一种基于可穿戴惯性传感器的帕金森震颤评估装置

技术领域

本发明属于震颤评估技术领域，具体涉及一种基于可穿戴惯性传感器的帕金森震颤评估装置。

背景技术

帕金森病是一种常见的慢性神经系统退行性疾病，临床表现包括运动迟缓、肌强直和震颤等运动症状以及嗅觉减退、疼痛等非运动症状。震颤作为帕金森病的重要检测项目之一，在世界运动障碍学会帕金森病综合评分量表(MDS-UPDRS)中主要通过静止震颤项目、姿势性震颤项目、动作性震颤项目来测试。目前，帕金森病的震颤评估主要还是依靠专科医生主观判断来实现。然而，这种方法所获得的结果受测试医生的水平和主观因素影响较大，同时，整个评估过程会消耗医护工作者和患者大量的时间及精力。

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步态、关节灵活度等帕金森运动症状的诊断中。

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，提供一种基于可穿戴惯性传感器的帕金森震颤评估装置。

本发明提供一种基于可穿戴惯性传感器的帕金森震颤评估装置，所述装置包括：

设计模块，用于设计检测震颤指标的各动作范式，所述动作范式包括静止震颤动作范式、姿势性震颤动作范式和动作性震颤动作范式；

选取模块，用于选取评估帕金森震颤症状的各评估指标，所述评估指标包括时域指标和频域指标；

可穿戴惯性传感器，用于采集所述测试对象在不同动作范式下的三轴加速度信号；

预处理模块，用于对所述三轴加速度信号进行预处理，以获得三维有效震颤信号；

整合降维模块，用于对所述三维有效震颤信号进行整合降维处理，以获得一维有效震颤信号；

计算模块，用于根据所述一维有效震颤信号，分别计算得出各所述评估指标的指标结果信息，以对所述测试对象的帕金森震颤进行评估。

在一些可选地实施方式中，所述时域指标包括震颤幅度，所述计算模块用于：

将所述一维有效震颤信号中的加速度数据去除重力基线的影响，计算积分，对积分结果进行线性拟合，得到第一趋势线，分段去除所述第一趋势线，得到速度信号；

对所述速度信号计算积分，对积分结果进行线性拟合，得到第二趋势线，分段去除所述第二趋势线，得到用于表征所述震颤幅度的震颤幅度曲线。

在一些可选地实施方式中，所述时域指标还包括震颤加速度均方根，所述计算模块用于：

对所述一维有效震颤信号进行滤波处理，滤波通带为所述一维有效震颤信号的中心频率的邻域，根据下述关系式(1)计算得到所述震颤加速度均方根：

其中，RMS为所述震颤加速度均方根，N为滤波后的所述一维有效震颤信号的数量，a

在一些可选地实施方式中，所述频域指标包括震颤峰值功率和震颤峰值频率，所述计算模块用于：

根据所述一维有效震颤信号，采用周期图法估计或Welch估计计算所述一维有效震颤信号的功率谱；其中，

所述震颤峰值功率为所述一维有效震颤信号的功率谱的峰值；

所述震颤峰值频率为所述一维有效震颤信号的功率谱的峰值对应的频率。

在一些可选地实施方式中，所述频域指标还包括震颤平均功率谱，所述计算模块用于：

根据所述一维有效震颤信号，采用下述关系式(2)计算所述震颤平均功率谱：

其中，meanPSD为所述震颤平均功率谱，f

在一些可选地实施方式中，所述频域指标还包括震颤功率谱熵，所述计算模块用于：

根据所述一维有效震颤信号，采用下述关系式(3)计算所述震颤功率谱熵：

其中，E为所述震颤功率谱熵，p(f

在一些可选地实施方式中，所述静止震颤动作范式包括静坐动作和静止站立动作；

所述姿势性震颤动作范式包括手臂平伸动作；

所述动作性震颤动作范式包括手缓慢指鼻动作。

在一些可选地实施方式中，所述静坐动作具体为：所述测试对象坐在椅子上，双手自然放在腿上，保持静止30-60秒；

所述静止站立动作具体为：所述测试对象后脚跟并拢，双臂自然下垂，身体不要接触任何物体；

所述手臂平伸动作具体为：所述测试对象坐在椅子上，双手手臂平举于胸前，保持静止30秒；以及，

所述手缓慢指鼻动作具体为：所述测试对象坐在椅子上，手臂先伸展至尽可能远，然后缓慢折返指向测试对象自己的鼻尖，所述手缓慢指鼻动作重复3-5次，两手分别动作。

本发明的基于可穿戴惯性传感器的帕金森震颤评估装置，可以对帕金森震颤进行定量测量，给出客观评估结果，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可穿戴惯性传感器的帕金森震颤评估装置的结构示意图；

图2为本发明另一实施例的三维有效震颤信号以及一维有效震颤信号的示意图；

图3为本发明另一实施例的震颤幅度曲线的算法流程图；

图4为本发明另一实施例的一维有效震颤信号的功率谱的示意图。

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可穿戴惯性传感器的帕金森震颤评估装置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、预处理模块140、整合降维模块150以及计算模块160。

设计模块110用于设计检测震颤指标的各动作范式，所述动作范式包括静止震颤动作范式、姿势性震颤动作范式和动作性震颤动作范式。

示例性的，在本模块中，针对MDS-UPDRS中关于静止震颤、姿势性震颤和动作性震颤的检测要求，分别设计了对应的动作范式，包括静止震颤动作范式、姿势性震颤动作范式和动作性震颤动作范式。静止震颤动作范式主要用于采集测试对象手部及身体其他部位的震颤信号。姿势性震颤动作范式主要用于采集测试对象手部的震颤信号。动作性震颤动作范式主要用于采集测试对象手部的震颤信号。

优选的，所述静止震颤动作范式包括静坐动作和静止站立动作。

具体的，静坐动作可以为：测试对象坐在椅子上，双手自然放在腿上，保持静止30-60秒。静止站立动作可以为：测试对象后脚跟并拢，双臂自然下垂，身体不接触任何物体。

优选的，所述姿势性震颤动作范式包括手臂平伸动作。

具体的，手臂平伸动作可以为：测试对象坐在椅子上，双手手臂平举于胸前，保持静止30秒。

优选的，所述动作性震颤动作范式包括手缓慢指鼻动作。

具体的，手缓慢指鼻动作可以为：测试对象坐在椅子上，手臂先伸展至尽可能远，然后缓慢折返指向测试对象自己的鼻尖，前述手缓慢指鼻动作重复3-5次，两手分别动作。

选取模块120用于选取评估帕金森震颤症状的各评估指标，所述评估指标包括时域指标和频域指标。

示例性的，在本模块中，主要选取了震颤相关的时域参数和频域参数作为评估指标。其中，时域指标主要包括震颤幅度、加速度相关的量及统计参数，具体包含震颤幅度曲线、加速度均方根等参数。频域指标主要包括频率、功率谱及相关量，具体包括震颤峰值功率、峰值频率、平均功率谱密度、功率谱熵等。当然，本领域技术人员还可以根据实际需要选取其他参数作为评估指标，本实施例对此并不限制。

可穿戴惯性传感器130用于采集所述测试对象在不同动作范式下的三轴加速度信号。

示例性的，可穿戴惯性传感器130可以采用量程为±5g的可穿戴惯性传感器。当然，本领域技术人员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，测试对象在静止震颤动作范式下，可以将可穿戴惯性传感器130放置在测试对象的手腕、胸部、腰部、大腿等位置，以采集测试对象手部以及胸部、腰部、大腿等身体其他部位的震颤信号。测试对象在姿势性震颤动作范式以及动作性震颤动作范式下，可以将可穿戴惯性传感器130仅放置在测试对象手腕的位置，以采集测试对象手部的震颤信号。本实施例中，通过将可穿戴惯性传感器放置在测试对象手腕的位置，可以使穿戴的过程更加便捷高效。

预处理模块140用于对所述三轴加速度信号进行预处理，以获得三维有效震颤信号。

示例性的，在本模块中，预处理的步骤主要包括非震颤信号的去除和非震颤条件的筛选。

具体的，在去除非震颤信号时，可以采用2Hz-10Hz零相位带通滤波器，来去除人体缓慢运动的正常动作信号和高频干扰信号。在进行非震颤条件筛选时，可以使用分段加窗方法获取信号分段的低频段能量，然后设定阈值，若某一段信号的低频段能量高于所设定的阈值，则将该段信号的数据排除，以免人体的剧烈动作对震颤评估造成影响。

在本实施例中，通过对采集到的三轴加速度信号进行非震颤信号去除、非震颤条件筛选等预处理，可以获得三维有效震颤信号。当然，本领域技术人员也可以根据实际需要，采用其他方式对三轴加速度信号进行预处理，以获得三维有效震颤信号，本实施例对此并不限制。

整合降维模块150用于对所述三维有效震颤信号进行整合降维处理，以获得一维有效震颤信号。

示例性的，如图2所示，在本模块中，可以使用主成分分析方法，将三维有效震颤信号进行整合降维处理，获得一维有效震颤信号。

在本实施例中，通过对三维有效震颤信号进行整合降维处理，可以提高后续模块中算法的稳定性和准确性。

计算模块160用于根据所述一维有效震颤信号，分别计算得出各所述评估指标的指标结果信息，以对所述测试对象的帕金森震颤进行评估。

优选的，所述时域指标包括震颤幅度。

具体的，震颤幅度为通过可穿戴惯性传感器获得的一维有效震颤信号的幅度，可以通过震颤幅度曲线来表征震颤幅度。

优选的，计算模块160用于：

将所述一维有效震颤信号中的加速度数据去除重力基线的影响，计算积分，对积分结果进行线性拟合，得到第一趋势线，分段去除所述第一趋势线，得到速度信号。

示例性的，如图3所示，首先，将一维有效震颤信号中的加速度数据a(t)去除重力基线的影响，计算积分，对积分结果进行线性拟合，得到第一趋势线，之后，分段去除该趋势线，得到速度信号v(t)。在本实施例中，去除趋势线即去除了加速度误差造成的积累误差，可以提高本模块算法的准确性。

对所述速度信号计算积分，对积分结果进行线性拟合，得到第二趋势线，分段去除所述第二趋势线，得到用于表征所述震颤幅度的震颤幅度曲线。

示例性的，如图3所示，首先，对速度信号v(t)计算积分，对积分结果进行线性拟合，得到第二趋势线，之后，分段去除该趋势线，得到用于表征震颤幅度的震颤幅度曲线。

本实施例通过震颤幅度曲线，可以简洁而显著地表现测试对象的震颤情况。

优选的，所述时域指标还包括震颤加速度均方根。

具体的，震颤加速度均方根为通过可穿戴惯性传感器获得的一维有效震颤信号的加速度的均方根，可以反映震颤幅度。震颤加速度均方根的大小与震颤的严重程度呈正相关。

优选的，计算模块160用于：

对所述一维有效震颤信号进行滤波处理，滤波通带为所述一维有效震颤信号的中心频率的邻域。

在本模块中，如果直接使用一维有效震颤信号，会引入较大的干扰。因此，本模块对一维有效震颤信号进行滤波处理，可以保证滤波后的一维有效震颤信号的有效性。

根据下述关系式(1)计算得到所述震颤加速度均方根：

其中，RMS为所述震颤加速度均方根，N为滤波后的所述一维有效震颤信号的数量，a

优选的，所述频域指标包括震颤峰值功率和震颤峰值频率。

具体的，震颤峰值功率为对通过可穿戴惯性传感器获得的一维有效震颤信号的功率谱进行计算后，提取的功率谱的峰值。震颤峰值频率为对通过可穿戴惯性传感器获得的一维有效震颤信号的功率谱进行计算后，提取的功率谱的峰值对应的频率。对帕金森患者来说，震颤峰值频率通常在某个特定的范围内，其峰值能量与震颤的严重程度呈正相关。例如，震颤峰值频率可以在4Hz-8Hz范围内，也可以在其他范围内，本实施例对此并不限制。

优选的，计算模块160用于：

根据所述一维有效震颤信号，采用周期图法估计或Welch估计计算所述一维有效震颤信号的功率谱；其中，

所述震颤峰值功率为所述一维有效震颤信号的功率谱的峰值；

所述震颤峰值频率为所述一维有效震颤信号的功率谱的峰值对应的频率。

示例性的，如图4所示，根据一维有效震颤信号，采用Welch估计计算一维有效震颤信号的功率谱，得到的震颤峰值功率即为图4中的峰值，震颤峰值频率即为图4中的峰值对应的频率。

优选的，所述频域指标还包括震颤平均功率谱。

具体的，震颤平均功率谱为对通过可穿戴惯性传感器获得的一维有效震颤信号的功率谱进行计算后，提取的中心频率范围内功率谱的平均密度。震颤平均功率谱与震颤的严重程度呈正相关。

优选的，计算模块160用于：

根据所述一维有效震颤信号，采用下述关系式(2)计算所述震颤平均功率谱：

其中，meanPSD为所述震颤平均功率谱，f

示例性的，由于一维有效震颤信号的频率大多在4Hz-8Hz范围内，所以，在本步骤中，震颤平均功率谱选择一维有效震颤信号的频率在4Hz-8Hz范围内的平均功率谱，即可反映震颤的幅度大小。也就是说，上述公式(2)中，一维有效震颤信号的离散功率谱p的范围可以是4Hz-8Hz。

优选的，所述频域指标还包括震颤功率谱熵。

具体的，震颤功率谱熵为衡量震颤信号功率谱分量的混乱程度。由于帕金森患者的运动控制机能下降，导致其震颤不稳定，其震颤功率谱熵值增加。

优选的，计算模块160用于：

根据所述一维有效震颤信号，采用下述关系式(3)计算所述震颤功率谱熵：

其中，E为所述震颤功率谱熵，p(f

本实施例可以对帕金森震颤进行定量测量，给出客观评估结果，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。