一种帕金森肌强直症状量化评估方法和装置

技术领域

本发明涉及医疗检测与评估技术领域，尤其涉及一种帕金森肌强直症状量化评估方法和装置。

背景技术

帕金森病是全球第二大常见的中枢神经系统退行性疾病，是指中脑黑质致密部多巴胺能神经元的变性坏死及纹状体多巴胺含量的降低，造成脑内多巴胺能和胆碱能系统功能的紊乱，从而引发多种临床症状的疾病。常见临床症状中，帕金森病患者通常存在由主动肌和拮抗肌肌张力增高导致的肌强直症状，对患者的日常活动能力及生活自理能力造成极大的影响。因此，对帕金森患者的肌强直症状的严重程度进行及时的量化评估对制定治疗方案及评价治疗效果具有重要意义。

现有技术中，在临床工作中，医生通常以一定的速度牵拉患者的肢体或者躯干关节做往复的被动运动，根据患者在被动牵拉运动中产生的阻力大小进行肌强直症状判定，整个过程以医生观察为主、辅助一些定性或宏观的测量数据，结合分级量表评分完成评估，对于帕金森患者肌强直症状的评估结果易受医生主观经验的影响，导致评估结果存在偏差，无法实现帕金森患者肌强直症状客观、全面的量化评估。

发明内容

本发明提供一种帕金森肌强直症状量化评估方法和装置，用以解决现有技术中评估结果易受医生主观经验而导致偏差的缺陷，实现帕金森患者肌强直症状客观、全面的精准量化评估。

本发明提供一种帕金森肌强直症状量化评估方法，包括：

获取预处理的用户的多模态检测数据；

基于所述预处理的用户的多模态检测数据，获取用户运动模式；

在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；

在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；

将串联的所述神经传导层预测向量和所述非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。

根据本发明提供的一种帕金森肌强直症状量化评估方法，所述获取预处理的用户的多模态检测数据，包括：

获取用户的多模态检测数据，并基于所述多模态检测数据进行数字化转换，所述多模态检测数据包括运动学数据、生物力学数据和电生理学数据；

对数字化转换的多模态检测数据进行预处理；

基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，所述运动片段基于所述运动学数据变化获取。

根据本发明提供的一种帕金森肌强直症状量化评估方法，所述对数字化转换的多模态检测数据进行预处理，包括：

对所述运动学数据进行滤波和归一化；

对所述生物力学数据进行滤波和归一化；

对所述电生理学数据进行整流和滤波，获取所述电生理学数据的包络数据。

根据本发明提供的一种帕金森肌强直症状量化评估方法，所述基于所述预处理的用户的多模态检测数据，获取用户运动模式，包括：

将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，所述用户运动模式包括正常运动模式和异常运动模式，所述长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层。

根据本发明提供的一种帕金森肌强直症状量化评估方法，所述在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量，包括：

基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，所述时频分布特征包括瞬时频率和谱熵信息；

基于所述时频分布特征的平均绝对偏差值，获取神经传导层输入向量；

将所述神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，所述神经传导层量化评估模型基于前馈神经网络进行构建。

根据本发明提供的一种帕金森肌强直症状量化评估方法，所述在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量，包括：

基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；

基于所述虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；

基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；

将拼接的所述均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；

将所述非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，所述非神经传导层量化评估模型基于机器学习算法构建。

本发明还提供一种帕金森肌强直症状量化评估装置，包括：

第一获取模块，用于获取预处理的用户的多模态检测数据；

第二获取模块，用于基于所述预处理的用户的多模态检测数据，获取用户运动模式；

第三获取模块，用于在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；

第四获取模块，用于在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；

第五获取模块，用于将串联的所述神经传导层预测向量和所述非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述帕金森肌强直症状量化评估方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述帕金森肌强直症状量化评估方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述帕金森肌强直症状量化评估方法。

本发明提供的一种帕金森肌强直症状量化评估方法和装置，通过获取多模态检测数据，并对电生理学数据分析处理，基于运动片段判别用户的运动模式，在运动模式异常情况下，分别基于神经传导层量化评估模型和非神经传导层量化评估模型，分别对用户的神经性数据和非神经性数据进行独立分析，并利用机器学习算法对不同的量化分析结果进行融合，输出量化评估值实现对用户异常程度的全面量化评估，通过对多模态检测数据的多层级联数据分析，获取用户运动的异常程度评估值，提高评估精准度，减小因医生主观经验导致的偏差，为用户帕金森肌强直症状的严重程度判定提供全面、客观的理论支撑。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之一；

图2是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之二；

图3是本发明提供的帕金森肌强直症状量化评估装置的结构示意图；

图4是本发明提供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、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

下面结合图1-图2描述本发明的帕金森肌强直症状量化评估方法。

本发明提供一种帕金森肌强直症状量化评估方法，图1是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之一，如图1所示，该方法包括：

步骤110、获取预处理的用户的多模态检测数据。

可选地，本发明提供的帕金森肌强直症状量化评估方法，适用于满足以下标准的帕金森患者：

（1）、符合英国脑库帕金森病诊断标准（UK PD Society Brain Bank criteria）；

（2）、帕金森患者Hoehn -Yahr分级范围为1.0-2.5级，病程年限范围为0.2-5.0年；

（3）、患者无严重认知功能障碍，能配合检查和完成试验；

（4）、无其他已确诊的影响肢体活动的疾病。

可选地，获取预处理的用户的多模态检测数据的方法，包括：

获取用户的多模态检测数据，并基于多模态检测数据进行数字化转换，多模态检测数据包括运动学数据、生物力学数据和电生理学数据；

对数字化转换的多模态检测数据进行预处理；

基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，运动片段基于运动学数据变化获取。

可选地，多模态检测数据的获取方法包括但不限于：

通过采集设备，通过对用户上肢的被动牵拉运动，通过多个多种类型的传感器，采集用户的多模态检测数据。其中，用户进行被动牵拉运动的设备包括但不限于：支撑架和牵拉手柄，支撑架包括但不限于可旋转式支架，牵拉手柄滑动设于支撑架上；传感器包括但不限于：至少一个角度传感器、至少一个力矩传感器和至少一个肌电传感器。

示例地，以一个角度传感器、一个力矩传感器和三个肌电传感器为例，角度传感器和力矩传感器与用户的肘关节同轴，保证关节角度、角速度、力矩数据采集的准确性，三个肌电传感器分别直接设于用户的旋前圆肌、肱二头肌和肱三头肌，采集三个通道的表面肌电信号。用户可穿戴该采集设备，保持放松坐立姿态，在测试人员的辅助下，完成上肢的被动牵拉运动，通过角度传感器采集的运动学传感器和通过力矩传感器采集的生物力学数据均通过A/D转换器进行模数转换，实现两种数据的同步数字化，且采集的三种数据通过USB端口上传至上位机进行进一步的定量分析。

可选地，对数字化转换的多模态检测数据进行预处理的方法，包括：

对运动学数据进行滤波和归一化；

对生物力学数据进行滤波和归一化；

对电生理学数据进行整流和滤波，获取电生理学数据的包络数据。

示例地，对多模态检测数据进行以下预处理：

（1）、运动学数据：采用6Hz的巴特沃思低通滤波器，对角度传感器采集到的肘关节角度进行滤波，并通过差分计算，计算获取肘关节角速度和角加速度，并分别对角度、角速度和角加速度进行归一化处理。

（2）、生物力学数据：采用截止频率为20Hz的巴特沃思低通滤波器对力矩传感器采集的数据进行低通滤波，并进行归一化处理。

（3）、电生理学数据：采用截止频率分别为10Hz和200Hz的巴特沃思带通滤波器，分别对三个肌电传感器采集的表面肌电信号（sEMG）进行处理，去除直流偏置和高频噪声，并进行全波整流和低通滤波，以获得各表面肌电信号的包络线。

（4）、牵拉运动分段处理：根据用户的关节角度变化，设立运动片段，其中，运动片段的初始时刻为用户上臂与前臂屈曲程度最大的时间点，运动片段的终止时刻为上臂和前臂伸展程度最大的时间点，并以此为依据，对运动学数据、生物力学数据和电生理学数据进行分段。

步骤120、基于预处理的用户的多模态检测数据，获取用户运动模式。

可选地，图2是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之二，如图2所示，该方法包括：

将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，用户运动模式包括正常运动模式和异常运动模式，长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层；

在正常运动模式的情况下，则结束评估过程；

在异常运动模式的情况下，则量化评估异常程度。

可选地，将获取的电生理学数据作为长短时记忆神经网络分类器的输入向量

可选地，隐藏层包括多个LSTM单元，示例地，可选取由100个LSTM单元构成的隐藏层，隐藏层的计算公式如式（1）所示：

其中，

步骤130、在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量。

可选地，如图2所示，神经传导层预测向量的获取方法包括：

基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，时频分布特征包括瞬时频率和谱熵信息；

基于时频分布特征的平均绝对偏差值，获取神经传导层输入向量；

将神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，神经传导层量化评估模型基于前馈神经网络进行构建。

可选地，在神经传导层面，利用短时傅里叶变换方法，从用户旋前圆肌、肱二头肌、肱三头肌的表面肌电信号（sEMG）中提取瞬时频率和谱熵信息，用于量化用户异常肌肉激活模式的时频分布特征，并基于瞬时频率和谱熵信息，分别提取三个表面肌电信号（sEMG）的平均绝对偏差值，平均绝对偏差值的计算公式如式（2）所示：

其中，

可选地，在获取时频分布特征的基础上，将分别基于3个表面肌电信号的瞬时频率和谱熵信息获取的共计6个平均绝对偏差值确定为神经传导层量化评估模型的输入向量，输入向量如式（3）所示：

可选地，基于前馈神经网络构建神经传导层量化评估模型，神经传导层量化评估模型包括但不限于：输入层、隐藏层和输出层，并经输出层输出基于概率分布的神经传导层预测向量，预测向量如式（4）所示：

示例地，神经传导层量化评估模型中，输入层、隐藏层和输出层包含的节点数目分别为6、10、1。

步骤140、在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量。

可选地，非神经传导层预测向量的获取方法包括：

基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；

基于虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；

基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；

将拼接的均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；

将非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，非神经传导层量化评估模型基于机器学习算法构建。

可选地，基于运动学数据，计算被动牵拉运动虚拟最小急动度轨迹与实际运动轨迹之间的偏差，用于量化用户肌强直症状中肢体关节及肌腱等力学特性的病理改变，且可以自适应的规划运动片段对应的虚拟最小急动度轨迹，虚拟最小急动度轨迹与实际运动轨迹之间的偏差如式（5）所示：

其中，

基于虚拟最小急动度轨迹与实际运动轨迹之间的偏差，提取均值特征和标准差特 征，均值特征

其中，

可选地，构建用户上肢被动牵拉运动过程中的机械状模型，机械阻抗模型如式（8）所示：

其中，

可选地，采用递推最小二乘法获取上肢的惯量特征

其中，

可选地，将均值特征

可选地，采用支持向量机回归算法构建非神经传导层量化评估模型，支持向量机回归算法中采用sigmoid函数作为核函数生成后验概率，输出基于概率分布的非神经传导层预测向量，非神经传导层预测向量如式（13）所示：

步骤150、将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。

可选地，基于神经传导层预测向量和非神经传导层预测向量，构建融合模型输入 向量

可选地，基于随机森铃算法构建融合模型，并将融合模型输入向量

其中，

本发明提供的一种帕金森肌强直症状量化评估方法，通过获取多模态检测数据，并对电生理学数据分析处理，基于运动片段判别用户的运动模式，在运动模式异常情况下，分别基于神经传导层量化评估模型和非神经传导层量化评估模型，分别对用户的神经性数据和非神经性数据进行独立分析，并利用机器学习算法对不同的量化分析结果进行融合，输出量化评估值实现对用户异常程度的全面量化评估，通过对多模态检测数据的多层级联数据分析，获取用户运动的异常程度评估值，提高评估精准度，减小因医生主观经验导致的偏差，为用户帕金森肌强直症状的严重程度判定提供全面、客观的理论支撑。

下面对本发明提供的帕金森肌强直症状量化评估装置进行描述，下文描述的帕金森肌强直症状量化评估装置与上文描述的帕金森肌强直症状量化评估方法可相互对应参照。

本发明还提供一种帕金森肌强直症状量化评估装置，图3是本发明提供的帕金森肌强直症状量化评估装置的结构示意图，如图3所示，帕金森肌强直症状量化评估装置200包括：第一获取模块201、第二获取模块202、第三获取模块203、第四获取模块204和第五获取模块205、其中：

第一获取模块201，用于获取预处理的用户的多模态检测数据；

第二获取模块202，用于基于预处理的用户的多模态检测数据，获取用户运动模式；

第三获取模块203，用于在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；

第四获取模块204，用于在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；

第五获取模块205，用于将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。

本发明提供的一种帕金森肌强直症状量化评估装置，通过获取多模态检测数据，并对电生理学数据分析处理，基于运动片段判别用户的运动模式，在运动模式异常情况下，分别基于神经传导层量化评估模型和非神经传导层量化评估模型，分别对用户的神经性数据和非神经性数据进行独立分析，并利用机器学习算法对不同的量化分析结果进行融合，输出量化评估值实现对用户异常程度的全面量化评估，通过对多模态检测数据的多层级联数据分析，获取用户运动的异常程度评估值，提高评估精准度，减小因医生主观经验导致的偏差，为用户帕金森肌强直症状的严重程度判定提供全面、客观的理论支撑。

可选地，第一获取模块201，具体用于：

获取用户的多模态检测数据，并基于多模态检测数据进行数字化转换，多模态检测数据包括运动学数据、生物力学数据和电生理学数据；

对数字化转换的多模态检测数据进行预处理；

基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，运动片段基于运动学数据变化获取。

可选地，第一获取模块201，具体用于：

对运动学数据进行滤波和归一化；

对生物力学数据进行滤波和归一化；

对电生理学数据进行整流和滤波，获取电生理学数据的包络数据。

可选地，第二获取模块202，具体用于：

将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，用户运动模式包括正常运动模式和异常运动模式，长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层。

可选地，第三获取模块203，具体用于：

基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，时频分布特征包括瞬时频率和谱熵信息；

基于时频分布特征的平均绝对偏差值，获取神经传导层输入向量；

将神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，神经传导层量化评估模型基于前馈神经网络进行构建。

可选地，第四获取模块204，具体用于：

基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；

基于虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；

基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；

将拼接的均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；

将非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，非神经传导层量化评估模型基于机器学习算法构建。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备300可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行帕金森肌强直症状量化评估方法，该方法包括：

获取预处理的用户的多模态检测数据；

基于预处理的用户的多模态检测数据，获取用户运动模式；

在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；

在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；

将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取量化评估值。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的帕金森肌强直症状量化评估方法，该方法包括：

获取预处理的用户的多模态检测数据；

基于预处理的用户的多模态检测数据，获取用户运动模式；

在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；

在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；

将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的帕金森肌强直症状量化评估方法，该方法包括：

获取预处理的用户的多模态检测数据；

基于预处理的用户的多模态检测数据，获取用户运动模式；

在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；

在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；

将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。