一种帕金森疾病客观化、定量化早期诊断系统及存储介质

技术领域

本发明属于帕金森病早期诊断技术领域，具体涉及一种帕金森疾病客观化、定量化早期诊断系统及存储介质。

背景技术

帕金森病（Parkinson’s disease，PD）是近年来常见神经系统退行性疾病，也是老年人中最常见的运动障碍疾病。其主要的临床表现包括静止性震颤、运动缓慢、肌强直和姿势异常为主的运动症状及嗅觉减退、便秘、睡眠障碍和抑郁为主的非运动症状。

此病无法治愈, 但早期干预能很大程度缓解疾病的进展和改善预后。帕金森病是隐匿起病，逐渐进展，病人去就医的时候往往症状已经比较明显。PD目前的诊断方法主要依靠医师工作经验及患者的临床表现, 误诊率较高,且无法早期发现，因此亟待客观、早期、有效的PD诊断方法。

目前，帕金森病的诊断，主要依据病史、临床症状以及体征。医生会根据病人提供的病史和自己的查体所见给出初步的诊断，之后还需要要做头颅的磁共振检查、抽血化验检查、脑电图、心电图等，以排除其他可能有帕金森病症状的疾病，如脑卒中后帕金森综合症，药物性帕金森综合症，外伤性帕金森综合症等疾病。

现有文献利用某一种或两种检查数据对患者的某一神经功能进行评估和预测。例如，肖一峰等总结了现有嗅觉障碍在帕金森患者种的筛查方法，探索帕金森疾病的早期嗅觉障碍相关标志物（帕金森病嗅觉障碍研究进展[J]. 肖一峰,吴婧. 中国实用神经疾病杂志. 2020(16)）；司慧丽等分析了睡眠障碍对帕金森疾病影响因素（帕金森病患者睡眠障碍特点及其影响因素分析[J]. 司慧丽,纪别克,赵鸿雁,宋阳,庄艳华,朱倩倩,曹辉,苏俊红,张庆梅. 广东医学. 2020(01)）；马欢等对比分析帕金森病患者的唾液腺及心脏间碘苄胍显像对帕金森疾病的诊断价值（马欢,阚英,王巍,刘洁,杨吉刚.~(123)I-MIBG显像对帕金森病早期诊断的临床价值[J].临床和实验医学杂志,2021,20(19):2105-2109）；刘杰、王晓雯等分析了帕金森缓则的嗓音构音障碍对疾病诊断的价值（1～3期帕金森病患者的嗓音特征研究[J]. 刘杰,李利,余波,黄昭鸣. 听力学及言语疾病杂志. 2020(01)；王晓雯,黄昭鸣,钱红,袁海新,刘杰.高频重复经颅磁刺激双侧M1区联合构音训练对帕金森病人运动不及型构音障碍的影响[J].实用老年医学,2022,36(05):508-511.）。然而，这些使用单一指标进行帕金森病诊断的方案在诊断准确性等指标上仍然有所不足，因而难以实现帕金森病的早期诊断。可见，如何构建一种完整的体系，实现帕金森病的早期诊断仍然本领域亟需解决的问题。

发明内容

针对现有技术的问题，本发明提供一种帕金森疾病客观化、定量化早期诊断系统，目的在于提供可用于准确诊断帕金森病的指标体系，实现帕金森病的早期诊断。

一种帕金森疾病客观化、定量化早期诊断系统，包括：

输入模块，用于输入定量化任务所采集的数据；

特征提取模块，用于对所述输入模块得到数据进行处理，得到特征；

所述定量化任务所采集的数据包括如下数据中的至少一项：

数据1：受试者画引导性阿基米德螺旋线，采集笔感知接触点x和y的位置、笔尖和纸之间的压力；

数据2：受试者进行步行，采集足底压力时间序列、偏转角度时间序列、角速度时间序列、加速度时间序列和肌电时间序列；

数据3：受试者进行朗读或自述，采集语音序列；

数据4：记录受试者的眼球运动，采集眼动数据；

数据5：对受试者的夜间睡眠进行监测，采集心电时间序列和呼吸时间序列；

数据6：对受试者进行认知量表测试，采集量表评分。

优选的，所述数据1进行处理后得到的特征包括：每个线段的总长度

所述特征的计算公式为：

其中，

优选的，所述数据2进行处理后得到的特征包括：足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的积分、威廉姆森振幅、方差、过零、斜率符合变化和波形长度；

其中，所述足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得；

所述每个通道的肌电的总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率SSC符合变化和波形长度WL计算公式如下：

其中，

优选的，所述数据3进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括：基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征

所述特征的计算公式如下：

/>

其中，N是提取的语音信号周期数，

优选的，所述数据4进行处理后得到的特征包括：首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。

优选的，所述数据5进行处理后得到的特征包括：

其中，

Re sp _ powervlflf

Re sp _ powervlfhf

Re sp _ powerlfhf

。

优选的，所述数据6进行处理后得到的特征包括：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值；

所述特征是对如下量表中的至少一种进行统计后得到：MOCA、MMSE、GPCOG、AD8、Mini-Cog、MIS、CASI2.0、HDS-R、QCSS-E、BECSI、MES或SMCI。

优选的，还包括诊断模块，用于根据所述特征得到早期帕金森病的诊断结果，其中，诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。

本发明还提供一种计算机可读存储介质，其上存储有用于实现上述帕金森疾病客观化、定量化早期诊断系统的计算机程序。

本发明为了实现帕金森疾病的早期诊断，为受试者提供了定量化诊断设计的6种固定任务（场景），通过这些任务可以得到定量化标准化的帕金森疾病诊断参数体系。实验结果表明，对于帕金森疾病的早期诊断此定量化早期诊断体系准确率和敏感性比现有诊断特征有较大幅度的提升。本发明定量化、标准化、系统化、多维度的对帕金森患者进行客观评估，为帕金森的早期诊断和准确诊断提供技术基础，具有很好的应用前景。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为实施例1的系统整体框架示意图；

图2为实施例1中用于足底压力时间序列处理的基于图神经网络的循环神经网络流程图；

图3为实施例1中用于足底压力时间序列处理的GCNs-RNN模型示意图。

具体实施方式

需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。

实施例1帕金森疾病客观化、定量化早期诊断系统

本实施例的系统包括：

输入模块，用于输入定量化任务所采集的数据；

特征提取模块，用于对所述输入模块得到数据进行处理，得到特征；

诊断模块，用于根据所述特征得到早期帕金森病的诊断结果，其中，诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。

如图1所示，在上述系统中，所述的定量化任务、采集数据利用的感知技术和硬件技术、采集到的数据类型、每种数据类型涉及的信号和数据处理方法、最终提取得到的特征和这些特征用于评估的神经功能如下：

1、数据1

任务（场景）：在A3纸上画引导性阿基米德螺旋线（医院、居家）。

感知技术：嵌入光纤三维力传感笔、平板。

数据类型：笔感知接触点x和y的位置，以及笔尖和纸之间的压力p。

信号特征提取方法：

/>

其中，

特征表达：每个线段的总长度

评估神经功能：

2、数据2

任务（场景）：步行10米（医院、移动、居家）。

感知技术：银质电极表面肌电传感器。

数据类型：肌电时间序列。

信号特征提取方法：

足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得；

所述每个通道的肌电总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率SSC符合变化和波形长度WL计算公式如下：

其中，

特征表达：足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的积分、威廉姆森振幅、方差、过零、斜率符合变化和波形长度。

评估神经功能：运动功能、睡眠功能。

3、数据3

任务（场景）：朗读一段话或自述一段话（医院、居家）。

感知技术：麦克风。

数据类型：语音序列。

信号特征提取方法：

其中，N是提取的语音信号周期数，

特征表达：基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征

评估神经功能：运动功能。

4、数据4

任务（场景）：参与者坐在20英寸的显示器前，记录眼球运动（医院）。

感知技术：红外眼动仪。

数据类型：眼动数据。

信号特征提取方法：具体见下表；

表1 眼动信号特征提取方法

特征表达：首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。

评估神经功能：运动功能。

5、数据5

任务（场景）：夜间睡眠监测（医院、居家）。

感知技术：呼吸腹带。

数据类型：呼吸时间序列。

信号特征提取方法：

Re sp _ powervlflf

Re sp _ powervlfhf

Re sp _ powerlfhf

。/>

特征表达：

评估神经功能：睡眠功能。

6、数据6

任务（场景）：认知量表测试（居家、医院）。

感知技术：认知量表。

数据类型：量表评分。

信号特征提取方法：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值。

特征表达：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值。

评估神经功能：认知功能。

其中，所述数据2中，从足底压力时间序列中获得方法如图2所示，具体步骤如下：

（a）预处理好的多维足底压力信号通过K-means 聚类，在时间维度上聚类到短暂稳定的多个微状态；

（b）根据聚类结果将多维足底压力时间序列信号截取为N 个Epoch；

（c）对每个Epoch用图谱理论提取图结构的邻接矩阵A和拉普拉斯矩阵L；其中各传感器节点的压力值作为图结构的顶点，每两个通道的相关性作为边。

（d）GCNs-RNN分类模型：首先用切比雪夫多项式对拉普拉斯矩阵L进行特征值分解，并用图卷积GCNs对每个Epoch的图进行卷积，GCNs的图卷积结果输入到循环神经网络RNN中，最后Dense层做出分类（详细过程见图3）；

（e）输出分类结果。

图3 为图2中GCNs-RNN模型的具体计算过程。这个模型分为三层，第一层是图卷积层GCNs layer，第二层是循环神经网络层RNN layer，第三层是全连接层Dense layer。

第一层，GCN模型在裁剪的每个Epoch上进行图卷积。图卷积的过程是用每个Epoch上提取到的邻接矩阵A计算拉普拉斯矩阵L。因为拉普拉斯矩阵L 是对称矩阵，可以特征分解，这里用图谱理论的特征分解代替卷积神经网络中的傅里叶变换，特征分解的特征向量对应傅里叶变换的基（不同频率的正弦信号），特征值对应傅里叶变换中的傅里叶系数（基的幅度）。为简化计算，可使用切比雪夫多项式将信号

第二层，将上一层的输出结果y

第三层，全连接层将循环神经网络层的输出结果按需要分类的类别数输出分类结果。Dense 层中每一个特征节点掌握着一定的权重来决定输入是属于哪个类别，最终全部特征的权重共同决定了输入所属分类的权重或概率。

所述数据3中，进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括：基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征Mel。

所述特征的详细描述为：

1、基频

基频( Fundamental Frequency, F0)是指语音信号中的最低频率，即I秒钟内声带振动的次数，当声带发生病变时，声带的长度、厚度、形状随之变化，从而会改变基频取值，影响语音信号的声学特性。

2、基频微扰

基频微扰(Jitter)描述了语音信号相邻周期之间基音频率的微小波动变化，与声带的振动频率一致。其计算公式如下：

其中，N是提取的语音信号周期数，

3、振幅微扰

振幅微扰(Shimmer)与基频微扰(Jitter)的定义类似，描述了语音信号相邻周期之间振幅的微弱差异，表征了嗓音的嘶哑程度。其计算公式如下：

其中，N是提取的语音信号周期数，

4、谐噪比

谐波噪声比( harmonics-to-noise ratio，HNR)，简称谐噪比，反映语音信号中谐波成分与噪声成分能量强度的比值，计算公式如下：

其中，

5、开放熵

开放熵( open quotient, OQ)是声带开放时间

6、闭合熵

闭合熵(closed quotient, CQ)是声带关闭时间

7、速度熵

速度熵( speed quotient, SQ)是声门渐开时间段

8、功率谱概率密度

功率谱概率密度函数(Probability Density Function，PDF) 的求解过程如下：首先对语音信号进行快速短时傅里叶变换，得到短时频谱,然后对频谱进行归一化处理，得到概率密度函数，即：

其中，

9、频谱熵

频谱熵(Spectral Entropy, SE)是反映频谱均匀程度的特征参数，频谱熵的计算公式如下:

10、频谱通量

频谱通量(Spectral Flux, SF)是反映语音信号帧与帧之间频谱变化的特征参数，频谱通量的计算公式如下：

其中，

11、梅尔频率倒谱系数

梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient, MFCC)考虑到人类听觉的非线性特性，先将线性频谱映射到基于人类听觉感知的梅尔尺度的非线性频谱中，然后转换到倒谱域，可用以下公式近似表示。

其中，

所述数据5进行处理后得到的特征包括：

所述特征的详细描述为：

1、

/>

2、

3、

其中，N表示正常呼吸总数，

4、

5、呼吸频域特征：睡眠呼吸数据的功率谱估使用自回归（Auto Regression，AR）模型法来进行，AR 模型法基本原理如下：

一个阶AR过程可以表示为：

式中，

对上式两边求z变换，可以得到系统的传输函数是全极型。

此 AR 过程的功率谱是

将睡眠呼吸数据RESP每5 min一段进行数据分段。AR模型用于估计这5 min 数据段的功率谱，然后以功率谱峰值为中心，计算顺谱窗内的睡眠呼吸 数据的功率所占百分比，该功率谱即为 RESP 这 5min 的频谱能量。呼吸信号频域特征如下(5.1)-(5.6):

（5.1）

（5.2）

（5.3）

（5.4）

(5.5)

(5.6)

实验结果表明，对于帕金森疾病的早期诊断此定量化早期诊断体系准确率和敏感性比现有诊断特征有较大幅度的提升。

通过上述实施例可以看到，本发明能够定量化、标准化、系统化、多维度的对帕金森患者进行客观评估，为帕金森的早期诊断和准确诊断提供技术基础，具有很好的应用前景。