生的专业 知识和诊断经验。

将可穿戴式传感器应用于早期震颤评估中是当前学术界和工业界的一个 研究热点。可穿戴传感器可以用于人体的高精度跟踪、长期生理信号监测等， 这种在日常活动中长期收集患者震颤活动数据(ADL)的非植入式监测方法已 用于临床患者运动异常的评估中。

即使是为数不多的用于连续监测ADL中ET震颤严重程度的医疗级可穿戴 系统，如Kinesia HomeView

然而，现有的技术方案大都仅采用加速度信号(惯性信号)，这种方案的 缺陷在于容易混入活动中的运动成分，而且传感器累积误差和环境噪声也使测 量的信号不可靠。此外，在早期病症阶段，肢体的震颤是非常轻微的，从加速 度计采集的加速度信号中很难提取其特征，容易被误认为是噪声信号而丢弃。

发明内容

鉴于上述问题，本申请旨在提出一种静息震颤检测模型、静息震颤检测 算法、以及静息震颤检测设备，其基于多个信号进行震颤症状的量化评估。

本申请的静息震颤检测模型，该模型基于Adaboost机器学习分类器；

所述模型的输入特征为多个；所述多个输入特征中至少一个输入特征获取 自受试者的手部的三轴加速度数据，至少一个输入特征获取自自受试者的手部 的三轴陀螺仪数据，至少一个输入特征获取自自受试者的手部的三轴磁力计数 据；

所述模型根据所述多个输入特征对受试者进行震颤等级的分类。

优选地，所述多个输入特征选自：

ACC_RMS、GYR_RMS、MAG_RMS、

ACC_PwrP、GYR_PwrP、MAG_PwrP、

ACC_PwrP_R、GYR_PwrP_R、MAG_PwrP_R、

ACC_PrinP、GYR_PrinP、MAG_PrinP、

ACC_ApEn、GYR_ApEn、MAG_ApEn、

ACC_SampEn、GYR_SampEn、MAG_SampEn、

ACC_FuzFn、GYR_FuzFn、MAG_FuzFn；

其中，

ACC_RMS、GYR_RMS、MAG_RMS为时域特征；ACC_RMS为三轴加 速度数据的平均变化率均方根，GYR_RMS为三轴陀螺仪数据的平均变化率均 方根，MAG_RMS为三轴磁力计数据的平均变化率均方根；

ACC_PwrP、GYR_PwrP、MAG_PwrP为频域特征；ACC_PwrP为三轴加 速度数据的峰值功率，GYR_PwrP为三轴陀螺仪数据的峰值功率，MAG_PwrP 为三轴磁力计数据的峰值功率；

ACC_PwrP_R、GYR_PwrP_R、MAG_PwrP_R为频域特征；ACC_PwrP_R 为三轴加速度数据的峰值功率与三轴加速度数据的总功率的比值， GYR_PwrP_R为三轴陀螺仪数据的峰值功率与三轴陀螺仪数据的总功率的比 值，MAG_PwrP_R为三轴磁力计数据的峰值功率与三轴磁力计数据的总功率的 比值；

ACC_PrinP、GYR_PrinP、MAG_PrinP为频域特征；ACC_PrinP为三轴加 速度数据的主频，GYR_PrinP为三轴陀螺仪数据的主频，MAG_PrinP为三轴磁 力计数据的主频；

ACC_ApEn、GYR_ApEn、MAG_ApEn为非线性特征；ACC_ApEn为三轴 加速度数据的近似熵，GYR_ApEn为三轴陀螺仪数据的近似熵，MAG_ApEn 为三轴磁力计数据的近似熵；

ACC_SampEn、GYR_SampEn、MAG_SampEn为非线性特征；ACC_SampEn 为三轴加速度数据的样本熵，GYR_SampEn为三轴陀螺仪数据的样本熵， MAG_SampEn为三轴磁力计数据的样本熵；

ACC_FuzFn、GYR_FuzFn、MAG_FuzFn为非线性特征；ACC_FuzFn为三 轴加速度数据的模糊熵，GYR_FuzFn为三轴陀螺仪数据的模糊熵，MAG_FuzFn 为三轴磁力计数据的模糊熵。

优选地，所述Adaboost机器学习分类器包括109个学习器，学习率为0.1。

优选地，所述多个特征为：ACC_RMS、ACC_PwrP_R、GYR_RMS、 GYR_PwrP、GYR_PrinP、MAG_RMS。

优选地，所述多个特征为：ACC_RMS、ACC_FuzEn、GYR_RMS、 GYR_ApEn、GYR_PrinP、MAG_FuzEn。

优选地，所述多个特征为：ACC_RMS、GYR_RMS、MAG_PrinP、 MAG_ApEn、MAG_FuzEn。

本申请的静息震颤检测算法，其通过设置在受试者手部的三轴加速度计、 三轴陀螺仪、三轴磁力计获取受试者在指定动作时的三轴加速度数据、三轴陀 螺仪数据、三轴磁力计数据；经处理后三轴加速度数据、三轴陀螺仪数据、三 轴磁力计数据提取多个输入特征；将所述多个输入特征作为所述利用权利要求 1-6中任一项静息震颤检测模型的输入特征，对受试者的震颤等级进行分类。

本申请的静息震颤检测设备，其包括计算单元；

所述计算单元运行上述的静息震颤检测模型对受试者的震颤等级进行分 类。

优选地，进一步包括三轴加速度计、三轴陀螺仪、三轴磁力计；所述三轴 加速度计、三轴陀螺仪、三轴磁力计设置在受试者的手部；受试者在指定动作 下，所述三轴加速度数据通过该三轴加速度计获得；所述三轴陀螺仪数据通过 该三轴陀螺仪获得；所述三轴磁力计数据通过该三轴磁力计获得。

优选地，所述三轴加速度计、所述三轴陀螺仪、所述三轴磁力计为穿戴设 备，通过无线方式将所述三轴加速度数据、所述三轴陀螺仪数据、所述三轴磁 力计数据送至所述计算单元。

本申请通过使用多个传感器，收集多维全面的姿态数据，应用于规范的临 床场景下，为医生提供高精度、低误差的疾病严重程度分数，以提供医疗级的 辅助诊断。

本发明利用加速度计、陀螺仪和磁力计信号的多种运动学特征(比如均方 根(RMS)、频谱峰值、峰值功率、峰值比、近似熵、样本熵和模糊熵等特征)， 有效揭示了特发震颤患者震颤的规律性和同步性，能够有效表征患者的震颤幅 度、震颤频率等特征，并建立能够准确对患者的震颤症状进行量化分级的模型。

附图说明

图1为本发明的整体实验流程。

图2为根据加速度信号的矢量振幅(截取的15s信号段)计算的功率谱密 度函数。

图3为可穿戴设备的加速度信号的矢量振幅波形示意图。

图4为展示了五种分类模型的ROC曲线。

具体实施方式

下面，结合附图对本申请进行详细说明。其中，图1中，子图A显示了本 研究中使用的基于IMU的可穿戴设备的基本结构和数据采集的形式。子图B 显示了实验数据分析的流程。子图C显示了病人在医生指导下进行数据采集的 场景和本研究中使用的九轴IMU的尺寸图。图2中，基于功率谱容限跨度的方 法被用来寻找峰值功率，阴影区域显示震颤信号的峰值功率。图3中，(a)-(d) 表示对CRST 1-4的四个症状严重程度的信号图像分析。上图为时域波形图， 下图为相应的频谱图。

本发明的具体实施为：

(1)在人体手部部署传感器，通过上位机对传感器进行初始化，消除传 感器零飘，并进行初始标定，设置传感器采样频率100-200Hz，优选地，设置 更高的采样频率可以捕捉震颤的细微瞬态变化；通过部署的传感器采集人体手 部的姿态信号。具体地，利用基于九轴IMU的可穿戴设备采集患者在指定动作 下的双手的手部震颤数据；同时利用CRST量表对患者指定动作的完成情况进 行打分；为后期追述和评估病情变化以及多名神经科专家盲审打分，在实验室 检查的同时由专业的神经科医生全程对患者的动作录像。

优选地，由两位专家共同打分，如有评分不一致的情况，需要请第三位专 家通过查看录像对评分做出最终裁定；

所述IMU包括设备盒、九轴惯性传感器、嵌入式无线模块、锂电池、电源 按键、状态指示灯和数据线。嵌入式无线模块、锂电池、电源按键、状态指示 灯置于设备盒中，设备盒表面留有电源按键接口和状态指示灯接口，设备盒侧 面留有数据线连接接口；九轴惯性传感器与设备盒之间通过数据线连接；锂电 池负责嵌入式无线模块和状态指示灯供电；电源按键控制锂电池供电的开与关； 九轴惯性传感器固定在患者的双手手背上，用于获取患者在指定动作下的手部 的震颤数据，并将震颤数据通过嵌入式无线模块(例如蓝牙、WiFi、Zigbee等) 进行传输；所述震颤数据是指利用九轴惯性传感器获取的三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据。

所述指定动作是指静止性震颤动作，患者坐在椅子上，眼睛目视前方，双 手放在大腿上保持静止。

所述利用CRST量表对患者指定动作的完成情况进行打分是指专业医师根 据患者指定动作的完成情况，判断患者的静止性震颤的震颤等级,震颤等级分为 5个等级，分别为0级，1级，2级，3级，4级。CRST量表表明：静止性震颤 5个等级划分的震颤症状分别表现为：1)无；2)轻度，有时发生；3)幅度中 等,间歇性发生4)幅度中等,多数情况下存在5)幅度大，持续存在。姿势性震 颤5个等级划分的震颤症状分别表现为：1)无；2)轻度，有时发生；3)幅度 中等,动作时发生；4)幅度中等，定动作时发生；5)幅度大，影响进食。

(2)在特发震颤患者的实验室检查中，即使按照专业医生的要求严格规 范检查动作，人体也会产生有意识的运动，通常表现为信号的低频成分，而高 频成分则包括运动间期的震颤和噪声。具体的，标准运动信号的频率较低，一 般在1Hz以下，而手部震颤信号中生理性震颤的频率一般为2-20Hz。ET震颤 的振幅一般在150μm左右，震颤方向单一，而ET震颤的频率为6-9Hz，振幅 略大于生理性震颤。针对获得的信号和噪声特性，内部的姿态解算器与硬件端 集成。动态卡尔曼滤波算法可以在动态环境下输出传感元件的稳定信号。在截断数据之前需要过滤掉震颤信号带中的随机误差，以确保输出信号的可靠性， 并保留具有高信噪比的ET震颤信号。优选的，根据静息态震颤频率响应特征， 小波变换适用于非平稳信号的突变，在信号突变、压缩重建、去噪等问题上具 有良好的时频定位功能。该研究选择基础小波为sym3小波，并基于软阈值函 数对嘈杂的震颤信号进行两级独立分解，进行去噪；滤波后的信号保留了因震 颤引发的姿态成分。

(3)由于采集的前期和后期容易受测试准备和测试停止状态转换的影响， 因此按时间轴分别剔除滤波后数据的前后C％的数据，保留按时间轴中心C％ 至1-C％的数据，以此实现将步骤(2)输出的滤波后含姿态分量和震颤分量的 数据截取稳定信号成分；优选的，C％取值为5％。

(4)基于滤波处理后的震颤数据，进行等长的滑窗数据扩增，使震颤数 据保持相同的长度，然后计算震颤数据时域幅值变化、频域峰值功率变化以及 非线性熵值变化等特征；优选的，为了连续性描述震颤的变化，将滑窗移动步 长设置为1s，窗口时长为4s，数据交叠率为75％。

(5)对经过滤波处理后的所有患者指定动作震颤的特征集合以适当的比 例随机构建样本训练集和样本测试集；利用步骤(1)中获得的专家评分，对各 段数据设置震颤严重程度的标签。

优选地，为了保证训练模型的泛化性，选择数据分割比例为4：1。

(6)构建多种机器学习算法的五分类模型，包括支持向量机、集成树模 型、线性判别分析、朴素贝叶斯模型和K近邻算法，并使用优化方法寻优调参， 获得分类最佳的模型。

优选地，选择贝叶斯优化算法寻得概率最优解，然后使用网格搜索进行小 范围调参，训练阶段选择五折交叉验证以提高模型的泛化能力。

(7)方法的有效性验证，包括：验证上述(2)和(4)中获取的七种参 数与震颤等级之间的关系以及验证基于机器学习模型构建的分类器的准确性， 综合全面的性能评估指标，给出最优的分类模型。

可建立类似的数据库验证本发明方法提出的模型性能。优选地，可按照本 发明步骤中规定的参数进行设置。本发明方法建议设置不少于50人的年龄匹配 的性别均衡的数据库(平均年龄55岁左右，半数为男性)，平均记录时长为3 分钟，设置传感器采样频率为100Hz。

如图1所示为本申请的整体实验流程。

所述步骤(4)，首先进行特征前处理工作：为了实现简单有效的状态识别， 同时减少对穿戴位置和动作过程的依赖，对每个传感器的三轴序列分别计算信 号矢量幅度(SVM)。SVM也可以从宏观角度降低每个IMU信号敏感轴的矢量 运算的复杂性。具体的，用三轴加速度数据来说明数据分析和特征提取过程。 a

其中a

利用特征前处理之后得到的SVM序列，分别从加速度计信号、陀螺仪信 号、磁力计信号中提取静息性震颤的姿态震颤状态的时域、频域和非线性特征 描述震颤严重程度，具体如下：

时域特征：运动障碍类疾病震颤在静息状态下的振幅变化较为显著，因此， 采用特发性震颤在静息态的震颤信号时域下的平均变化率均方根(RMS)表示， 计算式(2)展示了加速度信号的RMS的计算。多数研究表明，它可以代表患 者震颤的严重程度，且其较为简单和直观，便于临床医生理解。

频域特征：信号处理领域的频域分析比时域分析能获得更直观的参数特 性。在发明方法中，主要通过使用基于短信号长度的频谱估计，从能量角度获 得信号的频率分布。耦合状态造成的误差几乎可以忽略不计，从而提高了信噪 比。功率谱密度(PSD)被广泛定义为每单位频段的信号功率，反映了频域的 信号功率分布。表示震颤的加速度信号a

其S

由于震颤信号集中在主频段，震颤振幅与震颤严重程度直接相关，与临床 等级评分高度相关。峰值功率反映了中心频率内的峰值振幅。信号带内的峰值 功率P

其中

此外，本发明方法计算峰值功率与总功率的比值，用来表示震颤发生占总 记录时间的比例关系，完整的功率估计的峰值功率的百分比应该比85％更显著， 从而能够确定病人是否处于震颤状态。震颤信号关于PSD估计的峰值功率如图 2所示，阴影区表示主频的震颤带。总功率为曲线下的总面积。

非线性特征：

本发明方法利用多种熵值度量震颤数据的复杂性。近似熵(ApEn)是一种 量化时间序列数据波动的不规则性和不可预测性程度的技术。通过比较频率、 有效值和ApEn对量化震颤的贡献可以发现ApEn具有最好的鉴别能力。优选 的，嵌入维度选择为m＝2，相似性容忍度为r＝0.1×SD(SD为序列标准差)， ApEn被定义为：

ApEn(a

其中a

样本熵(SampEn)在计算序列自相似性概率时不包含其向量的比较，所以 它不受数据长度的限制。相比之下，模糊熵(FuzEn)提出了一个不明确的隶 属度函数，提高了二元过程的相似度测量。这种模糊边界度量通过模糊熵增强 了信号的复杂性，使熵的变化更加连续和平稳。表征序列复杂性的熵特征可以 充分改善震颤量化模型的性能，所以本发明方法计算了这些非线性特征。

SampEn被定义为：

FuzEn被定义为：

通过图3对静息震颤信号的时频域可视化分析发现，不同严重程度的患者 存在6-9Hz的静息震颤。

使用几种机器学习算法开发了具有运动学特征的震颤严重程度自动评分 系统。集成树模型、支持向量机(SVM)、判别分析(DA)、朴素贝叶斯和k- 近邻(KNN)算法。构建的支持向量机分类器使用了三个核(线性、多项式和 径向基函数(RBF))。KNN分类模型使用1-11之间的奇数作为K值。使用网 格搜索和贝叶斯优化算法选择每个模型的最佳全局解决方案。贝叶斯优化算法 的集合函数预计每秒钟提高一次，每个模型迭代30个历时以获得最优解。对于 超参数较少的模型，可以首选网格搜索方便获得最优解。具体的分类器参数设 计如下表所示。

表1机器学习分类器的超参数设置

本发明中定义了验证条件以保证分类模型的泛化性。

训练采用五倍交叉验证法来降低分类结果的偏差。在有限的训练集中，五 倍交叉验证是最合适的验证方法，可以训练所有的类别，而不会出现过拟合的 偏差。本发明方法定义了针对CRST分类的绝对误差以评估自动评分系统的性 能。对于机器学习模型

其中，I(·)表示指标函数，y

本发明中，定义了分类模型性能评价方法以全名评估震颤严重程度的分类 性能。优选的，本发明方法采用四个主要指标来评价心律失常检测分类结果的 性能，包括准确性(ACC)、敏感性(SED)、特异性(SPEC)、精确性(PRE) 和F1得分，定义如下(10-14)。

TP(true positive)表示为分类正确，把原本属于正类的样本分成正类；TN (truenegative)表示为分类正确，把原本属于负类的样本分成负类；FP(false positive)表示为分类错误，把原本属于负类的错分成了正类；FN(false negative) 表示为分类错误，把原本属于正类的错分成了负类。由于F1得分对FP和FN 的权重相同，所以它提供的指标比准确度的偏差要小。相比之下，接收操作特 性(ROC)曲线考虑了权衡敏感性和特异性的分类阈值。曲线下面积(AUC) 经常被用作数据库分布不均时的评估指标。

本发明中，通过混淆矩阵量化了每个自动分类模型的性能。每个最佳机器 学习模型的分类性能在表2中列出。综合F1得分显示，AdaBoost分类器的表 现最好，每个分类指数都在95％以上。CRST量表得分评估静止性震颤的总体 准确率为99.64％，但其分类速度相对较慢。图4展示了五种分类模型的ROC 曲线，以反映每个分类器的多分类结果的综合性能，能够很好地均衡分类结果 的灵敏度和特异性。AUC分数减少了不平衡训练样本的影响，并更多地考虑了 错误分类。SVM、KNN、AdaBoost、LDA和

表2最优机器学习分类器的分类性能

表3总结了最佳机器学习算法AdaBoost模型对CRST量表中每个静止性 震颤类别的混淆矩阵和分类性能指标。其中，虽然有极少数最严重的患者，但 所有第四类等级都被正确识别。因此，本发明方法并没有过分倾向于CRST 0-1 这种类别的震颤数据量相对占优势的数据，具有很高的泛化能力。

表3 AdaBoost模型的混淆矩阵及各严重程度的分类性能

结合上述五个优化的机器学习模型的分类性能，本发明重点实现了不同特 征选择方法的最优的集成学习算法，以探索特征子集的有效性及对分类性能影 响最重要的特征参数。整理后的实验结果见表4。结果显示，以XGBoost为基 础学习器的Wrapper和Embedded算法的性能损失较小，模型的性能相似。虽 然比使用所有特征的综合模型略低，但它只用了28.57％的特征数量就取得了类 似的结果，在嵌入式设备的实时监测场景中具有应用前景。从其选择的前六个 最重要的特征来看，加速度计和陀螺仪的均方根值似乎更为关键。这种对信号 能量大小的直接表征更容易计算，更有利于对震颤水平进行分类。此外，频域 和非线性参数的选择对建模至关重要，加速计和陀螺仪的特征更有价值，可能 磁力计也很关键。相比之下，基于相互信息的滤波算法和PCA降维算法之间的 差异很小，使用方差作为有用细节的滤波标准可能不适合这样复杂的分类任务。

表4基于不同特征选择方法的集合优化模型的性能。

优化算法AdaBoost的多分类F1得分高达97.33％，准确率和特异性分别为99.64％和99.39％。该模型在预测几类时仍有较好的AUC，具有目前ET症状自 动识别的最佳性能。

为说明不同维度的传感器信息对分类模型的量化震颤性能的影响情况，本 发明方法额外设置了对比实验，实验结果如表5所示。从实验结果来看，仅使 用单一传感器的加速度计的分类效果最弱，但是组合两种模态的传感信息的分 类效果具有轻微的提升，在高维模态数据集上的性能最优。这些结果表明，所 提出的方法适用于应用标准化的实验室检测，帮助临床医生对复杂或早期的ET 病例进行自动评分，以帮助决策，提高疾病管理效率。

表5最优机器学习分类器的在不同维度特征集合上的震颤量化表现

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术 特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替 换、改进等，均应包含在本发明的保护范围之内。