CN105930663A - 一种帕金森病早期诊断方法 - Google Patents

Abstract

本发明提供一种帕金森病早期诊断方法，能够提高演化模糊分类器的解释性。所述方法包括：依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；依据已构建的演化模糊分类器获取新测试者的生理数据中属于帕金森病特征样本点的数目；若所述属于帕金森病样本点的数目占所述新测试者的生理数据中样本点总数的比例大于已确定的分类阈值，则将所述新测试者诊断为帕金森病患者。本发明适用于生物医药技术领域。

Description

一种帕金森病早期诊断方法

技术领域

本发明涉及生物医药技术领域，特别是指一种帕金森病早期诊断方法。

背景技术

帕金森病是一种严重威胁中老年人健康与生活质量的神经功能障碍性疾病，临床上以静止性振颤、运动迟缓、僵直、姿势不稳定、语言障碍为主要症状，现在发病率逐年升高，非常普遍，尚不能治愈，只能进行控制，所以及早诊断非常关键。在帕金森病的各种表现中，语言障碍为早期帕金森病的典型症状之一，大约90％的帕金森病人会出现某种程度的语言障碍。

现有技术中，例如，采用基于支持向量机对测试者的语音信号进行了分类，诊断正确率达到91.4％，基本上满足了对帕金森病初步诊断的要求。为了能够对分类结果进行分析，更多的研究人员开始进行特征选择的研究。例如，Sakar和Kursun基于特征选择方法(即选择和帕金森病具有最大相关性的最小语音特征子集)构建了集成SVM分类器对帕金森病进行诊断，分类准确率高达92.75％。Revett等使用粗糙集的方法对帕金森病语音信号进行特征选择与规则提取，其形成的分类结果达到100％的准确率，从而进一步证明了帕金森病通过语音数据进行自动诊断的可能性，但难以有效解释帕金森病语音特征与患病机理的关联性，导致分类模型的解释性较差，难于被人们所理解。

发明内容

本发明要解决的技术问题是提供一种帕金森病早期诊断方法，以解决现有技术所存在的帕金森病分类模型的解释性较差的问题。

为解决上述技术问题，本发明实施例提供一种帕金森病早期诊断方法，包括：

采集测试者的生理数据，并依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；

基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；

采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目；

若所述属于帕金森病样本点的数目占所述新测试者的生理数据中样本点总数的比例大于已确定的分类阈值，则将所述新测试者诊断为帕金森病患者。

进一步地，所述采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，包括：

采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病患者的时间序列模式；

对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点。

进一步地，所述采集测试者的生理数据，包括：

采集测试者的生理数据，并将采集的每个测试者的生理数据作为一组时间序列信息，每个时间序列信息包括预定个数的样本点；

所述依据采集的所述生理数据获取表征帕金森病患者的时间序列模式，包括：

对采集的每个时间序列信息进行归一化处理；

将归一化处理后的每个时间序列信息分割为预定个数的时间序列片段；

将每个时间序列片段的平均值转化成模式，形成时间序列模式；

对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式。

进一步地，所述对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，包括：

基于演化聚类的模式提取算法对形成的所述时间序列模式进行模式聚类；

判断一模式聚类中来自帕金森病患者的时间序列模式占当前模式聚类中所有时间序列模式的比例是否超过预定的第一阈值；

若超过预定的第一阈值，则将当前模式聚类中的时间序列模式标记为帕金森病患者的时间序列模式。

进一步地，所述对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点，包括：

对获取的表征帕金森病患者的时间序列模式内的所有样本点进行聚类；

若一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且当前聚类内的样本点来自多个帕金森病患者，则将当前聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点。

进一步地，所述演化模糊规则存储在预定的规则库中，所述演化模糊规则表示为：

Rule_i:If x₁ is A_i1 AND...ANDx_p is A_ip

$Then{y}_i=l_{im}\left(\stackrel{\→}{x}\right)$

其中，Rule_i表示第i条演化模糊规则，x₁,x₂,...,x_p表示特征向量中的元素，p表示输入空间的维数，A_i1,...,A_ip表示p个前件模糊集，表示所述演化模糊规则的后件参数采用线性函数，m表示类别，y_i表示第i条演化模糊规则的输出值。

进一步地，所述方法还包括：

所述规则库中的所述演化模糊规则是逐渐演化更新的；

其中，所述规则库中的所述演化模糊规则是逐渐演化更新的，包括：

若一演化模糊规则的前件没有发生变化，则采用递推最小二乘公式更新所述一演化模糊规则的后件参数，其中，所述递推最小二乘公式表示为：

${\mathrm{\θ}}_{t+1}^i={\mathrm{\θ}}_t^i+C_t^i{X}_t{\mathrm{\λ}}_t^{i}w(Y_i-X_t^T{\mathrm{\θ}}_t^i),t=1,2,...$

$C_{t+1}^i=C_t^i-\frac{{\mathrm{\λ}}_t^i{C}_t^i{X}_t{X}_t^T{C}_t^i}{1+{\mathrm{\λ}}_t^i{X}_t^T{C}_t^i{X}_t},$

式中，i表示第i条演化模糊规则；表示更新后的t+1时刻的后件参数估计值；表示t时刻的后件参数值；表示t时刻的协方差矩阵；表示t时刻的n+1个前件变量；表示t时刻演化模糊规则的激励强度；w表示代价权重；Y_t表示t时刻演化模糊规则输出值组成的向量；表示更新后的t+1时刻的协方差矩阵。

进一步地，所述基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，包括：

基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构；

其中，所述基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构，包括：

实时读取t时刻新样本点数据z_t；

获取t时刻所述新样本点数据z_t的势能P_t(z_t)和已有的聚类中心的势能

若l∈[1,R]且则更新距离所述新样本点数据z_t最近的已有的聚类；

若l＝[1,R]且则产生新的候选聚类并确定所述候选聚类的聚类密度D_i，及获取已有的聚类密度中的最大聚类密度D_max及最小聚类密度D_min；若αD_min>D_i>D_min/α，则将候选聚类添加到当前的聚类集；若D_i<D_min/β&D_i>βD_min，则认为候选聚类是异常聚类并删除该候选聚类

其中，α及β为预定的阈值且β>α>1；l表示第l个聚类中心的下标；R表示已经挖掘得到的演化模糊规则的数目；δ_min表示新样本点数据到当前所有聚类中心的最短距离；r表示当前候选聚类的半径。

进一步地，所述演化模糊分类器的分类阈值表示为：

$PDthr=\frac{max\left({\mathrm{percentA}}_i\right|normal)+min\left({\mathrm{percentA}}_i\right|PD)}{2}$

其中，PDthr表示为所述演化模糊分类器的分类阈值；A_i表示时间序列；percentA_i表示时间序列A_i中被分类为帕金森病特征样本点的数目占A_i中所有样本点的比例；normal表示训练集中正常人特征样本点；PD表示训练集中帕金森病特征样本点；max(percentA_i|normal)表示训练集中正常人特征样本点被分类为帕金森病特征样本点的最高比例；min(percentA_i|PD)表示训练集中帕金森病特征样本点被分类为帕金森病特征样本点的最低比例；

所述训练集为依据采集的测试者的生理数据获取的表征帕金森病特征样本点及正常人特征样本点。

进一步地，所述采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目，包括：

采集新测试者的生理数据，并判断所述生理数据对应的时间序列模式是否是帕金森病患者的时间序列模式；

若是帕金森病患者的时间序列模式，则依据已构建的演化模糊分类器确定所述生理数据对应的时间序列模式中的样本点属于帕金森病特征样本点的数目。

本发明的上述技术方案的有益效果如下：

上述方案中，通过挖掘的演化模糊规则构建演化模糊分类器，并利用构建的演化模糊分类器识别早期帕金森病患者，提高帕金森病早期诊断的准确率，还可以通过所述演化模糊规则的形式得到人类可理解的知识，从而增加了演化模糊分类器的解释性。这样，基于演化模糊规则构建演化模糊分类器不仅能够提高演化模糊分类器的解释性，同时还保证了演化模糊分类器的准确性，且所述演化模糊规则可以在线更新，具有良好的自适应能力。

附图说明

图1为本发明实施例提供的帕金森病早期诊断方法的流程示意图；

图2为本发明实施例提供的样本点分类流程示意图；

图3为本发明实施例提供的基于演化模糊分类器的诊断流程示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的帕金森病分类模型的解释性较差的问题，提供一种帕金森病早期诊断方法。

实施例一

参看图1所示，本发明实施例提供的一种帕金森病早期诊断方法，包括：

步骤101：采集测试者的生理数据，并依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；

步骤102：基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；

步骤103：采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目；

步骤104：若所述属于帕金森病样本点的数目占所述新测试者的生理数据中样本点总数的比例大于已确定的分类阈值，则将所述新测试者诊断为帕金森病患者。

本发明实施例所述的帕金森病早期诊断方法，通过挖掘的演化模糊规则构建演化模糊分类器，并利用构建的演化模糊分类器识别早期帕金森病患者，提高帕金森病早期诊断的准确率，还可以通过所述演化模糊规则的形式得到人类可理解的知识，从而增加了演化模糊分类器的解释性。这样，基于演化模糊规则构建演化模糊分类器不仅能够提高演化模糊分类器的解释性，同时还保证了演化模糊分类器的准确性，且所述演化模糊规则可以在线更新，具有良好的自适应能力。

在前述帕金森病早期诊断方法的具体实施方式中，进一步地，所述采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，包括：

采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病患者的时间序列模式；

对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点。

本发明实施例中，所述测试者的生理数据可以包括：测试者的手部震颤信号及音频信号，所述测试者的手部震颤信号及音频信号表现为时间序列信息形式，通过辨识帕金森病患者与正常人的时间序列信息的差异，可以得到表征帕金森患者特征的时间序列模式；进一步地，对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，可以获取表征帕金森病特征样本点及正常人特征样本点作为训练集。

在前述帕金森病早期诊断方法的具体实施方式中，进一步地，所述采集测试者的生理数据，包括：

采集测试者的生理数据，并将采集的每个测试者的生理数据作为一组时间序列信息，每个时间序列信息包括预定个数的样本点；

所述依据采集的所述生理数据获取表征帕金森病患者的时间序列模式，包括：

对采集的每个时间序列信息进行归一化处理；

将归一化处理后的每个时间序列信息分割为预定个数的时间序列片段；

将每个时间序列片段的平均值转化成模式，形成时间序列模式；

对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式。

本发明实施例中，具体的，可以通过手机上的加速度计采集测试者手部的震颤情况，同时，通过麦克风采集测试者说话的音频信号。其中，音频信号以每一秒钟记录一条数据，每条数据包含19个特征变量，包括：频谱各个频段的能量，以及音频的各阶梅尔倒频谱系数(Mel-Frequency Cipstal Coefficients，MFCC)；加速度计的采样频率为50Hz，每条采样数据包含x、y、z加速轴线上的数据，每个轴向包含8个特征变量(均值、方差、功率谱密度等)，也就是说，采集的测试者的手部震颤信号及音频信号表现为多元时间序列信息形式。

本发明实施例中，每个测试者可以产生一个时间序列，一共可以产生16个时间序列，每个时间序列假设采集10000个样本点，为了消除不同量纲对数据处理的影响，可以对采集的测试者的生理数据进行z-score在线归一化处理，表示为式(1)：

$x_{ip}^{\&prime;}=\frac{x_{ip}-{\mathrm{\&mu;}}_{ip}}{{\mathrm{\&sigma;}}_{ip}},i=2,3,...---\left(1\right)$

式(1)中，x_ip和x_ip'分别表示归一化前后第i个时刻样本点的第p维数据；μ_ip表示均值；σ_ip表示方差；所述均值μ_ip及方差σ_ip的递归公式分别表示为式(2)和式(3)：

${\mathrm{\&mu;}}_{ip}=\frac{i-1}{i}{\mathrm{\&mu;}}_{(i-1)p}+\frac{1}{i}{x}_{ip};{\mathrm{\&mu;}}_{1p}=0---\left(2\right)$

${\mathrm{\&sigma;}}_{ip}^2=\frac{i-1}{i}{\mathrm{\&sigma;}}_{(i-1)p}^2+\frac{1}{i-1}(x_{ip}-{\mathrm{\&mu;}}_{(i-1)p});{\mathrm{\&sigma;}}_{1p}=0---\left(3\right)$

从而保证数据的方差和均值不会随着时间的变化发生突变，具有很好的健壮性。接着，可以利用分段平均值法对每个时间序列进行压缩，例如，可以把每个时间序列分割成20个时间序列片段，并把每个时间序列片段的平均值转化成模式，形成时间序列模式，接着，对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，其中，每个时间序列片段包含500个样本点的数据。

在前述帕金森病早期诊断方法的具体实施方式中，进一步地，如图3所示，所述对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，包括：

基于演化聚类的模式提取算法对形成的所述时间序列模式进行模式聚类；

判断一模式聚类中来自帕金森病患者的时间序列模式占当前模式聚类中所有时间序列模式的比例是否超过预定的第一阈值；

若超过预定的第一阈值，则将当前模式聚类中的时间序列模式标记为帕金森病患者的时间序列模式。

本发明实施例中，可以对所有测试者的时间序列模式进行相似性度量，具体的，可以基于演化聚类的模式提取算法(Pattern Extraction based on Evolving Clustering，PEEC)获取表征帕金森病患者的时间序列模式和正常人的时间序列模式，具体步骤包括：

C1、创建第一个模式聚类，将第一个时间序列模式t₁作为第一个模式聚类。

C2、获取下一个时间序列模式t_i，计算t_i与所有已有的模式聚类中的时间序列模式t_j(1≤j≤k)之间的相关系数之间的关系，k表示已经存在的模式聚类的个数。

$R(t_i,t_j)=\sqrt{\frac{1-corr(t_i,t_j)}{2}}---\left(4\right)$

式(4)中，R(t_j,t_i)表示两个时间序列模式的相关性；R(t_j,t_i)∈[0,1]，0表示两个时间序列模式完全相关，1表示两个时间序列模式完全不相关；corr(t_i,t_j)表示t_i和t_j之间的相关系数，corr(t_i,t_j)计算公式表示为：

$corr(t_i,t_j)=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}(x_i-\stackrel{\&OverBar;}{x})(y_i-\stackrel{\&OverBar;}{y})}{\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^2\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-\stackrel{\&OverBar;}{y})}^2}}---\left(5\right)$

式(5)中，x_i和分别表示时间序列模式t_i的样本值和均值，y_i和分别表示时间序列模式t_j的样本值和均值，n表示时间序列模式t_i或t_j中样本点的数目。

C3、如果存在t_j与t_i是相关的，且满足式(6)

$R(t_i,t_j)=\underset{j=1,2,...,k;i\&NotElement;j}{min}\left(R\right(t_i,t_j\left)\right)---\left(6\right)$

则意味着t_i属于第j个模式聚类(cluster_j)，在这种情况下，既不用形成新的模式聚类，也不用更新已经存在的模式聚类，否则进入C4。

C4、获得所有已经存在的时间序列模式的模式聚类中心其中，表示第j个模式聚类中心，k表示已经存在的模式聚类的个数，并计算时间序列模式t_i与之间的欧氏距离S_ij，以找到表示为式(7)：

$S_{ij}=d(t_i,t_j^0)=\underset{j=1,2,\mathrm{...},k;i\&NotEqual;j}{min}\left(S_{ij}\right)---\left(7\right)$

若则t_i不属于任何一个已经存在的模式聚类，则创建一个新的模式聚类；其中，表示第j个模式聚类中的第m个时间序列模式(不包含聚类中心)，模式聚类j中包含m_k+1个时间序列模式。

若则时间序列模式t_i∈cluster_j，更新现有的第j个模式聚类的聚类中心。

C5、计算每个模式聚类中来自帕金森病患者的时间序列模式占各自模式聚类中所有时间序列模式的比例，如果该比例超过预定的第一阈值，则认为这个模式聚类中的时间序列模式标记为属于帕金森病患者的时间序列模式。

C6、如果仍有新的时间序列模式输入，则返回C2；否则，结束。

在前述帕金森病早期诊断方法的具体实施方式中，进一步地，所述对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点，包括：

对获取的表征帕金森病患者的时间序列模式内的所有样本点进行聚类；

若一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且当前聚类内的样本点来自多个帕金森病患者，则将当前聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点。

本发明实施例中，将所有标记为帕金森病患者的时间序列模式内的样本点组成一个新的数据集，继续采用PEEC算法对标记为帕金森病患者的时间序列模式内的所有样本点进行聚类实现帕金森病特征样本点和正常人特征样本点的分类，具体的，如果一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且该聚类内包含多个帕金森病患者的样本点，那么认为该聚类是一个帕金森病患者的特征样本点聚类，把该聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点，为后续训练演化模糊分类器提供样本，这样，无需使用采集的所有样本点即可实现帕金森病特征样本点和正常人特征样本点的分类，不仅可以提高诊断的效率，而且保证了诊断准确率。

本发明实施例中，可以先建立TS模糊模型，依据建立的TS模糊模型挖掘出的所述演化模糊规则；并依据挖掘出的所述演化模糊规则构建所述演化模糊分类器，其中，所述演化模糊规则存储在预定的规则库中；为了获得更准确的分类效果，所述演化模糊规则的前件是特征空间的模糊分割，所述演化模糊规则的后件采用的是线性函数而不是简单的类别标签，如式(8)所示：

式(8)中，Rule_i表示第i条演化模糊规则，x₁,x₂,...,x_p表示输入样本的特征向量中的元素，p表示输入空间的维数，A_i1,...,A_ip表示p个前件模糊集，表示所述演化模糊规则的后件参数采用线性函数，m表示类别，y_i表示第i条演化模糊规则的输出值。

本发明实施例中，所述演化模糊分类器的输出是将样本分类为演化模糊规则输出值最大的类别号：其中：k表示类别的数目；

${\hat{y}}_m\left(\stackrel{\&RightArrow;}{x}\right)=\underset{i=1}{\overset{R}{\&Sigma;}}{\mathrm{\&lambda;}}_i\left(\stackrel{\&RightArrow;}{x}\right)l_{im}\left(\stackrel{\&RightArrow;}{x}\right)$

其中，R表示演化模糊规则的数目，a₁₀,a₁₁,…a_1p表示第i个演化模糊规则后件第1个类别的线性子系统的参数，a_k0,a_k1,…a_kp表示第i个演化模糊规则后件第k个类别的线性子系统的参数，表示第i条演化模糊规则的归一化激励强度，τ_i表示第i条演化模糊规则的激励强度。

这样，根据演化模糊规则的多个输出来判断输出的类别号，将样本分类为输出值为最大的类别，可以提高分类结果的准确率。

本发明实施例中，为了提高所述演化模糊分类器的可解释性，实现在线诊断及预测，所述规则库中的演化模糊规则是可以在线更新的，即所述演化模糊规则的数量和演化模糊规则的前件、后件参数是可以变化的，具有良好的自适应能力，例如，所述规则库中的演化模糊规则的更新包括：

E21、当一个演化模糊规则的中心被新样本点替代时，该演化模糊规则的后件参数和协方差矩阵保持不变。

E22、当一个演化模糊规则的前件增加了一个新前件变量时，该新演化模糊规则的后件参数可以用已经存在的所有规则的后件参数的加权平均值来表示，该新演化模糊规则的后件参数表示为式(9)：

式(9)中，λ_i表示第i条演化模糊规则的激励强度，表示t-1时刻第i条演化模糊规则的后件参数，表示更新后的t时刻第R+1条演化模糊规则的后件参数，所有规则更新后的后件参数表示为式(10)：

${\widehat{\mathrm{\&theta;}}}_t={\&lsqb;{\widehat{\mathrm{\&pi;}}}_{1(t-1)}^T,{\widehat{\mathrm{\&pi;}}}_{2(t-1)}^T,...,{\widehat{\mathrm{\&pi;}}}_{R(t-1)}^T,{\widehat{\mathrm{\&pi;}}}_{(R+1)t}^T\&rsqb;}^T---\left(10\right)$

所述演化模糊规则的协方差矩阵C_t的更新公式可以表示为式(11)：

式(11)中，表示协方差矩阵中的元素，R(n+1)表示乘积关系，每个演化模糊规则都有n+1变量,一共有R条演化模糊规则，i的取值范围是i＝[1,R×(n+1)]；j的取值范围是j＝[1,R×(n+1)]，另外n也表示训练学习前的变量维数；ρ＝(R²+1)/R²；Ω表示超过预定值的大数。

E23、当演化模糊规则前件结构没有发生变化时，还可以代价敏感策略来更新规则的后件参数，对帕金森病特征样本点赋予更大的权重，从而降低误诊率。具体的，可以采用递推最小二乘公式更新所述一演化模糊规则的后件参数，其中，所述递推最小二乘公式表示为式(12)：

$\begin{array}{c}{\mathrm{\&theta;}}_{t+1}^i={\mathrm{\&theta;}}_t^i+C_t^i{X}_t{\mathrm{\&lambda;}}_t^{i}w(Y_t-X_t^T{\mathrm{\&theta;}}_t^i),t=1,2,\mathrm{...}\\ C_{t+1}^i=C_t^i-\frac{{\mathrm{\&lambda;}}_t^i{C}_t^i{X}_t{X}_t^T{C}_t^i}{1+{\mathrm{\&lambda;}}_t^i{X}_t^T{C}_t^i{X}_t},\end{array}---\left(12\right)$

式(12)中，i表示第i条演化模糊规则；表示更新后的t+1时刻的后件参数估计值；表示t时刻的后件参数值；表示t时刻的协方差矩阵；表示t时刻的n+1个前件变量；表示t时刻演化模糊规则的激励强度；w表示代价权重；Y_t表示t时刻演化模糊规则输出值组成的向量；表示更新后的t+1时刻的协方差矩阵。所述递推最小二乘公式中初始值Ω表示超过预定值的大数，I表示单位矩阵，n表示训练学习前的变量维数。

本发明实施例中，在利用获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器时，随着新采集的样本点的不断到来，还可以基于融合异常检测的演化聚类算法(Ensemble Outlier Detection based on Evolving Clustering，EODEC)，在线学习所述演化模糊分类器的结构，动态更新所述演化模糊规则的个数和分布，并有效判断一个新到达的样本点潜在的状态，消除异常样本点对后续分类的影响。

本发明实施例中，基于融合异常检测的演化聚类算法EODEC，在线学习所述演化模糊分类器的结构，具体包括：

E11、初始化R＝1；C₁＝ΩI，并初始化规则后件参数为0；其中，R是演化模糊规则的数目，z₁表示第一个样本点，表示第一个聚类的中心，表示势能；协方差矩阵C₁表示一个较大的单位矩阵ΩI，Ω表示超过预定值的大数，I表示单位矩阵。

E12、计算所有已经形成的聚类的密度，找出最大聚类密度D_max和最小聚类密度D_min，并设置阈值α,β(β>α>1)；其中，聚类密度的计算公式表示为式(13)：

$density=\frac{n}{volume}---\left(13\right)$

式(13)中，n表示某个聚类内的样本点的数量，volume为某个聚类的容量，volume表示为式(14)：

$volume=\frac{2*\left({\mathrm{\&Pi;}}_{j=1}{\mathrm{p\&sigma;}}_j\right)*{\mathrm{\&pi;}}^{p/2}}{p*\mathrm{\&Gamma;}(p/2)}---\left(14\right)$

式(14)中，p表示输入空间的维数，σ_j表示第j个聚类中每个维度的带宽，Γ表示gamma函数，gamma函数表示为式(15)：

$gamma\left(x\right)={\&Integral;}_0^{\mathrm{\&infin;}}{t}^{x-1}{e}^{-t}dt---\left(15\right)$

式(15)中，t表示时刻，x表示p/2。

E13、实时读取t时刻采集的新样本点的数据z_t。

E14、递推地计算新样本点的数据z_t的势能P_t(z_t)：

式(16)中，n表示变量的原始个数；j表示维度的范围从1到n+1；l表示第l个聚类中心的下标。

E15、更新所有已有的聚类中心的势能

本发明实施例中，表示聚类中心的势能，也可以表示聚类中心为的聚类。

E16、比较新样本点的势能P_t(z_t)和已有的聚类中心的势能

若l∈[1,R]且其中，l表示第l个聚类中心的下标，R表示已经挖掘得到的演化模糊规则的数目，δ_min表示新样本点数据到当前所有聚类中心的最短距离，r表示当前候选聚类的半径；则通过式(17)和式(18)更新距离所述新样本点数据最近的已有的聚类，最近是指新样本点到当前已有的一聚类中心的距离最小，并跳转到E18：

$P_t\left(z_j^{*}\right)=P_t\left(z_t\right);{\widehat{\mathrm{\&pi;}}}_t={\widehat{\mathrm{\&pi;}}}_t^{j*};C_t=C_t^{j*}---\left(17\right)$

$z_j^{*}=\underset{i=1}{\overset{R}{\mathrm{argmin}}}\left|\right|z_t-z_i^{*}\left|\right|;x_j^{*}=x_t---\left(18\right)$

式(17)、(18)中，j表示当满足条件时,对新样本点数据赋予一个下标索引j；分别表示加入新样本点数据前、后t时刻的规则后件参数；表示当新样本点数据与已经存在的一聚类中心的距离最小时，将新样本点数据重新命名为并用来替代已存在的那个距离新样本点数据最近的聚类中心；C_t，分别表示加入新样本点数据前、后t时刻的协方差矩阵；表示已经存在的一聚类中心；x_t表示新样本点数据在x轴方向的映射；表示新样本点数据被重新命名后在x轴方向的映射；R表示已经挖掘得到的演化模糊规则的数目。

若l＝[1,R]且其中，l表示第l个聚类中心的下标，R表示已经挖掘得到的演化模糊规则的数目，δ_min表示新样本点数据到当前所有聚类中心的最短距离，r表示当前候选聚类的半径；则通过式(19)产生新的候选聚类到预定的缓存器(candidate_Clust)，并进入E16。

$\begin{array}{c}{P}_R\left(z_j^{*}\right)=P_t\left(z_t\right)\\ {\widehat{\mathrm{\&theta;}}}_t={\&lsqb;{\widehat{\mathrm{\&pi;}}}_{1(t-1)}^T,{\widehat{\mathrm{\&pi;}}}_{2(t-1)}^T,\mathrm{...},{\widehat{\mathrm{\&pi;}}}_{R(t-1)}^T,{\widehat{\mathrm{\&pi;}}}_{(R+1)t}^T\&rsqb;}^T\\ {\widehat{\mathrm{\&pi;}}}_{(R+1)t}^T=\underset{i=1}{\overset{R}{\&Sigma;}}{\mathrm{\&lambda;}}_i{\widehat{\mathrm{\&pi;}}}_{i(t-1)}^T\\ C_{R+1}=\mathrm{\&Omega;}I\\ R=R+1;x_R^{*}=x_t\end{array}---\left(19\right)$

式(19)中，表示当新样本点数据与已经存在的一聚类中心的距离最小时，新样本点被重新命名为并用来替代已存在的那个距离新样本点数据最近的聚类中心；中的R表示候选聚类为新产生的；x_t表示新样本点数据在x轴方向的映射；是新样本点数据作为新的演化模糊规则的中心在x轴方向的映射；C_R+1表示新增加的协方差矩阵，R是演化模糊规则的数目，表示所有演化模糊规则更新后的后件参数，λ_i表示第i条演化模糊规则的激励强度，表示t-1时刻第i条演化模糊规则的后件参数，表示更新后的t时刻第R+1条演化模糊规则的后件参数。

否则，当前聚类结构不变。

E16、获取预定的缓存器(candidate_Clust)中所有聚类的密度D₁,D₂,...,D_l和最大聚类密度D_max及最小聚类密度D_min，其中，可以将所述候选聚类的聚类密度标记为D_i。

E17、比较聚类密度

若αD_min>D_i>D_min/α，则将对应候选聚类添加到当前的聚类集；

若D_i<D_min/β&D_i>βD_min，则认为该候选聚类是异常聚类，将其删除。

E18、如果没有新的样本点到达则结束，否则返回E13，实时接收下一时刻的数据。

在前述帕金森病早期诊断方法的具体实施方式中，进一步地，根据对所述演化模糊分类器的训练结果，确定所述演化模糊分类器的分类阈值，其中，所述演化模糊分类器的分类阈值PDthr表示为：

$PDthr=\frac{max\left({\mathrm{percentA}}_i\right|normal)+min\left({\mathrm{percentA}}_i\right|PD)}{2}$

其中，A_i表示时间序列；percentA_i表示时间序列A_i中被分类为帕金森病特征样本点的数目占A_i中所有样本点的比例；normal表示训练集中正常人特征样本点；PD表示训练集中帕金森病特征样本点；max(percentA_i|normal)表示训练集中正常人特征样本点被分类为帕金森病特征样本点的最高比例；min(percentA_i|PD)表示训练集中帕金森病特征样本点被分类为帕金森病特征样本点的最低比例；所述训练集为依据采集的测试者的生理数据获取的表征帕金森病特征样本点及正常人特征样本点。

在前述帕金森病早期诊断方法的具体实施方式中，进一步地，所述采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目，包括：

采集新测试者的生理数据，并基于融合异常检测的演化聚类算法判断所述生理数据对应的时间序列模式是否是帕金森病患者的时间序列模式；

若是帕金森病患者的时间序列模式，则依据已构建的演化模糊分类器确定所述生理数据对应的时间序列模式中的样本点属于帕金森病特征样本点的数目。

本发明实施例中，如图3所示，当有新的测试者要采用已构建的所述演化模糊分类器进行帕金森病诊断时，具体步骤包括：

H1、实时采集新测试者的手部震颤信号及音频信号，接收到的所述手部震颤信号及音频信号以时间序列的形式存在，表示为B₁,B₂,...,B_i,...,B_M，_M表示新测试者的数目，接着对采集的时间序列B_i进行在线分段压缩，形成时间序列模式b_i(1≤i≤M)。

本发明实施例中，例如，M＝16，可以对16个新测试者进行诊断验证，其中，9个新测试者已经在临床上确诊患有帕金森病，这些帕金森病患者处于帕金森病不同阶段；另外7名新测试者是健康的正常人，他们作为参与测试的对照组。帕金森病组中新测试者的年龄在46岁到80岁之间，平均年龄为60岁，健康的对照组中新测试者的年龄在42岁到77岁之间，平均年龄为61岁。帕金森病组中有7名男性患者和2名女性患者，对照组中有5名男性患者，2名女性患者。

H2、初始化Num_i＝0，Num_i(1≤i≤M)表示时间序列B_i中的帕金森病特征样本点的个数，并采用PEEC算法对时间序列模式b_i进行在线模式聚类，如果b_i被聚类到帕金森病患者的时间序列模式聚类中，那么时间序列模式b_i被看作帕金森病患者的时间序列模式。

H3、在线分类时间序列模式b_i内的样本点：

若时间序列模式b_i是帕金森病患者的时间序列模式，则利用已构建的演化模糊分类器对时间序列模式b_i内的所有样本点进行分类，识别时间序列模式b_i内的样本点是否为帕金森病特征样本点；如果时间序列模式b_i内有q个样本点被分类为帕金森病特征样本点，则更新Num_i＝Num_i+q。如果时间序列模式b_i不是帕金森病患者的时间序列模式，则将时间序列模式b_i中的所有样本点标记为正常人特征样本点。

H4、当时间序列B_i接收完毕时，则计算时间序列B_i中属于帕金森病的样本点个数Num_i占时间序列B_i中总样本点个数的比例percent_i；如果percent_i<PDthr，则将B_i对应的新测试者诊断为正常人，否则将B_i对应的新测试者诊断为帕金森病患者。

H5、如果仍有新的数据输入，则返回H1。

本发明实施例中，基于构建的演化模糊分类器对16个新测试者进行诊断的结果如表1所示，由表1可知，基于构建的演化模糊分类器的诊断结果的准确率高达100％。

表1基于演化模糊分类器诊断帕金森病患者的结果

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种帕金森病早期诊断方法，其特征在于，包括：

采集测试者的生理数据，并依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，所述生理数据表示为时间序列信息；

基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，并确定所述演化模糊分类器的分类阈值；

采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目；

若所述属于帕金森病样本点的数目占所述新测试者的生理数据中样本点总数的比例大于已确定的分类阈值，则将所述新测试者诊断为帕金森病患者。

2.根据权利要求1所述的帕金森病早期诊断方法，其特征在于，所述采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病特征样本点及正常人特征样本点，包括：

采集测试者的生理数据，依据采集的所述生理数据获取表征帕金森病患者的时间序列模式；

对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点。

3.根据权利要求2所述的帕金森病早期诊断方法，其特征在于，所述采集测试者的生理数据，包括：

采集测试者的生理数据，并将采集的每个测试者的生理数据作为一组时间序列信息，每个时间序列信息包括预定个数的样本点；

所述依据采集的所述生理数据获取表征帕金森病患者的时间序列模式，包括：

对采集的每个时间序列信息进行归一化处理；

将归一化处理后的每个时间序列信息分割为预定个数的时间序列片段；

将每个时间序列片段的平均值转化成模式，形成时间序列模式；

对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式。

4.根据权利要求3所述的帕金森病早期诊断方法，其特征在于，所述对形成的所述时间序列模式进行模式聚类，获取表征帕金森病患者的时间序列模式，包括：

基于演化聚类的模式提取算法对形成的所述时间序列模式进行模式聚类；

判断一模式聚类中来自帕金森病患者的时间序列模式占当前模式聚类中所有时间序列模式的比例是否超过预定的第一阈值；

若超过预定的第一阈值，则将当前模式聚类中的时间序列模式标记为帕金森病患者的时间序列模式。

5.根据权利要求2所述的帕金森病早期诊断方法，其特征在于，所述对所述表征帕金森病患者的时间序列模式内的样本点进行聚类，获取表征帕金森病特征样本点及正常人特征样本点，包括：

对获取的表征帕金森病患者的时间序列模式内的所有样本点进行聚类；

若一个聚类内来自帕金森病患者的样本点的数目超过预定的第二阈值，且当前聚类内的样本点来自多个帕金森病患者，则将当前聚类内的所有样本点标记为帕金森病特征样本点，并把未被标记为帕金森病特征样本点的样本点标记为正常人特征样本点。

6.根据权利要求1所述的帕金森病早期诊断方法，其特征在于，所述演化模糊规则存储在预定的规则库中，所述演化模糊规则表示为：

Rule_i:Ifx₁isA_i1 AND...ANDx_p isA_ip

$Then{y}_i=l_{im}\left(\stackrel{\&RightArrow;}{x}\right)$

其中，Rule_i表示第i条演化模糊规则，x₁,x₂,...,x_p表示特征向量中的元素，p表示输入空间的维数，A_i1,...,A_ip表示p个前件模糊集，表示所述演化模糊规则的后件参数采用线性函数，m表示类别，y_i表示第i条演化模糊规则的输出值。

7.根据权利要求6所述的帕金森病早期诊断方法，其特征在于，所述方法还包括：

所述规则库中的所述演化模糊规则是逐渐演化更新的；

其中，所述规则库中的所述演化模糊规则是逐渐演化更新的，包括：

若一演化模糊规则的前件没有发生变化，则采用递推最小二乘公式更新所述一演化模糊规则的后件参数，其中，所述递推最小二乘公式表示为：

${\mathrm{\&theta;}}_{t+1}^i={\mathrm{\&theta;}}_t^i+C_t^i{X}_t{\mathrm{\&lambda;}}_t^{i}w(Y_t-X_t^T{\mathrm{\&theta;}}_t^i),t=1,2,...$

$C_{t+1}^i=C_t^i-\frac{{\mathrm{\&lambda;}}_t^i{C}_t^i{X}_t{X}_t^T{C}_t^i}{1+{\mathrm{\&lambda;}}_t^i{X}_t^T{C}_t^i{X}_t},$

式中，i表示第i条演化模糊规则；表示更新后的t+1时刻的后件参数估计值；表示t时刻的后件参数值；表示t时刻的协方差矩阵；表示t时刻的n+1个前件变量；表示t时刻演化模糊规则的激励强度；w表示代价权重；Y_t表示t时刻演化模糊规则输出值组成的向量；表示更新后的t+1时刻的协方差矩阵。

8.根据权利要求1所述的帕金森病早期诊断方法，其特征在于，所述基于挖掘的演化模糊规则构建演化模糊分类器，并依据获取的所述表征帕金森病特征样本点和正常人特征样本点训练所述演化模糊分类器，包括：

基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构；

其中，所述基于融合异常检测的演化聚类算法，在线学习演化模糊分类器的结构，包括：

实时读取t时刻新样本点数据z_t；

获取t时刻所述新样本点数据z_t的势能P_t(z_t)和已有的聚类中心的势能

若l∈[1,R]且则更新距离所述新样本点数据z_t最近的已有的聚类；

若l＝[1,R]且则产生新的候选聚类并确定所述候选聚类的聚类密度D_i，及获取已有的聚类密度中的最大聚类密度D_max及最小聚类密度D_min；若αD_min>D_i>D_min/α，则将候选聚类添加到当前的聚类集；若D_i<D_min/β&D_i>βD_min，则认为候选聚类是异常聚类并删除该候选聚类

其中，α及β为预定的阈值且β>α>1；l表示第l个聚类中心的下标；R表示已经挖掘得到的演化模糊规则的数目；δ_min表示新样本点数据到当前所有聚类中心的最短距离；r表示当前候选聚类的半径。

9.根据权利要求1所述的帕金森病早期诊断方法，其特征在于，所述演化模糊分类器的分类阈值表示为：

$PDthr=\frac{\max \left({\mathrm{percentA}}_i\right|normal)+\min \left({\mathrm{percentA}}_i\right|PD)}{2}$

其中，PDthr表示为所述演化模糊分类器的分类阈值；A_i表示时间序列；percentA_i表示时间序列A_i中被分类为帕金森病特征样本点的数目占A_i中所有样本点的比例；normal表示训练集中正常人特征样本点；PD表示训练集中帕金森病特征样本点；max(percentA_i|normal)表示训练集中正常人特征样本点被分类为帕金森病特征样本点的最高比例；min(percentA_i|PD)表示训练集中帕金森病特征样本点被分类为帕金森病特征样本点的最低比例；

所述训练集为依据采集的测试者的生理数据获取的表征帕金森病特征样本点及正常人特征样本点。

10.根据权利要求1所述的帕金森病早期诊断方法，其特征在于，所述采集新测试者的生理数据，依据已构建的演化模糊分类器获取所述新测试者的生理数据中属于帕金森病特征样本点的数目，包括：

采集新测试者的生理数据，并判断所述生理数据对应的时间序列模式是否是帕金森病患者的时间序列模式；

若是帕金森病患者的时间序列模式，则依据已构建的演化模糊分类器确定所述生理数据对应的时间序列模式中的样本点属于帕金森病特征样本点的数目。