CN109965882A - 一种基于瞬时频率稳定性参数的帕金森病实时监测方法 - Google Patents
一种基于瞬时频率稳定性参数的帕金森病实时监测方法 Download PDFInfo
- Publication number
- CN109965882A CN109965882A CN201910179225.0A CN201910179225A CN109965882A CN 109965882 A CN109965882 A CN 109965882A CN 201910179225 A CN201910179225 A CN 201910179225A CN 109965882 A CN109965882 A CN 109965882A
- Authority
- CN
- China
- Prior art keywords
- instantaneous frequency
- parkinson
- disease
- signal
- trembles
- 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.)
- Pending
Links
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 14
- 206010044565 Tremor Diseases 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000005057 finger movement Effects 0.000 abstract description 4
- 230000001225 therapeutic effect Effects 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 208000016285 Movement disease Diseases 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010003840 Autonomic nervous system imbalance Diseases 0.000 description 1
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000019479 dysautonomia Diseases 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 208000018290 primary dysautonomia Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000022925 sleep disturbance Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- A61B5/1101—Detecting tremor
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Developmental Disabilities (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出了一种基于瞬时频率稳定性参数的帕金森病实时监测方法，涉及帕金森病诊断、监测。目前帕金森病还无法实现实时的判断、监测，而且判别的花费较高。本发明通过分析三轴加速度计采集到的手指运动信号，计算模信号，利用计算震颤的瞬时频率稳定性，提出了评价帕金森病严重程度的新指标，既能诊断震颤的有无，也能诊断震颤的严重程度，从而对于PD的诊断及治疗效果评估都具有重要意义。
Description
技术领域
本发明涉及帕金森病诊断、监测。
背景技术
帕金森病(PD)是一种常见的神经系统变性疾病，其临床特征主要是包括静止性震颤、运动迟缓、肌肉僵硬、姿势障碍在内的运动症状以及包括睡眠障碍、自主神经功能障碍、嗅觉减退在内的非运动症状[1]。
对于帕金森病的诊断，运动障碍专家的诊断准确率估计为80％，如果该疾病不是运动障碍专家的神经科医生诊断的，则为74％[2]。即使使用UK Brain Bank帕金森病的标准，大约有20％的帕金森病患者仍然会被误诊[3]。随着影像学的发展以及成像技术和设备的进步，以MRI、PET和SPECT为代表的影像学技术对帕金森病与帕金森叠加综合症的鉴别诊断效果良好，但影像学手段成本过高，难以推广[4]，同时，也无法胜任对于PD治疗后的症状实时评价。
而临床神经生理学信号例如手指震颤可被广泛获得，目前已被尝试作为PD的诊断辅助。例如，利用帕金森病患者的手指震颤频率在4-8Hz这一特征，国外有研究提出了震颤稳定性指数(TSI)和平均谐波功率(MHP)，对于区分PD震颤和原生性震颤(ET)，或判断PD有无发作，有一定的效果[4]。
但利用手指震颤进行PD诊断的现有方法仍存在不足。第一，由于手的转动自由度，手指的运动会在不同方向转换。目前众多研究或者仅分析三个方向中幅值变化最大的方向，或者只分析主成分分解后的主方向。单一方向信号分析会造成信息缺失，而三维矢量分析或主成分分解还会带来大的计算复杂度，不利于算法的实时性。第二，手指运动信号具有非平稳性，忽略非平稳性会造成结果的偏差[5]，而常规用时频分析解决非平稳性，又使得计算量加大，不利于实时实现。第三，现有方法只能判断震颤的有或无，而缺乏对于震颤严重程度的诊断。
鉴于上述问题，本发明提出了一种易于实时实现的PD诊断方法，方法通过分析三轴加速度计采集到的运动信号，既能诊断震颤的有无，也能诊断震颤的严重程度，从而对于PD的诊断及治疗效果评估都具有重要意义。
发明内容
发明目的
本发明的目的在于利用加速度计采集到的患者手指震颤数据，实时计算相关指标，基于指标判断出是否发病及和发病程度，为医生的诊断和治疗提供可评估依据。
技术方案
本发明的目的是这样实现的：
读取加速度计得到患者手指运动数据。
为获得不受转动影响的瞬时频率，计算三轴加速度的模，
每次取60s数据，先计算判断信号为震颤的阈值，再对模信号序列每秒钟幅值最大值进行判断，未达阈值则认为未发作，不做处理。
超过阈值部分，每10s数据采取减去这10s数据均值的方法达到去直流的目的，然后计算这10s震颤的瞬时频率。
对上述去除直流量的信号，定位极小值位置，计算相邻极小值之间的时间间隔，获得瞬时周期T，瞬时频率f＝1/T。对瞬时频率序列求差分，记为Δf。Δf与相应阈值比较，小于阈值可诊断为帕金森震颤。
进一步，对于已判断为PD发作的震颤信号，计算60s数据内帕金森引起的震颤持续时间D、模信号强度A，利用程度指标L＝D*A作为震颤的严重程度指标，越大提示越严重。
附图说明
附图1本发明的操作流程图。
附图2判断信号为震颤的流程图。
附图3对信号求取、判断瞬时频率稳定性的流程图。
附图4三轴加速度、主成分分解后的主方向信号、模信号的瞬时频率求解示意图。
附图5去除非震颤信号的效果图。
具体实施方式
为了更了解本发明的技术内容，特配合所附图示说明如下。
图1是本发明一种利用加速度计诊断、监测帕金森病的方法的总体操作流程图。图2是判断信号为震颤的流程图。图3对信号求取瞬时频率稳定性的流程图。图4是三分立轴、PCA信号、模信号的瞬时频率求解示意图，图4(a)-(e)分别画出了三个分立方向、主成分分解后的主方向和模信号的同步时间序列图(g为重力加速度)，其中三个分立方向和主成分分解后的主方向分别画出正梯度的过零点位置，而模信号画出了极小点的位置。由图中可见，由于手的转动自由度，会导致不同方向间的运动相互转化，其结果就是从单一方向无法。，而模信号体现的运动稳定性要优于另外四个单方向信号。可以证明，模信号的极小点即对应主方向的过零点，因此，我们基于模信号极小点进行瞬时频率的估计。图5是去除非震颤信号的效果图。
一种利用加速度计诊断、监测帕金森病的方法，其步骤包括：
S1：用加速度计采集患者手指运动信号；
S2：计算三轴加速度的模，
S3：取60秒数据，计算每秒钟内信号幅值最大值，如第i秒钟内幅值最大值，记为max_i，并计算这些每秒钟幅值最大值的平均值后续每秒钟信号幅值最大值max_i与threshold＝C*mean_max_1s比较，C为设置的某常数。若小于threshold，认为这段数据不是震颤信号，则跳过这段数据。图5(a)是原始模序列，(b)是跳过不达阈值后的模序列；
S4：对10s震颤信号，计算其平均值。然后这10s信号减去这个平均值，达到去直流量的效果；
S5：对求取、判断去除直流量后的信号瞬时频率稳定性，如图3中的流程图。首先计算模序列极小点位置，可以得到图4(e)示意图；利用相邻极小点的时间间隔求得瞬时周期T，进一步获得瞬时频率f＝1/T。利用后一个频率减去前一个频率，记为Δf。对Δf进行判断，小于阈值，认为是PD震颤；
S6：若震颤信号未计算完，重复步骤S4-S5，直至60秒内震颤数据取完；
S7：计算60秒数据内PD震颤持续时间D和模信号强度A。模信号A计算流程：先求出PD震颤信号每秒钟幅值最大值，然后求得这些最大值的平均值，即为A；
S8：计算两者的积，即本发明提出的指标L＝D*A，评价患者患病严重程度，该指标越大，则发作越严重；
S9：重复步骤S3-S8，直至所有的采集数据取完。
下面以本方法的实际应用，结合附图对本发明作进一步说明。
参考图1，是本发明的操作流程图。
参考图2，是判断信号为震颤的流程图。
参考图3，是对信号求取、判断瞬时频率稳定性的流程图。
参考图4，是三轴加速度、主成分分解后的主方向信号、模信号的频率图。
参考图5，是去除非震颤信号的效果图。
上述图示结果说明，本发明提出的一种利用加速度计诊断、监测帕金森病的方法，可以有效判断是否为帕金森病引起的震颤，及观察患者患病程度情况。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
参考文献
[1]侯莹，刘丽华，江钟立.帕金森病运动症状的评估与康复治疗进展[J].中国康复医学杂志，2018，33(11)：1356-1360.
[2]Rizzo G，Copetti M，Arcuti S，et al.Accuracy of clinical diagnosis ofParkinson disease：A systematic review and meta-analysis[J].Neurology，2016：WNL.0000000000002350.
[3]Selikhova M，Kempster PA，Revesz T，Holton JL，Lees AJ.Neuropathologicalfindings in benign tremulous parkinsonism.Mov Disord 2013；28：145-52.
[4]Di Biase L，Brittain J S，Shah S A，et al.Tremor stability index：a newtool for differential diagnosis in tremor syndromes[J].Brain，2017.
[5]Bazgir O，Habibi S A H，Palma L，et al.A Classification System forAssessment and Home Monitoring of Tremor in Patients with Parkinson′s Disease[J].Journal of medical signals and sensors，2018，8(2)：65。
Claims (5)
1.一种基于瞬时频率稳定性参数的帕金森病实时监测方法，其特征在于：1，以三轴加速度的模信号为分析对象；2，利用模信号的幅值作为判断是否为PD震颤初步筛选依据；3，初筛后的模序列，以其极小点为依据估计震颤瞬时频率，并计算瞬时频率稳定性参数；4，对判断为PD震颤的信号段，提出了新的帕金森病PD程度的评价指标。
2.如权利要求1所述的以三轴加速度的模信号为分析对象，其特征在于：以计算公式 得到的模序列为分析对象，能有效避免手的转动引起运动在三个方向间转换带来的影响，为获得准确的运动瞬时频率信息提供保障。
3.如权利要求1所述的利用模信号的幅值作为判断是否为PD震颤初步筛选依据，其特征在于：先计算初始60s内数据的每秒最大值，以threshold＝C*mean_max_1s作为阈值，再对每秒数据求幅值最大值与阈值比较，若小于阈值，则判断为非震颤数据。
4.如权利要求1所述的对初筛后的模序列，以其极小点为依据估计震颤瞬时频率，并计算瞬时频率稳定性参数，其特征在于：定位模序列的极小点，利用极小点的时间间隔获得瞬时周期和瞬时频率，求瞬时频率的极差作为瞬时频率稳定性参数。
5.如权利要求1所述的新的帕金森病PD程度的评价指标，其特征在于：对判断为PD的数据段，计算得到的PD震颤持续时间D和幅值A，计算两者的积，获得指标L＝D*A评价患病程度，该指标越大，则发作越严重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910179225.0A CN109965882A (zh) | 2019-03-12 | 2019-03-12 | 一种基于瞬时频率稳定性参数的帕金森病实时监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910179225.0A CN109965882A (zh) | 2019-03-12 | 2019-03-12 | 一种基于瞬时频率稳定性参数的帕金森病实时监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109965882A true CN109965882A (zh) | 2019-07-05 |
Family
ID=67078347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910179225.0A Pending CN109965882A (zh) | 2019-03-12 | 2019-03-12 | 一种基于瞬时频率稳定性参数的帕金森病实时监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109965882A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110604546A (zh) * | 2019-07-29 | 2019-12-24 | 桂林医学院附属医院 | 一种帕金森病监测方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203388861U (zh) * | 2013-08-08 | 2014-01-15 | 德州学院 | 帕金森病震颤记录仪 |
| WO2014053041A1 (pt) * | 2012-10-05 | 2014-04-10 | Brunian Ltda Me | Equipamento de vestir nos membros superiores para captação, tratamento e armazenamento de dados quantitativos da tríade clássica da doença de parkinson |
| CN104398263A (zh) * | 2014-12-25 | 2015-03-11 | 中国科学院合肥物质科学研究院 | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 |
| US20150073310A1 (en) * | 2013-09-09 | 2015-03-12 | Alexis Pracar | Intelligent progression monitoring, tracking, and management of parkinson's disease |
| CN109326345A (zh) * | 2018-12-07 | 2019-02-12 | 上海交通大学医学院附属瑞金医院北院 | 一种人体行为数据的处理方法、装置及系统 |
-
2019
- 2019-03-12 CN CN201910179225.0A patent/CN109965882A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014053041A1 (pt) * | 2012-10-05 | 2014-04-10 | Brunian Ltda Me | Equipamento de vestir nos membros superiores para captação, tratamento e armazenamento de dados quantitativos da tríade clássica da doença de parkinson |
| CN203388861U (zh) * | 2013-08-08 | 2014-01-15 | 德州学院 | 帕金森病震颤记录仪 |
| US20150073310A1 (en) * | 2013-09-09 | 2015-03-12 | Alexis Pracar | Intelligent progression monitoring, tracking, and management of parkinson's disease |
| CN104398263A (zh) * | 2014-12-25 | 2015-03-11 | 中国科学院合肥物质科学研究院 | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 |
| CN109326345A (zh) * | 2018-12-07 | 2019-02-12 | 上海交通大学医学院附属瑞金医院北院 | 一种人体行为数据的处理方法、装置及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110604546A (zh) * | 2019-07-29 | 2019-12-24 | 桂林医学院附属医院 | 一种帕金森病监测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5977255B2 (ja) | 嚥下障害検出装置及びその作動方法 | |
| CN110151138B (zh) | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 | |
| O’Shea et al. | Deep learning for EEG seizure detection in preterm infants | |
| CN106037720B (zh) | 混合连续信息分析技术的医学应用系统 | |
| CN103919548A (zh) | 一种吞咽肌障碍的检测装置及设备 | |
| CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
| AU2018227923B2 (en) | Methods and devices using swallowing accelerometry signals for swallowing impairment detection | |
| Huang et al. | Automatic epileptic seizure detection via attention-based CNN-BiRNN | |
| CN109965882A (zh) | 一种基于瞬时频率稳定性参数的帕金森病实时监测方法 | |
| Newman et al. | 1D convolutional neural networks for detecting nystagmus | |
| US11670423B2 (en) | Method and system for early detection of neurodegeneration using progressive tracking of eye-markers | |
| CN110931125A (zh) | 用于脑卒中的判别信号识别方法及装置 | |
| Lamprou et al. | Deep bispectral image analysis for imu-based parkinsonian tremor detection | |
| WO2013086615A1 (en) | Device and method for detecting congenital dysphagia | |
| Coe et al. | Automated analysis pipeline for extracting saccade, pupil, and blink parameters using video-based eye tracking | |
| Dyshel et al. | Quantifying levodopa-induced dyskinesia using depth camera | |
| JP7216408B2 (ja) | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム | |
| Çakmak et al. | Quantitative Measurement of Bradykinesia in Parkinson's Disease using Commercially Available Leap Motion. | |
| JP5189893B2 (ja) | 瞬目種別識別装置、瞬目種別識別方法、及び瞬目種別識別プログラム | |
| CN110507299A (zh) | 一种心率信号检测装置及方法 | |
| Picot et al. | Detection of cortical slow waves in the sleep EEG using a modified matching pursuit method with a restricted dictionary | |
| Shinde et al. | Facial features based prediction of Parkinson's disease | |
| US20200155057A1 (en) | Automatic detection of aspiration-penetration using swallowing accelerometry signals | |
| CN111990967A (zh) | 一种基于步态的帕金森病识别系统 | |
| Jaber et al. | Proposing a three-stage model to quantify bradykinesia on a symptom severity level using deep learning |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190705 |
|
| WD01 | Invention patent application deemed withdrawn after publication |