CN108309303B - 一种可穿戴冻结步态智能监测与助行设备 - Google Patents
一种可穿戴冻结步态智能监测与助行设备 Download PDFInfo
- Publication number
- CN108309303B CN108309303B CN201711430047.1A CN201711430047A CN108309303B CN 108309303 B CN108309303 B CN 108309303B CN 201711430047 A CN201711430047 A CN 201711430047A CN 108309303 B CN108309303 B CN 108309303B
- Authority
- CN
- China
- Prior art keywords
- fog
- gait
- prediction model
- time
- laser
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005021 gait Effects 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 206010056242 Parkinsonian gait Diseases 0.000 claims abstract description 206
- 230000001133 acceleration Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008014 freezing Effects 0.000 claims abstract description 12
- 238000007710 freezing Methods 0.000 claims abstract description 12
- 230000001020 rhythmical effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000035945 sensitivity Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000001915 proofreading effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 208000024891 symptom Diseases 0.000 abstract description 8
- 206010017577 Gait disturbance Diseases 0.000 abstract description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 208000018737 Parkinson disease Diseases 0.000 description 6
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000004645 scanning capacitance microscopy Methods 0.000 description 4
- 238000013068 supply chain management Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 208000031339 Split cord malformation Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000002683 foot Anatomy 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010003645 Atopy Diseases 0.000 description 1
- 208000001089 Multiple system atrophy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000013546 non-drug therapy Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 201000002212 progressive supranuclear palsy Diseases 0.000 description 1
- 230000000272 proprioceptive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Developmental Disabilities (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Therapy (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种可穿戴冻结步态智能监测与助行设备，包括：三轴加速计、三轴陀螺仪、三轴地磁传感器，用于采集X、Y、Z轴三轴加速度；微控制器，用于检测冻结步态状态；电源，为微控制器提供电源。本发明针对冻结步态这一特殊的步态障碍疾病，开发了FOG智能识别与分类算法，克服了以往通过对加速度设定临界阈值进行判断所带来的个体差异性误差，从而提高FOG的识别准确度。本发明在与现有的持续性激光引导方式相比，患者可在节律性激光引导下，其冻结步态次数显著降低，冻结持续时间缩短，步态的节律性和协调性有显著提高(p<0.05)，在改善冻结步态症状时，达到了康复训练的效果。
Description
技术领域
本发明涉及的是一种智能医疗辅助领域的设备，具体涉及一种可穿戴式冻结步态智能监测与助行设备。
背景技术
冻结步态(FOG)是帕金森病(PD)的一种常见步态异常症状，横断面研究显示30％-60％的PD伴有冻结步态。在其他神经系统变性疾病，如多系统萎缩、进行性核上性麻痹等疾病中，FOG的发病率较PD更高。FOG具有发生突然、持续时间短暂、情景触发而不可预测的特点，极易导致患者跌倒，严重影响患者生活质量。然而，在冻结步态的治疗方面，药物对冻结步态症状的改善效果不理想，甚至对有些患者而言，药物会加重FOG症状。因此，探索非药物治疗冻结步态新方法，开发相关医疗辅助设备已俞益受到关注。
中国专利CN105342812A记载了一种用于帕金森患者的可穿戴的助步器，该助步器穿戴于患者脚踝附近，通过在患者脚部前方产生引导光线，以视觉刺激的方式引导患者行走，达到冻结步态缓解的康复治疗效果。中国专利CN205728299U记载了一种用于帕金森患者的助步器鞋，该助步鞋本体内设有用于产生照射在患者脚步前方的助步引导标志光线的一字型激光器，在帕金森患者行走过程中产生助步引导标志光线，以视觉刺激来弥补患者本体感觉缺陷，缓解冻结步态。中国专利CN 104606868A记载了一种用于缓解帕金森病患者冻结步态的智能手环，该设备输出模块包括振动单元、扬声器和线激光器。其可以通过触觉、听觉或视觉刺激等方式缓解帕金森病患者的冻结步态。
但是，上述专利所公开的激光助行设备，未对激光发射进行智能控制，无法监测患者冻结步态的发生状况。设备采用人工开启方式，一旦开启使用，激光线一直处于常亮状态，容易给患者造成视觉疲劳，减弱患者步行时的注意力，不能有效改善FOG症状。由于FOG的发生与环境和情景有关，即FOG通常发生在患者起步、转弯、狭小空间、接近终点和情绪紧张等短时或瞬间情况下，患者行进过程中则少有FOG发生，因此有文献报道，这种持续性激光对患者行进过程不发挥作用，相反易干扰患者的正常行走。其次，研究还发现，持续性激光暗示也并不具有康复训练的功能，即患者在使用该类型激光助行设备时，患者的步态特征参数，如步态的节律性和协调性未见有效改善。
综上所述，目前尚未见有关通过运动模式识别技术自动探测患者冻结步态发生、由实时控制激光发射的时间和频率、实现患者冻结步态症状改善和康复训练双重效果的可穿戴智能激光监测与助行设备。
发明内容
针对目前可穿戴智能激光助行设备存在的缺陷，本发明提供了一种冻结步态(FOG)智能监测设备。
本发明所述的可穿戴冻结步态智能监测与助行设备，包括：
三轴加速计、三轴陀螺仪、三轴地磁传感器，用于采集X、Y、Z轴三轴加速度；微控制器，用于检测冻结步态状态；
电源，为微控制器提供电源。
在本发明的一种优选实施例中，所述微控制器包括：
数据采集模块：用于采集行进过程中的X、Y、Z三轴加速度，获得加速度时间序列矩阵；
FOG编码模块：发生FOG时，编码为1，发生非FOG时，编码为-1；
FOG预测模块：使用AdaBoostSVM集成分类器，包括N个SVM子分类器，每个子分类器均进行是否发生FOG的预测，预测结果为1或-1，最终预测值Y为：
其中，N为＞1的自然数，i为1至N的自然数；ai为第i个子分类器权重，fi(xj)为第i个子分类器在j时刻的预测值；若Y≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Y＜0，则FOG预测模型的最终预测值为-1，该时刻发生非FOG，即正常步态。
优选地，第i+1个子分类器的权重ai+1为：
其中，
εi为第i个分类器的错误率，Di是归一化因子，其作用是使得
εi为第i个分类器的错误率，m为数据总量，m＝fs×t。
在本发明的一种优选实施例中，j＝1,2,3,……fs×t，其中，fs为数据采集频率，t为数据采集时间。
在本发明的一种优选实施例中，初始权重a1＝1/m。
在本发明的一种优选实施例中，子分类器个数N优选为10000。
在本发明的一种优选实施例中，所述子分类器为支持向量机。
在本发明的一种优选实施例中，所述微控制器还包括激光光源控制模块，接收FOG预测模型的最终预测值，并根据所收到的FOG预测模型的最终预测值控制激光光源的开启和/或关闭。
在更优选实施例中，若所收到的FOG预测模型的最终预测值为1，则控制激光光源开启；若所收到的FOG预测模型的最终预测值为-1，则控制激光光源关闭。
在更优选实施例中，所述冻结步态智能监测设备还包括：激光发射系统，所述机构发射系统包括激光光源，所述激光光源在激光光源控制模块控制下开启和/或关闭。
在更优选实施例中，所述激光发射系统还包括激光频率调节器，所述微控制器还包括步频数据采集模块，步频数据采集模块将步频参数发送给激光频率调节器，激光光源开启后，所述激光频率调节器控制所述激光光源以所述步频在地面上投射出节律性横形激光线。
在本发明的一种优选实施例中，所述激光发射系统还包括用于固定激光光源的支架。
在更优选实施例中，激光光源包括NPN三极管共射极放大电路，连接在STM32的I/O输出端口。
在本发明的一种优选实施例中，所述微控制器还包括内部参数校对模块：获取行进过程中发生FOG的次数，每次FOG发生起始时间、终止时间和持续时间；获得每个采样时刻的真实FOG时间序列矩阵c；
将发生FOG编码为1，发生非FOG编码为-1；所有时域内的1和-1组成标签，标签与其对应的发生时间构建一个二维FOG编码矩阵VCM(视频编码矩阵，Video Coding matrix)；
FOG特征值提取矩阵SCM(信号编码矩阵，Signal Coding matrix)构建模块：将采集到的加速度时间序列矩阵，通过预设的n个递增的滑动时间窗参数，在X、Y、Z三轴上分别进行傅里叶变换，获取非FOG频带(即正常步行加速度频率分布)的能量之和A以及FOG频带(冻结步态是加速度频率分布)的能量之和B，将A除以B作为分类特征K，建立n个FOG特征值提取矩阵SCM；n为自然数；VCM中的FOG标签与FOG编码一一对应，因此VCM中的FOG发生时间信息隐含到SCM中；
VCM矩阵中每个采样时刻有一个对应的FOG发生与否的预测值，从而获得预测FOG时间序列矩阵y1，将真实FOG时间序列矩阵c与预测时间序列矩阵y1对比对FOG预测模型进行验证，并获得分类器内部参数，所述内部参数包括子分类器权重和偏置。
在本发明一种优选实施例中，所述微控制器还包括外部参数校对模块：
根据FOG预测模型，获得每个滑动时间窗参数下FOG识别结果，获得预测序列矩阵y2；将真实FOG时间序列矩阵c与预测时间序列矩阵y2进行对比对FOG预测模型进行验证，筛选符合预期准确性、灵敏性和特异性的滑动时间窗参数。
其中，所述傅里叶变换优选为离散傅里叶变换，更优选为快速傅里叶变换(利用计算机离散傅里叶变换，FFT)。
在本发明一种优选实施例中，所述将真实FOG时间序列矩阵c与预测时间序列矩阵(y1和/或y2)对比对FOG预测模型进行验证的方法优选为：统计真阳(TP)、假阳(FP)、真阴(TN)、假阴(FN)的个数，计算预测模型的准确度、灵敏度和特异性。
其中，所述准确性计算方法优选为：
其中，所述灵敏性计算方法优选为：
其中，所述特异性计算方法优选为：
在本发明一种优选实施例中，提取SCM中特征值数据的部分作为智能识别算法训练集之后，剩余特征值中的至少部分作为测试集，用于验证FOG预测模型的识别精度。
在本发明一种优选实施例中，采集FOG数据中，提取的是单个使用者的数据，所述建立FOG预测模型中，提取该使用者SCM中部分特征值数据作为智能识别算法训练集，提取SCM中剩余的至少部分特征值数据作为测试集，进行交叉验证。
在本发明另一种优选实施例中，采集FOG数据中，提取的是多个使用者的数据，所述建立FOG预测模型中，提取部分使用者的SCM中的特征值数据作为智能识别算法训练集，提取其余使用者中的至少部分的SCM中的特征值数据作为测试集，进行验证。更优选地，每次选取一个使用者的SCM中的特征值数据作为测试集，其他使用者的SCM中的特征值数据作为智能识别算法训练集。
在本发明的一种优选实施例中，所述VCM为二维矩阵：
其中，第一行为时间序列，第二行为具体的标签；将第i次FOG的起始时间表示为FSTi，将第i次FOG的结束时间表示为FETi，第i次FOG的持续时间记为FSTi～FETi；将第i次非FOG的起始时间表示为NSTi，将第i次非FOG的结束时间表示为NETi，第i次非FOG的持续时间记为NSTi～NETi；所述二维FOG编码矩阵中，非FOG发生次数始终比FOG发生次数多1；i为自然数，表示FOG或非FOG发生次数；M表示一个数据集中总共发生FOG的次数；
在本发明的一种优选实施例中，所述SCM为四维矩阵：
其中，第一、二、三行分别为加速度在X轴、Y轴、Z轴上的分类特征值，第四行是与FOG编码矩阵VCM第二行完全相同的FOG标签；FXiFi表示第i次FOG时X轴上提取的特征值，NXiNi表示第i次非FOG时X轴上提取的特征值，FYiFi表示第i次FOG时Y轴上提取的特征值，NYiNi表示第i次非FOG时Y轴上提取的特征值，FZiFi表示第i次FOG时Z轴上提取的特征值，NZiNi表示第i次非FOG时Z轴上提取的特征值；i为自然数，表示FOG或非FOG发生次数；
在本发明的一种优选实施例中，非FOG频带优选为0.5-3Hz范围。
在本发明的一种优选实施例中，FOG频带优选为3-8Hz范围。
即，K优选为：
其中，frequency为频率变量，magnitude(frequency)为所述频率变量对应的能量值。
本发明有益效果：
1)本发明针对冻结步态这一特殊的步态障碍疾病，开发了FOG智能识别与分类算法，克服了以往通过对加速度设定临界阈值进行判断所带来的个体差异性误差，从而提高FOG的识别准确度。
2)本发明有效提高了冻结步态的识别率，对患者FOG识别的准确性、灵敏性和特异性分别达到了91.9％±3.3％，88.4％±4.7％，93.6％±3.4％。
3)本发明在与现有的持续性激光引导方式相比，患者在节律性激光引导下，其冻结步态次数显著降低，冻结持续时间缩短，步态的节律性和协调性有显著提高(p<0.05)，在改善冻结步态症状时，达到了康复训练的效果。
本发明提供了一种无需阈值判断的FOG智能监测算法和设备，准确监测患者冻结步态的发生状况，即时触发激光发射器的控制信号，可以控制激光的发出和关闭、并可以控制在患者行进地面上投射节律性激光，以视觉引导方式改善患者冻结步态症状，达到缩短患者冻结步态持续时间以及解除冻结步态的效果，从而有效降低患者跌倒发生的风险。本发明提出的FOG智能监测算法可用于智能激光助行设备，控制激光发射器是根据患者行走时的自然步频，控制和调节激光线的发射频率，引导患者以一定节律迈步，保持患者跨步时间的稳定，减少患者步态障碍的序列效应，改善患者步态的节律性和协调性。因此，本发明既能有效改善患者冻结步态症状，又具监测与康复训练效果，为临床诊断与治疗提供了一种新方法。
附图说明
图1为本发明FOG智能识别算法流程图。
图2为FOG编码与标签图。
图3为本发明的系统框架图。
图4为本发明在12例患者使用时，其冻结步态改善的实验结果统计图。
具体实施方式
参照图3，本发明冻结步态智能监测设备包括九轴传感器、微控制器、SD存储卡、激光发射系统，激光发射系统包括固定于激光固定架上的激光发射频率调节模块、激光光源控制器和激光光源，其中微控制器中移植有冻结步态检测系统。
实施例1，
参照图1，在本实施例中生成冻结步态检测系统的补正具体包括：
步骤1，数据采集
通过九轴传感器(包含三轴加速度计、三轴陀螺仪、三轴地磁传感器)采集患者的三轴加速度数据，即X、Y、Z轴的加速度数据，采集数据由微控制器保存到SD卡中。
在采集患者加速度数据同时，对患者的步行过程进行同步摄像。
步骤2，冻结步态线下识别
将患者的加速度数据由SD卡导入PC电脑，在电脑上应用开发的冻结步态智能识别算法，对患者冻结步态进行识别与分类。该步骤具体包括：
1)FOG编码与标签设定，构建FOG编码矩阵
通过观察已录制的摄像，确定患者在整个行进过程中发生FOG的次数，以及每次FOG发生的起始时间、终止时间和持续时间。
将FOG编码为1，非FOG编码为-1。所有时域内的1和-1组成标签，标签与其对应的发生时间构成一个二维FOG编码矩阵(VCM)。参照图2，其中1为FOG，-1为非FOG。横坐标为采样时间，单位为秒。
其中，矩阵的第一行为时间序列，矩阵的第二行为具体的FOG标签，FSTi表示发生第i次FOG的起始时间，FETi表示第i次FOG的结束时间，FSTi～FETi表示第i次FOG的持续时间。NSTi表示第i次非FOG的起始时间，NETi表示第i次非FOG的结束时间，NSTi～NETi表示第i次非FOG的持续时间。在编码矩阵中，非FOG的发生次数始终比FOG发生的次数多1。
2)建立FOG特征提取矩阵SCM
依据FOG发生时与正常步行时加速度具有不同能量谱分布的原理，即发生FOG时加速度频率在0.5-3HZ(正常步行频带，非FOG频带)具有较低的能量分布，在3-8HZ(冻结步态频带，FOG频带)具有较高的能量分布。
将采集到的患者加速度时间序列数据，通过预设n个滑动时间窗，在三轴方向上分别进行快速傅里叶变换。加速度在0.5-3HZ频率的能量之和，除以3-8HZ频率的能量和，作为分类特征K，建立n个FOG特征提取矩阵SCM。
其中，SCM矩阵为四维矩阵，矩阵的第一、二、三行分别为加速度在X轴、Y轴、Z轴上的分类特征值K，矩阵的第四行是与FOG编码矩阵VCM第二行完全相同的FOG标签；由于VCM中的FOG标签与FOG编码一一对应，所以VCM中的FOG发生时间信息，即第i次FOG的起始时间(FSTi)、结束时间(FETi)、非FOG起始时间(NSTi)、非FOG结束时间(NETi)将被隐含到SCM中去。
SCM中的FXiFi表示第i次FOG时X轴上提取的特征值，NXiNi表示第i次非FOG时X轴上提取的特征值，FYiFi表示第i次FOG时Y轴上提取的特征值，NYiNi表示第i次非FOG时Y轴上提取的特征值，FZiFi表示第i次FOG时Z轴上提取的特征值，NZiNi表示第i次非FOG时Z轴上提取的特征值。
本实施例中，所有数据采集中一个患者。SCM矩阵中的70％数据将用于智能识别算法的训练集。其余30％的数据作为测试集，用于验证FOG预测模型。3)确定分类器的内部参数
相比传统FOG识别算法，本算法不必寻找FOG与非FOG的阈值，只需根据采集的患者加速度数据，通过提取FOG的相关特征值，建立FOG的预测模型，就能完成对患者未知数据的自动分类。无阈值检测可避免因个体差异带来的阈值标定错误，从而提高FOG的预测准确度。
本发明FOG预测模型采用AdaBoostSVM集成分类器，包括N个SVM子分类器，N预设为10000，每个子分类器均进行是否发生FOG的预测，预测结果为1或-1，其中，N为＞1的自然数，i为1至N的自然数；第i+1个分类器的权重为：
其中，
εi为第i个分类器的错误率，Di是归一化因子，其作用是使得
m为数据总量。
最终预测变量
其中fi(xj)为真实发生FOG的标签(1或-1)；若Yj≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Yj＜0，则FOG预测模型的最终预测值为-1，该时刻发生非FOG，即正常步态，包括站立和正常行走。
AdaBoostSVM集成分类器由10000个子分类器支持向量机组成。支持向量机的个数过高会产生过拟合，过低会产生欠拟合，不同支持向量机的个数对灵敏性和特异性有不同的侧重，从而可以避免过高灵敏性带来的过低特应性(或反之亦然)，在灵敏性和特异性方面取得折中，以满足临床监测诊断的分类需求。因此，本发明对任意预测时刻j的FOG分类预测值yj求解，公式可概括为：
其中
εi为第i个分类器的错误率，fi(x)为真实发生FOG的标签(1或者-1)。
N为子分类器的个数，m为数据总量，m＝fs×t
yj为j时刻FOG分类预测值，预测结果如为1，代表j时刻发生了FOG，预测结果如为-1，表示j时刻为非FOG。j的取值范围取决于数据采样频率fs和采样时间t的乘积数fs×t。xj为j时刻的FOG特征值，即该时刻采样的加速度能量谱特征，可以通过公司(2)计算得到。函数fi为第i个子分类器的FOG预测分类值，例如，fi(xj)为第i个子分类器在j时刻的FOG预测的分类值(1或-1)。本实施例中，
因为每种分类器的预测结果为FOG(预测值为1)或非FOG(预测值为-1)，因此只要
大于等于0时，则认定最终的预测值为1，即预测该时刻发生了FOG。预测值总和小于0时，则预测该时刻为正常步态。所有预测值yj的输出构成了预测序列矩阵y1。
y1＝(y1,y2,y3,y4,…,ym-1,ym)，m＝fs×t (5)
获取预测模型的最佳内部参数后，对测试集进行测试，并计算识别精度(包括准确性，灵敏性、特异性)，来评估模型的性能，其中测试集来自于矩阵SCM的数据中的30％。根据VCM矩阵中每个采样时刻xj都会有一个对应的真实FOG发生与否的ck值(ck＝1表示发生了FOG，ck＝-1表示非FOG)，我们对ck时间序列与预测时间序列进行对比，统计预测的真阳(TP)、假阳(FP)真阴(TN)和假阴(FN)个数，构建二分类的混淆矩阵(表1)，用于分析预测模型的精度，包括准确性，灵敏性和特异性的计算与分析。
表1，二分类的混淆矩阵
TP：真实发生了FOG、预测为FOG
FN：真实发生了FOG、预测为非FOG
FP：真实发生了非FOG、预测为FOG
TN：真实发生了非FOG、预测为非FOG
因此：
准确性＝(TP+TN)/(TP+TN+FP+FN)
灵敏性＝TP/(TP+FN)
特异性＝TN/(TN+FP)
本实施例中，随机选取70％数据将用于智能识别算法的训练集，调整yj＝
里的子分类器的权重和偏置等最佳内部参数(αi)。
其余30％的数据作为测试集，可以获取针对每个病人的最佳预测模型，提高预测模型的个性化识别精度。
步骤3，移植到微控制器
经过上述识别精度的验证后，将FOG预测模型移植到微控制器，用于实时监测患者冻结步态的发生状况。
参照图3，当微控制器中的FOG监测系统的预测输出为1时，即识别算法已经监测到患者发生冻结步态，微控制器向激光发射系统发出开启激光光源的控制信号。当算法监测到冻结步态结束时，即监测到冻结步态转为非冻结步态时，微控制器向激光发射系统发出关闭激光光源的控制信号。
在此基础上，本发明还可以采集获得患者自然行走时的步频，将患者的步频参数输入至激光频率调节器，激光发射器以此频率在地面上投射出节律性横形激光线，引导患者左右足按照投射在地面激光线的节律向前迈步。
实施例2
本实施例在实施例1的基础上，步骤2还包括：
4)滑动时间窗参数(外部参数)确定
步骤2的第2)部分中，提取FOG特征时，对加速度数据在每个时间窗内进行处理，滑动时间窗设为可调参数，滑动时间窗越大，预测精度越高，但随之会带来较大的系统时延，所以需对滑动时间窗的参数设置进行折中调节，以获得较高精度的FOG识别结果。
本发明为滑动时间窗预设了n个递增参数，参照公式(4)获得在每个滑动时间窗参数下的FOG识别结果，获得FOG预测时间序列矩阵y2。
根据表1构建二分类的混淆矩阵，并计算准确性，灵敏性和特异性。将符合预期的参数，如准确性、灵敏性和特异性较高且系统时延(即滑动时间窗)较小时所对应的参数，确定为实现FOG最佳识别效果的滑动时间窗参数。该滑动时间窗参数作为分类器的外部参数。
把FOG预测模型移植到微控制器中后，把每个确定的FOG最佳识别效果的滑动时间窗参数输入到已经确立外部和内部参数的分类器后，分类器对每个新的加速度数据的标签进行预测，即1或-1。当预测输出为1时，即识别算法已经监测到患者发生冻结步态，微控制器向激光发射系统发出开启激光光源的控制信号。当算法监测到冻结步态结束时，即监测到冻结步态转为非冻结步态时，微控制器向激光发射系统发出关闭激光光源的控制信号。
实施例3
与实施例1或2不同的是，本实施例中，步骤2的第2)部分中，选择M个患者数据集，每次选择一个作为测试集，剩余M-1个作为训练集，可以获取适用于所有病人的最佳通用预测模型，可以提高模型的泛化能力，减小新数据验证时的泛化误差。
本发明所述方法获得的FOG预测模型移植到微控制器，监测到患者发生冻结步态时，即预测输出为1时，微控制器向激光发射系统发出开启激光光源的控制信号。当即监测到冻结步态结束时，FOG预测模型输出为-1，微控制器向激光光源发射系统发出关闭激光光源的控制信号。
参照图4，本发明在12例患者使用时，统计其冻结步态改善的实验结果，结果表明，与患者未使用激光和使用持续性激光相比，本发明使患者步态冻结次数降低，冻结持续时间缩短，步态的节律性和协调性有显著提高(p<0.05)。图4中，NL＝没有激光，CL＝持续激光，RL＝节律性激光。*表示有显著性差异，※表示无显著性差异。
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围内。
Claims (10)
1.一种可穿戴冻结步态智能监测与助行设备，其特征在于，包括：
三轴加速计、三轴陀螺仪、三轴地磁传感器，用于采集X、Y、Z轴三轴加速度；
微控制器，用于检测冻结步态状态，其中所述微控制器包括FOG编码模块和内部参数校对模块，FOG编码模块在发生FOG时，编码为1，发生非FOG时，编码为-1；内部参数校对模块用于获取行进过程中发生FOG的次数，每次FOG发生起始时间、终止时间和持续时间，获得每个采样时刻的真实FOG时间序列矩阵c；所有时域内的1和-1组成标签，标签与其对应的发生时间构建一个二维FOG编码矩阵VCM；
电源，为微控制器提供电源。
2.根据权利要求1所述的可穿戴冻结步态智能监测与助行设备，其特征在于，所述微控制器还包括：
数据采集模块：用于采集行进过程中的X、Y、Z三轴加速度，获得加速度时间序列矩阵；
FOG预测模块：使用AdaBoostSVM集成分类器建立FOG预测模型，包括N个SVM子分类器，每个子分类器均进行是否发生FOG的预测，预测结果为1或-1，最终预测值Y为：
其中，N为＞1的自然数，i为1至N的自然数；ai为第i个子分类器权重，xj为j时刻的FOG特征值，fi(xj)为第i个子分类器在j时刻的预测值；若Y≥0，则FOG预测模型的最终预测值为1，该时刻发生FOG；若Y＜0，则FOG预测模型的最终预测值为-1，该时刻发生非FOG，即正常步态。
3.根据权利要求2所述的可穿戴冻结步态智能监测与助行设备，其特征在于，第i+1个子分类器的权重ai+1为：
其中，
εi为第i个分类器的错误率，Di是归一化因子，其作用是使得m为数据总量，m＝fs×t，fs为数据采集频率，t为数据采集时间。
4.根据权利要求2所述的可穿戴冻结步态智能监测与助行设备，其特征在于，所述微控制器还包括激光光源控制模块，接收FOG预测模型的最终预测值，并根据所收到的FOG预测模型的最终预测值控制激光光源的开启和/或关闭。
5.根据权利要求4所述的可穿戴冻结步态智能监测与助行设备，其特征在于，若所收到的FOG预测模型的最终预测值为1，则控制激光光源开启；若所收到的FOG预测模型的最终预测值为-1，则控制激光光源关闭；
所述可穿戴冻结步态智能监测与助行设备还包括：激光发射系统，所述激光发射系统包括激光光源，所述激光光源在激光光源控制模块控制下开启和/或关闭。
6.根据权利要求4所述的可穿戴冻结步态智能监测与助行设备，其特征在于，所述激光发射系统还包括激光频率调节器，所述微控制器还包括步频数据采集模块，步频数据采集模块将步频参数发送给激光频率调节器，激光光源开启后，所述激光频率调节器控制所述激光光源以所述步频在地面上投射出节律性横形激光线。
7.根据权利要求2所述的可穿戴冻结步态智能监测与助行设备，其特征在于，所述微控制器还包括FOG特征值提取矩阵SCM构建模块：将采集到的加速度时间序列矩阵，通过预设的n个递增的滑动时间窗参数，在X、Y、Z三轴上分别进行傅里叶变换，获取非FOG频带(即正常步行加速度频率分布)的能量之和A以及FOG频带(冻结步态是加速度频率分布)的能量之和B，将A除以B作为分类特征K，建立n个FOG特征值提取矩阵SCM；n为自然数；VCM中的FOG标签与FOG编码一一对应，因此VCM中的FOG发生时间信息隐含到SCM中；
VCM矩阵中每个采样时刻有一个对应的FOG发生与否的预测值，从而获得预测FOG时间序列矩阵y1，将真实FOG时间序列矩阵c与预测时间序列矩阵y1对比对FOG预测模型进行验证，并获得分类器内部参数，所述内部参数包括子分类器权重和偏置。
8.根据权利要求7所述的可穿戴冻结步态智能监测与助行设备，其特征在于，所述微控制器还包括外部参数校对模块：
根据FOG预测模型，获得每个滑动时间窗参数下FOG识别结果，获得预测序列矩阵y2；将真实FOG时间序列矩阵c与预测时间序列矩阵y2进行对比对FOG预测模型进行验证，筛选符合预期准确性、灵敏性和特异性的滑动时间窗参数。
9.根据权利要求7或8所述的可穿戴冻结步态智能监测与助行设备，其特征在于，所述将真实FOG时间序列矩阵c与预测时间序列矩阵(y1和/或y2)对比对FOG预测模型进行验证的方法优选为：统计真阳(TP)、假阳(FP)、真阴(TN)、假阴(FN)的个数，计算预测模型的准确度、灵敏度和特异性；
其中，所述准确性计算方法为：
其中，所述灵敏性计算方法为：
其中，所述特异性计算方法为：
10.根据权利要求7所述的可穿戴冻结步态智能监测与助行设备，其特征在于，提取SCM中特征值数据的部分作为智能识别算法训练集之后，剩余特征值中的至少部分作为测试集，用于验证FOG预测模型的识别精度；其中：
采集FOG数据中，提取的是单个使用者的数据，所述FOG预测模型中，提取该使用者SCM中部分特征值数据作为智能识别算法训练集，提取SCM中剩余的至少部分特征值数据作为测试集，进行交叉验证；或者采集FOG数据中，提取的是多个使用者的数据，所述建立FOG预测模型中，提取部分使用者的SCM中的特征值数据作为智能识别算法训练集，提取其余使用者中的至少部分的SCM中的特征值数据作为测试集，进行验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711430047.1A CN108309303B (zh) | 2017-12-26 | 2017-12-26 | 一种可穿戴冻结步态智能监测与助行设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711430047.1A CN108309303B (zh) | 2017-12-26 | 2017-12-26 | 一种可穿戴冻结步态智能监测与助行设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108309303A CN108309303A (zh) | 2018-07-24 |
| CN108309303B true CN108309303B (zh) | 2021-01-08 |
Family
ID=62892649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711430047.1A Active CN108309303B (zh) | 2017-12-26 | 2017-12-26 | 一种可穿戴冻结步态智能监测与助行设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108309303B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109480857B (zh) * | 2018-12-29 | 2021-09-14 | 中国科学院合肥物质科学研究院 | 一种用于帕金森病患者冻结步态检测的装置及方法 |
| CN110916984B (zh) * | 2019-12-03 | 2021-11-26 | 上海交通大学医学院附属第九人民医院 | 一种预防冻结步态的穿戴设备及其实现方法 |
| CN111544005B (zh) * | 2020-05-15 | 2022-03-08 | 中国科学院自动化研究所 | 基于支持向量机的帕金森病人运动障碍量化及识别方法 |
| EP4216817A1 (en) * | 2020-09-25 | 2023-08-02 | Walkbeat AB | System and method for analyzing gait-related health and performance of an equine animal |
| GB2602250A (en) * | 2020-11-26 | 2022-06-29 | Magnes Ag | Sensory stimulation |
| CN114999001B (zh) * | 2022-08-03 | 2022-10-18 | 首都医科大学附属北京友谊医院 | 用于预测冻结步态的方法、设备和计算机可读存储介质 |
| CN116687354B (zh) * | 2023-08-04 | 2023-10-31 | 首都医科大学宣武医院 | 针对帕金森病患者的数字生物标志物智能分析反馈系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
| CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
| WO2017060132A1 (en) * | 2015-10-08 | 2017-04-13 | Koninklijke Philips N.V. | Treatment apparatus and method for treating a gait irregularity of a person |
| CN106913341A (zh) * | 2017-03-22 | 2017-07-04 | 上海谦益生物科技有限公司 | 一种用于帕金森患者步态训练和监测评估的可穿戴设备、系统及方法 |
| CN107480715A (zh) * | 2017-08-10 | 2017-12-15 | 合肥工业大学 | 液压成形装备的传动装置故障预测模型的建立方法及系统 |
| EP3257437A1 (en) * | 2016-06-13 | 2017-12-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Method and system for analyzing human gait |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425136B (zh) * | 2008-10-24 | 2012-04-11 | 北京工业大学 | 视频图像局部二进制模式特征的获取方法和装置 |
| CN103258536B (zh) * | 2013-03-08 | 2015-10-21 | 北京理工大学 | 一种大规模说话人辨认方法 |
| US10898076B2 (en) * | 2013-09-30 | 2021-01-26 | The Research Foundation For The State University Of New York | Transmission and medium access control techniques for ultrasonic communications in the body |
| US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
| CN106650709A (zh) * | 2017-01-22 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于传感器数据的深度学习脚步检测方法 |
| CN106971145A (zh) * | 2017-03-03 | 2017-07-21 | 广东工业大学 | 一种基于极限学习机的多视角动作识别方法及装置 |
-
2017
- 2017-12-26 CN CN201711430047.1A patent/CN108309303B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
| WO2017060132A1 (en) * | 2015-10-08 | 2017-04-13 | Koninklijke Philips N.V. | Treatment apparatus and method for treating a gait irregularity of a person |
| EP3257437A1 (en) * | 2016-06-13 | 2017-12-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Method and system for analyzing human gait |
| CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
| CN106913341A (zh) * | 2017-03-22 | 2017-07-04 | 上海谦益生物科技有限公司 | 一种用于帕金森患者步态训练和监测评估的可穿戴设备、系统及方法 |
| CN107480715A (zh) * | 2017-08-10 | 2017-12-15 | 合肥工业大学 | 液压成形装备的传动装置故障预测模型的建立方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "Freezing of gait and fall detection in Parkinson’s disease using wearable sensors: a systematic review";Ana 等;《Journal of Neurology》;20170301;第264卷;全文 * |
| "基于三维测力台的帕金森病步态障碍量化评估研究";孙小勇;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20170315(第2017年03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108309303A (zh) | 2018-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108309303B (zh) | 一种可穿戴冻结步态智能监测与助行设备 | |
| CN108309304B (zh) | 一种生成冻结步态智能监测系统的方法 | |
| KR102378434B1 (ko) | 신경학적 재활을 위한 시스템 및 방법 | |
| CN109568760B (zh) | 一种睡眠环境调节方法及系统 | |
| Arami et al. | Prediction of gait freezing in parkinsonian patients: A binary classification augmented with time series prediction | |
| US11589781B2 (en) | Assessing diseases by analyzing gait measurements | |
| CN112617807B (zh) | 一种预防和解除帕金森病患者冻结步态的装置和方法 | |
| US20230085511A1 (en) | Method and system for heterogeneous event detection | |
| CN107411753A (zh) | 一种识别步态的可穿戴设备 | |
| CN110960195A (zh) | 一种方便快捷的神经认知功能评估方法及装置 | |
| WO2020008339A1 (en) | Sensing system and method for monitoring time-dependent processes | |
| CN110916984B (zh) | 一种预防冻结步态的穿戴设备及其实现方法 | |
| KR20180079820A (ko) | 움직임 정보 기반의 운동 자세 판별을 위한 착용형 밴드 및 시스템, 그리고 이를 이용한 운동 자세 판별 방법 | |
| CN111931568A (zh) | 一种基于增强式学习的人体跌倒检测方法及系统 | |
| Vásquez-Correa et al. | Comparison of user models based on GMM-UBM and i-vectors for speech, handwriting, and gait assessment of Parkinson’s disease patients | |
| US20230329587A1 (en) | System And Method For Assessing Neuro Muscular Disorder By Generating Biomarkers From The Analysis Of Gait | |
| CN107967455A (zh) | 一种智能人体多维自然特征大数据透明学习方法与系统 | |
| Dehzangi et al. | Activity detection using fusion of multi-pressure sensors in insoles | |
| US20230389880A1 (en) | Non-obtrusive gait monitoring methods and systems for reducing risk of falling | |
| KR102199341B1 (ko) | 상태 분류기 생성 방법 및 이를 이용한 보행상태 판단 방법 | |
| CN111870253A (zh) | 基于视觉和语音融合技术的抽动障碍症病情监测方法及其系统 | |
| Liu et al. | A double-channel multiscale depthwise separable convolutional neural network for abnormal gait recognition | |
| Graybill | Embedded biomedical systems for assistive technology and state-of-vigilance forecasting | |
| Lin et al. | Lower limb rehabilitation exoskeleton using brain–computer interface based on multiband filtering with classifier fusion | |
| CN116504393B (zh) | 基于多模态数据的脊髓型颈椎病运动功能辅助评估系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |