CN110494077A - 用于确定锥体外系症状特别是帕金森氏病的运动症状的装置和相关方法 - Google Patents

用于确定锥体外系症状特别是帕金森氏病的运动症状的装置和相关方法 Download PDF

Info

Publication number
CN110494077A
CN110494077A CN201880022934.1A CN201880022934A CN110494077A CN 110494077 A CN110494077 A CN 110494077A CN 201880022934 A CN201880022934 A CN 201880022934A CN 110494077 A CN110494077 A CN 110494077A
Authority
CN
China
Prior art keywords
index
frequency
axis
value
time
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.)
Withdrawn
Application number
CN201880022934.1A
Other languages
English (en)
Inventor
路易吉·巴蒂斯塔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN110494077A publication Critical patent/CN110494077A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • A61B5/103—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
    • A61B5/103—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
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • 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
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • 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
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Developmental Disabilities (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种确定受试者的动力学状态并包括下述操作的方法及相关装置，上述操作为：‑确定指示三个笛卡尔轴(X、Y、Z)上的加速度趋势(ax、ay、az)的信号；‑进行信号处理，以限制频带并且优选地减少伪像并补偿多轴测量系统的输出信号的偏移；‑通过利用傅立叶变换实现的信号的变换进行频率分析和频谱分析；‑针对每个轴(Sx、Sy、Sz)计算功率谱密度(E)；‑并且其中，在所述功率谱密度(E)与活动的特征模式之间进行比较。

Description

用于确定锥体外系症状特别是帕金森氏病的运动症状的装置 和相关方法
技术领域
本工业发明涉及用于连续和长期监测由帕金森氏病、震颤麻痹症和锥体外系症状引起的运动症状的方法和相关装置。
具体地，本发明涉及一种创新装置和相关方法，其允许通过准确地将各种运动症状与患者每日进行的常规活动进行区分来连续监测锥体外系症状以及与帕金森氏病和震颤麻痹症相关的症状，具有量化由各种运动症状引起的效应的潜力。
背景技术
帕金森氏病是第二最常见的神经退行性疾病。据估计，意大利约250,000名患者、欧洲120万名患者和全世界2000万名患者受此疾病影响。帕金森氏病的主要症状是休息时的震颤、僵硬、运动迟缓和姿势不稳定。迄今为止，已有不同的治疗方法可用于缓解帕金森氏病引起的症状，包括：药物治疗，主要是左旋多巴、或多巴胺能激动剂；以及手术疗法，主要通过深部脑刺激(深部脑刺激，DBS)或病变手术。
因此，对帕金森氏病的症状的临床估计是估计患者健康状况和进行的治疗疗法的疗效的基础；该估计基本上是临床的，并且通常通过神经学检查、运动测试、在临床医生存在下进行的测试、患者提供的评价量表和每日日记/报告来进行。然而，这些测试仅允许在患者自己的检查期间估计患者的健康，其在时间上受到限制并且不能检测运动症状的波动，并且其在一天期间以及每天可能显著变化。此外，评价量表和报告是主观的，而神经学就诊需要临床医生的存在。
近年来，已经提出了几种装置来更客观地量化震颤麻痹症患者的症状，包括专利NO.US8187209 B1、NO.US5772611 A、NO.US8469884 B2、NO.US4306291 A、NO.AT411011B和专利申请NO.US20130338539 A1中公布的系统。然而，尽管这些公开中描述的装置可以在某些测试条件下提供测量震颤麻痹症症状的客观方法，但它们不总是能够提供对患者在一天中的连续监测。
除了上述系统之外，还提出了用于连续和长期监测震颤麻痹症症状的方法和系统，其通常基于使用可穿戴传感器：专利NO.EP2674104B1涉及一种能够确定人的动力学状态的方法和系统，具有检测运动迟缓和运动障碍的潜力；专利申请NO.US20130123666 A1和NO.US20140257141 A1涉及一种活动障碍监测系统和一种检测震颤相对严重性的方法，具有家庭使用的潜力；还注意到公开US2010/0030119，其涉及监测活动障碍的系统并且似乎与权利要求1的前序部分重叠。
上述系统中的许多系统基于使用磁惯性系统，诸如加速度计和陀螺仪，其由患有帕金森氏病的患者佩戴，以便检测一个或多个身体肢体、腕部或手的活动；在所提出的方法中的大多数方法中，处理由测量装置测量的数据以在频域中执行频率分析和频谱分析。通常进行该处理的目的是量化与通常出现震颤麻痹症症状的频率范围对应的特定频率范围内的频率内容(content，成分、组成)。事实上，据研究报道，对于帕金森氏病，震颤通常出现在3至7Hz之间；根据各种方式，运动障碍可能主要出现在1至3Hz之间的区间中，其次，在3至8Hz之间的区间中。此外，科学文献表明，运动迟缓通常在估计为在下限为0.2Hz且上限可以在4至15Hz之间变化的区间中，而由特发性震颤引起的震颤通常考虑3至12Hz以及3至10Hz之间的区间进行估计(“J.Janckovic，Parkinson's disease：clinical features和diagnosis，Journal of Neurology，Neurosurgery和Psychiatry，2008，doi：10.1136/nnp.2007.131045”)。
因此，所提出的系统中的许多系统基于频谱内容和/或区间或子区间中的频谱密度的值来量化运动症状(在一些情况下通过指数、分数或分数)。然而，许多与帕金森氏病震颤和其他锥体外部症状无关的常见运动落入帕金森病震颤和其他运动障碍通常出现的频率范围内。
目前，所提出的测试将不是由活动障碍引起的活动与由震颤麻痹症和锥体外系症状引起的活动混淆，这产生了不完全准确的结果。事实上，通常患者执行的日常动作可以影响0至20Hz之间的频率范围，因此，可以具有震颤麻痹症运动症状出现的相同频率范围内的频率内容(M.J.Mathie等，Accelerometry providing an integrated practical methodfor long term ambulatory monitoring of human movement，PhysiologicalMeasurement，2004，doi：10.1088/0967-3334/25/2/R01)。因此，这些提出的估计方法和症状中的许多估计方法和症状并未真正在震颤麻痹症和锥体外系症状引起的运动活动与来自患者定期进行的自发动作的运动活动之间进行区分。此外，不同的震颤麻痹症状还具有通常可能彼此重叠的频率区间，因此当试图在一种症状与另一种症状之间进行区别时，仅估计频率内容并不总是足够的。
最终，对频率的简单频谱分析并不能完全解决技术问题，因此在进行测量时存在将正常活动与疾病引起的活动混淆的风险。
发明内容
因此，本发明的目的是提供一种创新装置及相关方法，其解决了上述技术问题。
具体地，本发明的目的是提供一种装置及相关方法，以对活动进行连续监测，以将正常活动与由来自帕金森氏病和锥体外部症状的震颤引起的活动进行准确区分。因此，根据权利要求1，利用本装置达到这些和其他目的，以确定受试者的运动状态。
该装置包括：
-多轴测量装置(20)，用以确定指示身体的肢体或身体的一个或多个部分的移动的至少一个信号；
-处理器，该处理器被程控为执行对至少一个信号的频率分析和频谱处理，以识别信号在多轴测量系统的每个轴处的频率内容；
根据本发明，该处理器还被程控为对每个轴处的频率内容执行分析，所述分析包括确定各个轴的频率内容，以然后执行与参考模式的相容性的验证。
由于对所测量的每个轴上的频率内容与参考模式的这种比较，以这种方式可以高精度地确定可以与受试者的运动症状和活动障碍同化的运动状态的类型，将这种类型的移动与其他类型的活动——包括由受试者进行的自发活动——区别开来，尽管受试者具有的频率内容与通常出现活动障碍的频率内容类似，但与神经退行性疾病的影响无关。以这种方式，将活动障碍与其他自然或自发活动区分开来的可能性允许减少当这两种活动之间的频率内容类似时产生的怀疑，但事实上，内容是由与病理状况无关的自发活动确定的。
有利地，最佳解决方案可以提供在检测到的各个轴上的所述频率内容的比较，以便在该轴间比较之后验证是否存在与参考模式的对应关系。
例如，在一个轴而不是另一个轴上具有更大值的频率内容可以是预定活动(例如旋前-旋后)的指示和典型，其又指示与特定病状而不是自然活动相关的活动。
利用根据权利要求1的用于确定受试者的运动状态的本方法也实现了这些和其他目的。
该方法包括下述步骤：
-利用多轴测量装置确定指示身体的肢体或身体的一个或多个部分的移动的至少一个信号；
-对至少一个信号进行频率分析和频谱处理，以识别信号在多轴测量系统的每个轴处的频率内容；
-在每个轴处对所述频率内容进行分析，并且对关于特定参考运动状态的频率特征的相容性进行验证。
本质上，该方法不仅基于对由多轴传感器在给定时间区间中测量的数据的频率内容的估计，而且基于对通常与震颤麻痹症症状和锥体外系症状相关联的特定运动模式的识别和辨识。对与锥体外系症状相关联的特定运动模式的识别和区分可以使用多轴测量系统并且通过对检测的在给定的频率区间和给定的时间区间中的频率内容在多轴测量系统的各个轴上的分布和分配的方式进行量化来执行。
与帕金森氏病相关联的运动症状不仅由特定的典型频率来表征，而且由特定运动的模式并且因此该频率贡献与多轴测量系统的各个轴对应地分布的方式来表征。事实上，研究表明帕金森氏病的震颤通常由3至7Hz之间的旋前-旋后活动表征，而由特发性震颤引起的震颤通常由5至10Hz之间的屈曲-伸展活动表征(“J.Janckovic,Parkinson’sdisease:clinical features和diagnosis,Journal of Neurology,Neurosurgery和Psychiatry,2008,doi:10.1136/jnnp.2007.131045”)。此外，个体患者运动障碍的现象学通常不会倾向于随时间推移而改变(“A.J.Manson et al.,An ambulatory dyskinesiamonitor,Journal of Neurology,Neurosurgery&Psychiatry,2000,doi:10.1136/jnnp.68.2.196”)。
因此，例如，帕金森氏病震颤的旋前-旋后典型不仅由特定的典型频率值来表征，而且还通过多轴测量系统的一些轴上而不是其他轴上的更高频率内容特征来表征，如下面概述的示例中所述。
因此，本方法不仅分析轴上的频率，而且还验证该频率分布是否与参考移动模式兼容(或类似)，例如，旋前-旋后模式，其是帕金森氏病震颤的典型。以这种方式，可以减少所有下述不确定的情况，这样的情况为频率落在由帕金森氏病引起的震颤的范围特征内，但是它们在轴上的实际分布对应于与由帕金森氏病引起的震颤的不自主活动典型无关的不同的动作(例如，手的自发颤动)。
迄今为止可用的大多数方法，尽管它们使用三轴测量系统进行表征，但并不总是基于对在各个轴上检测到的频率内容的估计以及在各个轴上检测到的频率内容之间的比较估计。事实上，所提出的方法通常在给定的感兴趣的频率范围内估计频率内容，而没有明确地参考各个轴的贡献，而是从例如从在各个轴上检测到的加速度、旋转、能量、功率和其他物理活动的二次平均值(均方根，RMS)开始。例如，在三轴加速度计的情况下，二次平均值的计算将来自测量系统的三个轴的信息压缩成通过计算每个轴的值的平方和的平方根获得的单个参数。因此，所提出的方法中的许多方法都是基于对频率内容的估计，而没有明确地参考各个轴的贡献，而是考虑二次平均值或其他参数，其计算基于将来自测量系统的单个轴的信息压缩或合成为单个数值或参数，从该单个数值或参数中不可能向后估计检测到的频率贡献如何在每个轴上分布和分配。
有利地，可以包括对于每个轴估计频率内容的步骤，以及将所述值彼此逐轴进行比较，以检查关于参考运动模式的对应关系。
有利地，根据上述组合中的任何组合，还可以包括信号预处理步骤以限制频带并且优选地减少伪像并且补偿输出信号从多轴测量系统的偏移。
有利地，频率分析和频谱处理信号的这种操作是通过傅立叶变换来执行的。
有利地，根据上述任何组合，对所述频率内容的分析可以包括通过估计在各个轴上的检测到的频率内容并通过比较在各个轴上的检测到的特征频率内容来对在给定的特征频率范围内和在给定时间区间中的检测到的频率内容分布在多轴测量系统的各个轴上的方式进行量化。
有利地，以下述方式之一执行对与锥体外系症状类似的运动状态的量化：
-通过将数值指数的计算和定量时间-频率分析的定性估计进行组合，通过对光谱分析和/或时间-频率分析和/或检测到的指数随时间推移的趋势和/或检测到的数值指数的图形显示进行检查来执行定性估计；
-通过累积分布函数和/或以升序或降序进行重排序操作来对在每个区间处的检测到的指数的序列进行表示；
-对定量时间-频率分析进行定性估计，提供了下述指示：频率内容如何在整个监测序列上分布；频率内容在测量系统的各个轴上分布的方式；感兴趣的频率内容中运动活动事件出现的频率；在与用于计算指数的特征频率相邻的频率区间中和在其他频率区间中运动活动的存在；在感兴趣的频率内容中运动活动事件的强度；以及在感兴趣的频率内容中运动活动的数量。
有利地，通过对特征频率内容——其可以包括例如包括在3至7Hz之间的区间中的频率——的估计和由旋前-旋后引起的活动模式的存在的结合来执行对与帕金森氏病震颤类似的运动状态的识别。
有利地，如下面参考参数和指数更好地描述的，对与由帕金森氏病震颤引起的模式的存在进行识别包括：
-对整个监测序列细分为时间子区间，并且，针对每一单个轴并在整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过在特征频率范围内对频谱密度Sx、Sy和Sz进行积分来计算EPx、EPy和EPz参数，对各个时间子区间并且对每个轴执行该计算；
-在出现以下三种条件的时间子区间处对由旋前-旋后引起的活动模式进行识别：
其中σxz、σxy和σzy是阈值。
有利地，通过计算一个或多个数值指数来支持对与帕金森氏病震颤类似的运动状态的量度的所述量化，该一个或多个数值指数包括，包括：
-LP指数(持续指数)，其计算包括对监测序列的下述时间子区间的总数的估计，在上述时间子区间中，已经识别出存在先前提到的运动状态；
-BP(喧嚣强度指数)，其可以在尚未被识别出可能存在旋前-旋后模式的时间区间处取零值，并且可以对应于其他时间子区间取等于EP的值，该EP被定义为EPx、EPy和EPz值的线性或非线性组合；
-通过将与监测序列的所有子区间有关的所有BP指数的值相加而获得的指数
-指数其计算包括对所有BP值的平均值的估计；
-指数和指数；
-通过将指数和/或指数乘以系数得到的BLP指数；
-BPx＝EPx、BPy＝EPy和BPz＝EPz指数，表示由每个轴对在所有轴上估计的BP值提供的贡献；
-基于LP指数和/或BP指数获得的附加指数。
有利地，通过对特征频率内容——其可以包括例如包括在3至12Hz之间的区间中的频率值——的估计和由屈曲-伸展引起的运动模式的存在的结合来执行对与特发性震颤类似的运动状态的识别，其中，优选地，对由屈曲-伸展引起的运动模式的存在的识别包括：
-对整个监测序列细分为时间子区间，并且，针对每一单个轴并在整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过在特征频率范围内对频谱密度Sx、Sy和Sz进行积分来计算EEx、EEy和EEz参数，对各个时间子区间并且对每个轴执行该计算；
-在出现以下两种条件的时间子区间处对由屈曲-伸展引起的活动模式进行识别：
其中，δzx和δyx是阈值，其中，甚至更优选地，在出现以下条件的时间子区间处对由屈曲-伸展引起的活动模式进行识别：
EEz>EEx+δzx
有利地，通过计算一个或多个数值指数来支持对与特发性震颤类似的运动状态的程度的所述量化，该一个或多个数值指数包括：
-LE指数，其计算包括对监测序列的下述时间子区间的总数的估计，在上述时间子区间中，已经识别出该运动状态的存在；
-BE指数，其可以在尚未被识别出可能存在屈曲-伸展的时间区间处取零值，并且可以在其他时间区间处取等于EE的值，该EE被定义为EEx、EEy和EEz参数的线性或非线性组合；
-通过将与监测系统的所有子区间相关的所有BE指数的值相加而获得的指数；
-指数，其计算包括对所有BE值的平均值的估计；
-指数和指数；
-通过将指数和/或指数乘以系数而获得的BLE指数；
-BEx＝EEx、BEy＝EEy和BEz＝EEz指数，表示由每个轴对在所有轴上估计的BE的值提供的贡献；
-基于LE和/或BE指数获得的附加指数。
有利地，对与运动障碍类似的运动状态的识别、量化和比较估计包括：对特征频率内容的其可能包含1至8Hz之间的频率的估计；以及下述步骤，
-对整个监测序列细分为时间子区间，并且，针对每一单个轴并在整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过在特征频率范围内对频谱密度Sx、Sy和Sz进行积分来计算EDx、EDy和EDz参数，对各个时间区间对每个轴执行该计算；
-计算BD指数，对于所有序列时间子区间，该BD指数被定义为EEx、EEy和EEz参数的线性或非线性组合；
-通过对BD指数值高于阈值的子区间进行估计，对可能的运动障碍进行识别；
-通过仅对在其中执行了上述识别的那些子区间估计BD的值，对可能的运动障碍进行量化；
-计算一个或多个数值指数，该一个或多个数值指数包括：
-LD指数，其计算包括对监测序列的下述时间子区间的总数进行估计，在上述时间子区间中，已识别出先前提到的运动状态的存在；
-通过将与监测序列的所有子区间相关的所有BD指数的值相加而获得的指数；
-指数，其计算包括对所有BD值的平均值的估计；
-指数和指数；
-通过将指数和/或指数乘以系数而获得的BLD指数；
-指数BDx＝EDx、BDy＝EDy和BDz＝EDz，表示由每个轴对在所有轴上估计的BD值提供的贡献；
-基于LP指数和/或BD指数获得的附加指数。
有利地，通过对定量时间-频率分析的定性估计——通过对频谱图和/或功率密度随时间和频率的变化进行检查来进行对定量时间-频率分析的定性估计——来支持和进行对与运动障碍类似的运动状态的识别和量化，最后以对整个监测序列或其一部分估计：
-在1至3Hz之间的范围内和/或在3至8Hz之间的范围内的频率内容相对于整个频谱内容的程度；
-具有在1至3Hz之间的范围内和/或在3至8Hz之间的范围内的普遍频率内容的运动活动的出现频率的程度；
-与具有在1至3Hz之间的范围内和/或3至8Hz之间的范围内的普遍频率内容的运动活动对应的频谱密度的程度；
-和具有在1至3Hz之间的范围内和/或3至8Hz之间的范围内的普遍频率内容的运动活动对应的频谱密度值与采集序列的剩余时间子区间处的频谱密度值之间的差的程度；
-频率内容(与具有在1至3Hz之间的范围内和/或3至8Hz之间的范围内的普遍内容频率的运动活动对应)分布在该区间上的方式。
有利地，对与运动迟缓类似的运动状态的识别、量化和比较估计包括对特征频率内容——其可以包括包含在0.5至3Hz之间的区间中的频率值——的估计以及下述步骤：
-对整个监测序列细分为时间子区间，并且，对于每一单个轴并且在整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过在特征频率范围内对频谱密度Sx、Sy和Sz进行积分来计算EBx、EBy和EBz参数，对各个时间子区间对每个轴执行该计算；
-计算BB＝1/EB指数，其中对于序列的所有时间子区间，EB被定义为EBx、EBy和EBz参数的线性或非线性组合；
-通过对BB指数值高于阈值的子区间进行估计，对可能的运动迟缓进行识别；
-通过仅对执行上述识别处理的那些子区间估计BB的值，对可能的运动障碍进行量化；
-计算一个或多个数值指数，该一个或多个数值指数包括：
-LB指数，其计算包括对监测序列的下述时间子区间的总数的估计，在上述时间子区间中，识别出存在先前提到的运动状态；
-通过将与监测序列的所有子区间有关的所有BB指数的值相加而获得的指数；
-指数，其计算包括对所有BB值的平均值的估计；
-指数和指数；
-通过将指数和/或指数乘以系数而获得的BLB指数；
-BBx＝EBx、BBy＝EBy e BBz＝EBz指数，表示由每个轴对在所有轴上估计的BB的值提供的贡献；
-基于LB指数和/或BB指数获得的附加指数。
如上所述，该方法因此可以用于精确地确定由神经退行性疾病引起的任何活动障碍。
附图说明
通过以下参考附图对被提供作为非限制性示例的一些特征的描述，将使得根据本发明的装置及其相关测量方法的其他特征和优点更清楚，其中：
-图1示意性地图示了锥体外系症状的识别方法、定性估计和定量估计的主要步骤，根据这些主要步骤，相关装置起作用；
-图2示意性地图示了可穿戴系统关于检测和记录与患者的身体肢体和患者身体的其他部分的活动有关的信息的主要部件；
-图3示意性地图示了系统关于检测和记录与患者身体肢体和患者身体的其他部分的活动有关的信息的结构；
-图4示意性地图示了使用加速度测量系统进行的连续24小时监测的时间和频率趋势，该加速度测量系统放置在受帕金森病震颤影响的患者的腕部上；
-图5示意性地图示了使用加速度测量系统进行的连续24小时监测的时间和频率趋势，该加速度测量系统放置在受左旋多巴诱导的运动障碍影响的患者的腕部上。
-图6图示了对于每个轴功率谱密度随图4A中所示的时间趋势的时间和频率的变化。
-图7示意性地图示了对于每个轴功率谱密度随图5A中所示的时间趋势的时间和频率的变化。
-图8示意性地图示了在帕金森病震颤的情况下腕部监测装置的时间和频率趋势。
-图9示意性地图示了在特发性震颤的情况下腕部监测装置的时间和频率趋势。
-图10示意性地图示了在帕金森病震颤的情况下从腕式监测器的数据处理得到的一些可能结果；
-图11示意性地图示了在特发性震颤的情况下从腕部监测装置的数据处理得到的一些可能结果；
-图12示意性地图示了从腕部监测装置的数据处理得到的一些可能结果，其似乎不受运动障碍的影响；
-图13示意性地图示了在患有帕金森病震颤的患者的两个不同监测序列期间检测到的指数的图形显示。图13A和13B针对每个监测序列图示了按升序的指数的图形显示；图13C和13D图示了根据每个监测序列的累积分布函数的指数的图形显示；
-图14示意性地图示了在患有帕金森病震颤的患者的两个不同监测序列期间检测到的功率密度的图形显示。图14A图示了第一次监测；图14B图示了第二次监测；
-图15示意性地图示了通过处理图5A和图7中所示的迹线获得的估计运动障碍的指数的趋势。
-图16示意性地图示了在患有左旋多巴诱导的运动障碍的患者的两个不同监测序列期间检测到的指数的图形显示。图16A和16B针对每个监测序列图示了按升序的指数的图形显示。图16C和16D针对每个监测序列图示了根据累积分布函数的指数的图形显示；
-图17示意性地图示了用于在受运动障碍影响的患者上执行的监测序列的帕金森病震颤指数、特发性震颤、运动障碍和运动迟缓的图形显示。
本发明中公布的测量、信息和数据来自根据Helsinki Declaration进行的程序，因此，先前获得了所涉及的志愿者的知情同意。
具体实施方式
图1显示了一流程图，该流程图示出了确定患者的活动并且因此确定患者的动力学状态的步骤。
具体地，提出了一种用以识别运动(motor，运动神经、运动肌)状态以估计可能的活动障碍的存在的方法，其包括以下步骤：
-对包含关于身体肢体和患者身体的其他部分的活动的信息的信号进行检测02；
-对这样的信号进行预处理04，以限制频带、减少伪影并补偿来自多轴测量系统的输出信号的偏移；
-关于识别被检测到的信号的频率内容和在多轴测量系统的每个轴检测到的频率内容，对信号进行频率分析和频谱处理06；
-处理08上述信号以执行：
-关于与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态进行识别10；
-关于存在与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的时间瞬间进行识别12；
-关于与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的程度进行量化14；
-在监测序列之间进行比较估计16。
对包含关于身体肢体和患者身体的其他部分的活动的信息的信号的检测02随时间推移并且通过可穿戴多轴测量系统20连续地进行。
测量可以随时间推移连续地进行，例如，在24小时内，或者可以设置12或16小时的持续时间以排除睡眠时间。
如图2所示，可穿戴多轴测量系统可以包括佩戴在患者的腕部上像手表的三轴加速度计。替代性地，它可以卷绕在另一身体肢体上，例如，以带或带条的形式。
图2示出了三个采样轴(X、Y、Z)，并且在最有利的实现中，来自多轴测量系统的每个轴的数据以每个轴100Hz的表示速率进行采样。
在本发明的可能配置中，图2的装置20因此可以包含以下模块或内部装置：
-多轴测量单元，用于随时间推移连续检测包含关于患者的身体肢体和身体的其他部分的活动的信息的信号；
-用以对多轴测量系统检测到的信号进行预处理以限制信号的频带、减少伪影并补偿来自多轴测量系统的输出信号的偏移的单元；
-用以关于识别在多轴测量系统的每个轴检测到的频率内容对多轴测量系统提供的信号进行频谱处理的单元；
-用以执行对上述信号的处理的单元，以：
-识别与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的存在；
-识别存在与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的时间瞬间；
-量化与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的程度；
-比较监测序列；
-包含由多轴测量系统检测到的数据的存储单元；
-包含根据先前点处理的结果的存储单元；
-通信接口(基于有线和/或无线单元)，以传输和/或显示测量的和经处理的信息；
-输出装置，用以向患者传达提醒和/或装置和/或供电系统的状态；
-输入装置，用以传达给定事件(例如，成功摄取药物或出现奇怪的症状，诸如非常强烈的震颤)。
将这些单元集成在可穿戴的单个装置20诸如手表或手镯中可能产生很大的体积和重量。尽管可以采用该解决方案，但是作为本发明的一个变型，可穿戴装置可以被限制为仅包含多轴测量和内部存储单元，而处理该信息的其余单元是外部的。
在这种情况下，可穿戴装置提供存储器单元，使得可以存储三轴测量数据，然后通过电缆或无线地将其传输到外部处理系统。
在这方面，图3最佳地说明了可穿戴装置在内部包括测量和处理系统而测量数据在外部进行处理的解决方案。具体地，对数据进行处理以对与锥体外系症状类似的运动状态进行识别、定性和定量估计在外部发生。
因此，图3中的装置包括：
-三轴加速度计22，用以连续地检测包含关于身体肢体和患者身体的其他部分随时间推移的活动的信息的信号；
-存储单元24，用于存储由多轴测量系统检测到的数据；
-通信接口36(基于有线和/或无线单元)，用以传输和/或显示测量的和经处理的信息；
-输出装置，用以向患者传达提醒和/或装置和/或供电系统的状态；
-输入装置，用以传达给定事件(例如，成功摄取药物或出现奇怪的症状，诸如非常剧烈的震颤)。
另外，系统20包括微控制器26；三轴加速度计22可以例如是模拟装置类型ADXL345；存储单元24可以例如是NAND闪速存储器类型Micron TechnologyMT29F4G08ABAEAWP：E和micro-SD存储器单元。
供电系统是可充电电池。输出装置可以包括声学和/或视觉指示器(例如，28和30个LED)，其可以用于使结果可视化，这提供了关于药物或药品的摄入的提醒，以指示装置的状态(例如，正在进行的记录、待机等)和/或供电系统的状态(例如，电池充电/带电、电池电量低等)。输入装置可以由一个或多个开关或按钮(32、34)组成，其可以用于：指示药物或药品的成功摄取；指示特定事件的发生；请求装置的状态或供电系统的状态；删除存储单元的内容；以及开始新的记录。通信接口可以包括保证根据USB协议的有线通信系统和/或根据蓝牙标准的有线通信所必需的装置。此外，尽管到目前为止已有所描述，但是在另一变型中，测量系统可以包括用于检测患者是否佩戴这样的装置或者检测运动活动是否低于一定阈值的装置。在一个实现中，装置可以包括温度计、开关或心跳检测器。在一个实现中，预处理信号04可以包括使用先前提到的装置计算TAR指数，以在监测期间量化出现低于预先建立的阈值的活动值的时距。
因此，图3中所示的该系统与图2中所示的系统相同，除了它可以与外部处理单元连接，该外部处理单元允许识别与锥体外系症状类似的运动状态，以及对该症状进行定性和定量估计。因此，在这种情况下，外部单元包括：
-通信接口(基于有线和/或无线单元)，其与装置20通信以检测和记录身体活动；
-用以对多轴测量系统检测到的信号进行预处理以限制信号的频带、减少伪影并补偿多轴系统的输出的偏移的单元；
-对多轴测量系统提供的信号进行频谱处理以用于识别在多轴测量系统的每个轴检测到的频率内容的单元；
-用以执行对上述信号的处理的单元，以：
-识别与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的存在；
-识别存在与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的时间瞬间；
-量化由帕金森氏病、震颤麻痹症和锥体外系症状引起的运动状态症状的程度；
-比较监测序列；
-包含由多轴测量系统检测到的数据的存储单元；
-包含根据先前点处理的结果的存储单元；
-通信接口(基于有线和/或无线单元)，以传输和/或显示测量的和经处理的信息。
因此，用于对与锥体外系症状类似的运动状态进行识别、定性估计和定量估计的外部处理系统可以由“通用”计算机组成，该计算机可以包括：
-图形用户界面(GUI)，用以与用于检测和记录身体活动的装置20通信以接收所存储的数据、为电池充电、查看电池的状态和/或装置、定义记录设置的参数，上述记录设置包括记录的开始、采样频率和记录的持续时间；
-源代码和/或软件应用，以根据以上述各种形式描述的方法执行数据处理。
在另一变型中，用于对与锥体外系症状类似的运动状态进行识别、定性估计和定量估计的外部处理系统可以基于用于存储、处理和传输数据的云计算范例。在这种情况下，数据例如通过因特网网络传输到专用处理中心。
也就是说，本发明的创新部分涉及从多轴系统获得数据以准确地确定由帕金森病和活动障碍引起的活动的处理模式。
因此，在本发明的优选实施方式中，提供了一种用于确定受试者的运动状态的装置，并且该装置包括：
-多轴测量装置(20)，用以确定指示肢体或身体的一个或多个部分的活动的至少一个信号；
-处理器，该处理器被程控为执行对至少一个信号的频率分析和频谱处理，以识别信号在多轴测量系统的每个轴处的频率内容；
根据本发明，所述处理器还被程控为对每个轴处的该频率内容执行分析，该分析包括以推断与参考模式的任何最终的对应关系的方式进行所检测到的在各个轴上的所述频率内容的分析之间的比较。
具体地，参考图4和图5，公布了诸如随时间t变化的趋势以及诸如随频率f变化的趋势，分别指涉受帕金森病震颤影响的患者和受左旋多巴诱导的运动障碍影响的患者。
图4A和图5A示出了对于三个轴(x、y和z)中的每一个由被佩戴在受帕金森氏病引起的运动障碍影响最大的肢体的腕部上的三轴加速度测量系统22检测到的时间加速度趋势(ax、ay和az)。这些趋势是通过随时间推移进行连续监测获得的，每个轴的采样频率为100Hz，并且持续时间为24小时。
图4A和5A中所示的趋势是通过预处理过程04获得的。
在一个实现中，预处理信号04可以包括使用带通滤波器来限制频带以减少由于连续分量引起的频率贡献(多达约0.2Hz)以及通常在自发运动和锥体外系症状期间验证的较高频率。
在另一实现中，除了前一实现之外或作为其替代，预处理信号04可以包括使用平滑滤波器来补偿输出信号与多轴测量系统的偏移。在最有利的实现中，平滑滤波器是移动平均滤波器。
在另一实现中，预处理信号04可以包括计算加速度的二次平均值：
此时，经受预处理04的信号可以经受频谱处理06以识别被检测信号02的频率内容，以识别多轴测量系统的每个轴处的频率内容。
根据可能的解决方案，可以通过计算检测到的信号的傅立叶变换并且经受预加工04来执行频率处理和频谱处理06。图4B和图5B与每个轴相对应地示出了分别在图4A和图5A中示出的信号的傅立叶变换(Ax、Ay和Az)；考虑到监测周期的整个持续时间，计算了这些傅立叶变换，在图4A和图5A中，监测周期等于24小时。通过对图4B和图5B中公布的关于傅立叶变换的曲线图进行分析，可以验证通常出现锥体外系症的那些频率范围的频率贡献的程度。事实上，在图5B中，对于所有三个轴，在4Hz周围的频率的重要频率内容是明显的。在图4B中，5Hz周围的频率贡献略高于通常出现锥体外系症的其他频率：图4B示出了该大约为5Hz的贡献在X轴和Z轴上而不是在Y轴上更明显。然而，考虑到24小时监测周期的整个持续时间，对所估计的傅立叶变换的检查不准许对已出现这种频率内容的存在的监测时间区间进行估计，从而不提供获知是否已经出现锥体外系症状的机会，或者可能已经出现这种症状的任何时间瞬间。因此，在另一实现中，除了前一实现之外或作为其替代，频谱处理06可以包括将整个监测序列细分成时间子区间以及对于每个单独轴且在整个监测序列的每个时间子区间上计算傅立叶变换。
在一个实施方式中，每个轴的监测序列可以被划分为持续时间Δt在1秒至10分钟之间的时间子区间，对于每个时间子区间计算傅立叶变换。在优选实施方式中，监测序列可以被划分为从4秒到5分钟的相等持续时间的时间子区间，作为整个序列的子区间，三轴加速度计的每个轴在时间上同步。因此，在该实现中，可以定义相同持续时间的时间子区间，每个时间子区间由开始时间和结束时间表征；在构成整个监测序列的这些子区间中的每个子区间上，在每个空间轴上计算傅立叶变换。
在另一实施方式中，每个子区间的频谱分析可以包括使用傅立叶变换计算来执行时间-频率分析。可以通过识别谱密度、功率谱密度(功率谱密度，PSD)、能谱密度(能谱密度，ESD)、加速度谱密度(加速度谱密度，ASD)以及源自傅立叶变换的计算的其他特征参数来执行该分析。
在优选实施方式中，每个子区间的频谱分析可以包括，对于每个轴，在每个子区间上并且对于每个轴(Sx、Sy、Sz)计算功率谱密度。
在另一实现中，通过估计每个轴的功率谱密度在每个子区间上执行的时间-频率分析可以通过三维图形来可视化。在另一实现中，通过估计每个轴的功率谱密度在每个子区间上执行的时间-频率分析可以通过具有频谱表示的图像来可视化；在另一实现中，通过估计考虑所有轴而计算出的二次平均值的功率谱密度在每个子区间上执行的时间-频率分析可以通过具有频谱表示的图像来可视化。
图6和图7示出了用于各轴的三维图形，其中通过分别在图4A和图5A中公布的信号的频谱功率密度计算时间-频率分析；在每个子区间上并且对于测量系统的每个空间轴估计功率谱密度。通过考虑一个轴与另一个轴之间的相等持续时间和同步子区间来执行该分析(即，整个监测序列被细分为具有相等持续时间的子区间，并且针对由开始时间和结束时间瞬间表征的每个子区间，对每个空间轴计算傅立叶变换)。
图6示出了在一天中存在着重要频率内容在通常出现震颤麻痹症状的时间区间中较为明显的呈现的不同时刻。具体地，与监测序列的第二部分相比，可以在监测序列的第一部分中在3至7Hz之间的频率内容内(通常出现帕金森病震颤的区间)检测到更多数量的事件。图7示出了具有通常在2.5至9Hz之间的频率内容的多重和频繁事件的存在(通常出现左旋多巴诱导的运动障碍的区间)。
在另一实现中，除了先前实现之外或作为其替代，频谱处理06可以包括计算——对于各时间区间并且对于每个轴估计的——在通常出现锥体外系症的频率区间中估计的加速度信号的频谱能量；在一个实现中，频谱处理06可以包括通过考虑通常针对其检查锥体外系症状的频率范围对频谱密度Sx、Sy和Sz进行积分来计算对于各个时间区间并且对于每个轴估计的频谱内容。在一个实现中，频谱处理06可以包括通过对频谱密度Sx、Sy和Sz进行积分来计算对于各个时间区间并且对于每个轴估计的频谱内容：
-在3至7Hz之间，即通常出现帕金森病震颤的区间，获得EPx、EPy和EPz参数；
-在3至12Hz之间，即通常出现特发性震颤的区间，获得EEx、EEy和EEz参数；
-在1至8Hz之间，即通常出现运动障碍的区间，获得EDx、EDy和EDz参数；
-在0.2至3Hz之间，即通常被估计为运动迟缓的区间，获得EBx、EBy和EBz参数。
在另一实现中，频谱处理06可以包括通过将频谱密度Sx、Sy和Sz在与上述频率区间相比的不同频率区间上进行积分上来计算EPx、EPy、EPz、EEx、EEy、EEz、EDx、EDy、EDz、EBx、EBy、EBz参数。
在另一实现中，频谱处理06可以包括通过轴向值的线性组合来计算EP、EE、ED和EB参数：
EP＝aPx·EPx+aPy·EPy+aPz·EPz
EE＝aEx·EEx+aEy·EEy+aEz·EEz
ED＝aDx·EDx+aDy·EDy+aDz·EDz
EB＝aBx·EBx+aBy·EBy+aBz·EBz
(2)
其中，参数aPx、aPy、aPz、aEx、aEy、aEz、aDx、aDy、aDz、aBx、aBy、aBz是常数。在一个实现中，这些常数的值如下：
aPx＝aPy＝aPz＝aEx＝aEy＝aEz＝aDx＝aDy＝aDz＝aBx＝aBy＝aBz＝1
(3)
在一个实现中，频谱处理06可以包括，对于每个子区间，计算aRMS加速度的二次平均值的傅立叶变换。在另一实现中，频谱处理06可以包括，对于每个子区间，计算aRMS加速度的二次平均值的SRMS频谱密度。
在一个实现中，频谱处理06可以包括通过对SRMS频谱密度进行积分来计算对于各个时间区间估计的频谱内容：
-在3至7Hz之间，即通常出现帕金森病震颤的区间，获得EP,RMS参数；
-在3至12Hz之间，即通常出现特发性震颤的区间，获得EE,RMS参数；
-在1至8Hz之间，即通常出现运动障碍的区间，获得ED,RMS参数；
-在0.2至4Hz之间，即通常被估计为运动迟缓的区间，获得EB,RMS参数。
在另一实现中，频谱处理06可以包括上述参数的归一化计算。作为示例而非限制，公布了以下归一化模式：
其中EP,MAX表示所有EPx、EPy、EPz值的最大值，考虑到考虑监测的整个持续时间的所有时间区间。类似地，频谱处理06可以包括其他先前定义的参数(例如EE、ED、EB、......)的归一化计算。
然而，仅仅分析时间-频率、检测上述参数(例如EP、EE、ED、EB、......)以及在通常出现锥体外系症状的时间区间中检测某些频率贡献并不总是允许在确定上述频率内容的运动类型之间进行有效区别，并且因此不允许确认所述运动活动是由锥体外系症状引起而不是由自发动作引起的。此外，如果该活动是由锥体外系症状引起的，则并不总是能够识别哪个锥体外系症状是原因，因为这些症状具有可能彼此重叠的典型频率区间。
因此，预处理信号04和频谱处理06可能经受进一步处理08，执行：
-对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的存在进行识别10；
-对存在与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的时间瞬间进行识别12；
-对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的程度进行量化14。
更具体地，处理08可以包括通过将对特征频率内容的估计和与特殊活动相关联的模式的存在进行组合来执行对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的存在的识别10。事实上，在研究中注意到帕金森氏病的震颤通常以3至7Hz之间的旋前-旋后活动为特征，而由特发性震颤引起的震颤通常以3至12Hz之间的屈曲-伸展活动为特征。此外，个体患者运动障碍的现象通常不会随时间推移而改变。
参考图8和图9，趋势被示出为随时间t变化，并且趋势被示出为随频率f变化，分别指涉受帕金森病震颤影响的患者和有由特发性震颤引起的震颤的患者。
举例来说，图8A和图9A示出了对于三个轴(x、y和z)中的每个轴由佩戴在腕部上的三轴加速度测量系统22检测到的加速度时间趋势(ax、ay和az)；如上所述，通过对于每个轴使用100Hz的采样频率并考虑预处理过程04来获得这些趋势。
举例来说，图8中的趋势示出，扣除低频贡献并且由于低于约1Hz的频率，频率贡献在4至7Hz之间的范围内是占主导性的，即在通常出现帕金森病震颤的频率范围内。图8B还示出了在x轴处检测到的3至7Hz之间的频率贡献比在y轴处检测到的3至7Hz之间的频率贡献大，并且在x轴处检测到的3至7Hz之间的频率贡献比在z轴处检测到的3至7Hz之间的频率贡献大。此外，图8B还示出了在z轴处检测到的3至7Hz之间的频率贡献比在y轴处检测到的3至7Hz之间的频率贡献大。图8A还示出了ax加速度的最大幅度比加速度ay的最大幅度和加速度az的最大幅度大。最后，图8A还示出了加速度az的最大幅度比加速度ay的最大幅度大。
举例来说，图9中所示的趋势表明，扣除低频贡献并且由于低于约1Hz的频率，大约5Hz的频率贡献是占主导性的。此外，还可以观察到8至9Hz之间的不可忽略的频率内容。这些贡献落入通常出现由特发性震颤引起的震颤的频率范围内。此外，图9B示出了在z轴处检测到的3至10Hz之间的频率内容比在x轴处检测到的3至10Hz之间的频率贡献大，并且对应于y轴检测到的在3至10Hz之间的频率贡献比在x轴处检测到的3到10Hz之间的频率贡献高。图9A还示出了加速度az的最大幅度比ax加速度的最大幅度大。最后，图8A还示出了最大ay加速度幅度比ax加速度的最大幅度大。
因此，处理08和识别10可以包括通过下述方式对与锥体外系症状相关联的特定运动模式进行识别和区分，所述方式为：使用多轴测量系统，并且量化在某些特征频率范围内并且在给定的时间区间中检测到频率内容在多轴测量系统的各个轴上分布和分配的方式。
因此，在本发明的可能配置中，可以通过估计在各个轴上检测到的特征频率内容(单轴估计)以及在各个轴上检测到的特征频率内容之间的比较估计(轴间估计)来执行对与锥体外系症状类似的运动状态的识别10、12和量化14。在另一实现中，处理08和识别10可以包括同时识别更具体的活动模式。在另一实现中，处理08和识别10可以包括同时识别与各种锥体外系症状相关联的更具体的活动模式。
在一个实现中，处理08可以包括对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的程度进行识别10、12和量化14，同样在严重性和持续时间方面进行识别和量化。在另一实现中，除了先前实现之外或作为其替代，可以通过计算合成数值、分数和/或指数来执行对经历的症状的程度的量化14。在另一实现中，除了先前实现之外或作为其替代，可以通过将下述两方面进行组合来执行对与症状类似的运动状态的程度的量化，所述两方面中的一方面是计算合成数值、分数和/或指数，所述两方面中的另一方面是对定量时间-频率分析进行定性估计。在一个实现中，可以通过检查频谱分析和/或时间-频率分析和/或检查检测到的合成数值、分数和/或指数随时间推移的趋势来执行对定量时间-频率分析的定性估计。在一个实现中，可以通过检查时间-频率分析的图形和/或数字表示以及检测到的合成数值、分数和/或指数随时间推移的趋势的图形表示来执行对时间-频率分析和/或检测到的合成数值、分数和/或指数随时间推移的趋势的检查。
在另一实现中，除了前一实现或作为其替代，信号处理08可以包括使用平滑滤波器来处理检测到的合成数值、分数和/或指数的序列；在优选实现中，平滑滤波器是移动平均滤波器。
图10、图11和图12示意性地示出了可以从处理08获得的结果中的一些结果；图10示出了涉及患有由帕金森氏病引起的震颤的患者的处理，图11示出了涉及患有特发性震颤的患者的处理，并且图12示出了涉及似乎不会受到引起活动障碍的神经学疾病影响的“对照”患者的处理。
更详细地，处理08可以包括通过将特征频率内容的估计和由旋前-旋后引起的活动模式的存在的组合来执行对与帕金森病震颤类似的运动状态的存在的识别。可以在可以包括3至7Hz之间的值的频率范围内估计该特征频率内容。在一个实现中，除了先前实现之外或作为其替代，特征频率内容的估计和由旋前-旋后引起的活动模式的存在的组合可以包括对在单个轴上检测到的特征频率内容进行估计(单轴估计)以及各个轴上检测到的特征频率内容之间的比较估计(轴间估计)。在一个实现中，除了先前实现之外或作为其替代，关于识别10，由旋前-旋后引起的活动模式可以识别为存在于出现以下三个条件中的所有条件的时间区间处：
即，这种可能的活动模式被识别为存在于具有下述关系的每个子区间处：
(QP)AND(WP)AND(RP)＝1
(6)
其中σxz、σxy和σzy是阈值，AND是二元逻辑运算符，并且参数QP、WP、RP被定义为：
基本上，如果满足前面的公式(6)的条件，则这指示着旋前-旋后活动，其是帕金森氏病震颤的条件的特征。因此，该分析允许在自发活动与由于该特定病状引起的活动之间进行区分。
在一个实现中，上述阈值被定义如下：σzy＝0，σxz＝σxy＝σ，其中，σ是用于所有子区间的常数值。在一个实现中，除了先前实现之外或作为其替代，处理08可以包括：考虑出现以下关系的所有时间区间，对与帕金森病震颤相关联的旋前-旋后活动进行识别，
其中和是阈值，AND是二元逻辑运算符，并且参数 被定义为：
在一个实现中，这样的阈值被定义如下：其中，σrel是所有子区间的常数值。
在另一实现中，可以通过考虑由先前观察识别的统计值或者参考的百分比值或者由于参考信号r(t)引起的能量贡献来选择阈值σ或阈值σrel；举例来说，参考信号可以是：
r(t)＝14·sinc(14·t)-6·sinc(6·t)
(8)
在一个实现中，如下面更好地说明的，对于同一患者，这样的阈值σ和/或σrel可以被认为是用于比较随时间推移执行的多个连续监测序列之间的运动状态的参考。
在一个实现中，处理08可以包括通过检测与监测序列的下述子区间相关联的时间瞬间来对出现震颤麻痹症如震颤运动状态的时间瞬间进行识别12，在上述子区间中，已经根据先前的实现之一或者在等式(6)的条件出现时或者在等式(7)的条件出现时验证了对震颤运动状态的识别。
在一个实现中，处理08可以包括对与帕金森氏病震颤类似的运动状态的程度进行量化14。在一个实现中，可以根据严重性和/或持续时间来执行对与来自帕金森氏病的震颤类似的运动状态的程度的量化14。在一个实现中，对与帕金森氏病类似的运动状态的程度进行量化14。在一个实现中，对与帕金森氏病震颤类似的运动状态的程度的量化14可以包括对在下述频率范围处检测的总频率内容进行估计，上述频率范围可以包括在3至7Hz之间的区间中包括的值。
在一个实现中，可以通过计算合成数值、分数和/或指数来执行对与帕金森氏病震颤类似的运动状态的程度的量化14。在另一实现中，除了先前实现之外或作为其替代，可以将合成数值、分数和/或指数的计算以及定量时间-频率分析的定性估计进行组合来执行对与帕金森氏病震颤类似的运动状态的程度的量化14。
在一个实现中，可以通过计算一个或多个指数，包括LP指数，来就持续时间方面计算对与帕金森病震颤类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括BP指数和/或指数和/或指数，来就严重性方面计算对与帕金森病震颤类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括指数和指数，来就严重性方面计算对与帕金森病震颤类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括通过将指数和/或指数乘以系数获得的BLP指数，来就严重性方面计算对与帕金森病震颤类似的运动状态的程度的量化14。
在一个实现中，除了前一实现之外或作为其替代，可以通过估计监测序列的下述时间子区间的总NP数量来获得对震颤麻痹症类型震颤的运动状态的程度在持续时间方面的量化，在所述时间子区间中，已根据先前实现中指示的内容识别出存在与先前提到的症状类似的运动状态。在一个实现中，除了前一实现之外或作为其替代，还可以通过估计监测序列的下述时间子区间的总持续时间数、可能地通过计算LP指数来获得对震颤麻痹症类型震颤的运动状态的程度在持续时间方面的量化，在所述时间子区间中，已经根据先前实现中指示的内容识别出存在与该症状类似的运动状态。在优选实现中，可以通过NP与每个子区间Δt的持续时间之间的乘积来计算LP指数。在另一实现中，对与帕金森病震颤类似的运动状态的程度在持续时间方面的量化可以包括对监测周期期间检测到的震颤的累积持续时间与监测序列的总持续时间之间的关系的百分比估计，可能还利用对LP指数的计算。在另一实现中，对与帕金森病震颤类似的运动状态的程度在持续时间方面的量化可以包括在监测周期期间检测到的震颤的累积持续时间与在监测周期期间检测到运动活动(或EP的值)高于某一阈值的累积TAR时间之间的百分比，可能还利用对LP指数的计算。
在一个实现中，处理08可以包括通过考虑下述子区间，可能还通过计算BP指数，获得的对与帕金森病震颤类似的运动状态的程度在严重性方面的量化14，在所述子区间中，对与帕金森病震颤类似的运动状态和在测量系统的所有轴上检测到的、估计为在震颤的特征频率范围内的频率内容的存在进行识别10。在一个实现中，BP指数可以在尚未识别出可能存在帕金森病震颤的时间子区间处取零值，并且可以对应于根据先前的实现识别出可能存在帕金森病震颤的时间子区间取等于EP,RMS的值。在另一实现中，BP指数可以在尚未识别出可能存在帕金森病震颤的时间子区间处取零值，并且可以对应于已经根据先前的实现识别出可能存在帕金森病震颤的时间子区间取等于EP的值，如等式(2)或者等式(2)和(3)的组合中所定义的。在另一实现中，可以计算由每个轴提供给BP值的贡献(作为示例，可以计算BPx＝EPx、BPy＝EPy、BPz＝EPz)。在另一实现中，除了先前实现之外或作为其替代，BP指数可以是关于参考单位值EP,REF的无量纲和标准化参数。作为示例而非限制，公布了BP参数的两种可能的计算：
在一个实现中，可以考虑参考信号(8)来估计参数EP,REF。在另一实现中，可以通过EPx、EPy和EPz参数的线性或非线性组合来获得BP指数。在一个实现中，除了先前实现之外或作为其替代，可以如下计算BP指数：
在另一实现中，除了先前实现之外或作为其替代，对震颤的严重性的量化可以包括通过使用对数函数、平方根或其他数学函数计算上述参数EP,RMS、EPx、EPy、EPz、EP,REF。
举例来说，图10、图11和图12分别涉及患有帕金森氏病和帕金森病震颤的患者、经受特发性震颤和震颤的患者以及“对照”患者的三种不同监测系统。图10A、图11A和图12A示出了aRMS加速度的二次平均值随时间推移的趋势，而图10B、图11B和图12B以实线示出了根据等式(9a)估计的BP指数随时间推移的趋势，并且以虚线示出了值EP随时间推移的趋势，其中根据等式(2)和(3)(或根据先前公布的实现中的另一实现)估计EP。因此，BP指数在未检测到由于与帕金森病震颤类似的运动状态而引起的运动活动的情况下取零值，而对于与揭示可能存在与帕金森病震颤类似的运动状态的那些子区间对应的那些子区间，它取与EP参数相同的值。因此，分别涉及经受特发性震颤的患者和“对照”患者的图11B和图12B表明没有与帕金森病震颤类似的运动活动。涉及患有帕金森病震颤的患者的图10B表明存在与帕金森氏病震颤类似的运动活动，证实并非所有确定3至7Hz之间的非零内容频率的运动活动都与锥体外系症状和帕金森病震颤相关。图10、图11和图12还表明，可以将帕金森病震颤与由于特发性震颤引起的震颤区分开来。
在另一实现中，处理08可以包括：
-根据公式(2)中、即公式(2)和(3)中、也就是公式(8)、(9)和(10)中之一公布的内容计算序列的所有时间子区间的BP指数。
-估计BP指数值高于阈值的子区间，对与帕金森病震颤类似运动状态进行识别10、12。
-通过仅对其中执行前面提到的识别10的那些子区间估计BP值，对与帕金森病震颤类似的运动状态进行量化14。
因此，根据前面提到的实现，可以为整个监测序列的每个单个子区间定义BP指数。然而，可以定义总体指数以总结监测的整个持续时间的严重性水平，以及LP指数，该指数可以被称为整个监测周期期间的震颤的总持续时间。
在一个实现中，对与帕金森病震颤类似的运动状态在严重性方面的量化14可以包括对与各个子区间相关的指数的总体估计。在一个实现中，对与帕金森病震颤类似的运动状态在严重性方面的量化14可以包括通过将与监测序列有关的所有子区间的所有BP指数的值求和而获得的指数计算：
在另一实现中，对与帕金森病震颤类似的运动状态在严重性方面的量化14可以包括指数的计算，在优选实现中，该指数表示所有BP值的平均值。在另一版本中，对与帕金森病震颤类似的运动状态在严重性方面的量化14可以包括指数的计算，在最佳实现中，该指数表示所有BP值的平均值。在另一实现中，可以根据与已经在其中识别出可能存在与帕金森氏病震颤类似的运动状态的子区间的数量之间的比率来计算指数。在另一实现中，指数表示所有非零BP值的平均值。
在一个实现中，对与帕金森病震颤类似的运动状态在严重性和持续时间方面的量化14可以包括计算指数和指数：
在另一实现中，除了先前实现之外或作为其替代，对与帕金森病震颤类似的运动状态在强度和/或持续时间方面的量化14可以包括计算先前提到的所有指数。
在另一实现中，除了先前实现之外或作为其替代，对与帕金森氏病震颤类似的运动状态在强度和/或持续时间方面的量化14可以包括对在整个监测序列期间检测到的数值参数和指数进行图形表示。在说明性实现中，在每个区间处检测到的指数(例如，BP、EP,RMS、EPx、EPy、EPz)的值的序列可以按升序或降序重新排序，并以图形显示，如图13A中示意性所示，其中还可以图形地识别LP指数(等于NP*Δt乘积)，该指数表示在监测的持续时间内帕金森病震颤的累积时间，与横坐标轴上检测到的获得第一个非零BP指数值的时间值对应地进行识别。在另一图示的实现中，在每个区间检测到的指数(例如，BP、EP,RMS、EPx、EPy、EPz)的值的序列可以按升序或降序重新排序，以表示累积分布函数，如图13C中示意性所示，其中可以图形地识别：
-LP指数(等于NP*Δt乘积)，该指数表示在监测的持续时间内与帕金森病震颤类似的运动状态的累积时间，与横坐标轴上测量的累积函数的第一个非零值的时间值对应地进行识别；
-在累积函数的纵坐标轴上测量的极高值处识别的指数BP TOT。
在一个实现中，在监测序列期间检测到的指数的图形显示可以用于比较随时间推移执行的多个监测序列。图13示出了针对在同一患者上执行的两个不同监测器的先前提到的图形显示。
在另一实现中，除了先前实现之外或作为其替代，对与帕金森氏病类似的运动状态的程度的量化14可以包括：
-计算合成数值、分数和/或指数(包括BP、BDx、BDy、BDz、EP,RMS、EPx、EPy、EPz指数)及其与监测的持续时间相关的趋势，如图10、图11和图12中示意性所示；
-相对于监测的整个持续时间计算合成数值、分数和/或指数(包括LP、NP、BLP、TAR、和指数)；
-对这些指数进行图形表示，包括图13中示意性所示的模式。
-对定量时间-频率分析进行定性估计。
在一个实现中，除了先前实现之外或作为其替代，可以通过检查频谱分析和/或时间-频率分析来执行对定量时间-频率分析的定性估计。对频谱分析和/或时间-频率分析的这种检查可以通过检查时间-频率分析的图形和/或数字表示来执行，并且可以包括下述检查：
-各个轴上的参数和加速度随时间推移的趋势，如图4A和图5A中示意性所示；
-各个轴上的整个监测序列的总频率内容，如图4B和图5B中示意性所示；
-各个轴的频谱图和/或功率密度随时间和频率的变化，如图6和图7中示意性所示，和/或均方值的频谱图随时间和频率的变化。
在优选实施方式中，对频谱图和/或功率密度随时间和频率的变化的检查可以旨在通过图形的视觉查阅来促进对监测序列的结果的综合分析的执行，从图形中可能指示：
-频率内容在整个监测序列中分布的方式；
-感兴趣的频率内容中的运动活动事件出现的频率；
-与用于计算指数的频率相邻的频率的区间和其他频率范围中的运动活动的存在；
-感兴趣的频率内容中的运动活动事件的强度；
-感兴趣的频率内容中的运动活动事件的数量。
举例来说，通过视觉上查阅图6中所示的图形，可以看到在3至7Hz之间的感兴趣的区间中即在通常验证了帕金森病震颤的区间中存在运动活动，特别是存在于监测的初始部分中。在监测序列的其余部分中，其他事件是反而可见的，具有较低的出现频率。此外，在监测序列的大约一半观察到运动活动，其中出现谐波，从10Hz的频率开始的该谐波的内容减小并且在20Hz之后呈现出显著下降。
在另一实现中，除了先前实现之外或作为其替代，对与帕金森氏病震颤类似的运动状态的程度的量化14可以包括先前指示的所有步骤和元素，不仅用于对单个监测序列进行量化，而且用于对多个监测序列进行量化14和比较估计16。事实上，这种实现可以用于将多个监测序列彼此进行比较以及比较同一患者的多个监测序列，以检查他或她的运动状态随时间推移的进展，并且可能地，他或她的运动状态的变化随他或她的治疗计划的变化而变化。作为说明性示例，图13示出了在与同一患者相关的两个不同监测序列期间检测到的指数的图形显示。第二序列是指在其中随着多巴胺能药的剂量已经增加患者所遵循的治疗计划与第一序列不同的采集(acquisition，获取、获得物)。类似地，通过说明性示例，图14示出了与同一患者相关的两个不同监测序列的功率密度的图形显示；第二序列是指在其中随着多巴胺能药的剂量增加患者所遵循的治疗计划与第一序列不同的采集。对于每个序列，图13A和图13B(图13A围绕笛卡尔坐标轴的原点的放大图)以升序示出了指数的趋势。图13B针对每个序列示出了指数在累积分布函数方面的趋势。图13示出了尽管已经在第二采集序列中达到BP指数的最大值但从总体上看，第二序列的震颤的累积持续时间和LP指数的值低于第一序列的相应者(LP,1<LP,2)。此外，第二监测序列的指数的值比与第一监测序列有关的相同指数的值低类似地，第二监测序列的指数值比与第一监测序列有关的相同指数的值低此外，举例来说，可以从图13A验证在图中存在于曲线下方的区域是不同的，其中下面的区域是指数值的函数。因此，图13中的曲线下的区域之间的差以及与不同监测序列相关的指数的值的差可以用于比较不同的监测序列，并支持对监测序列的变化进行估计以及支持对监测序列之间的患者的运动状态的监测的变化进行估计。类似地，下述指数的值也是如此，即的值，其在一个实现中对应于如图13A和图13B(图13C围绕笛卡尔轴的原点的放大图)中示意性所示的每条曲线下面的区域，以及的值，在一个实现中考虑在图13C和图13D(图13C围绕笛卡尔轴的原点的放大图)中示意性地所示的区域。最后，在另一实现中，可以通过对与不同累积分布函数相关联的区域进行估计来执行比较估计16，每个单独的BLP指数与监测系统相关联(以这种方式，BLP指数的值可以与曲线下区域的值对应)。在另一实现中，可以通过对每个监测序列的指数值的直方图进行估计来执行比较估计16。在图14中示意性示出的另一实现中，可以通过针对每个监测序列对加速度的二次平均值的频谱图进行估计来执行比较估计16。事实上，举例来说，图14中示意性所示的图形示出了涉及第二监测序列的在3至7Hz之间的频率区间中的运动活动明显低于第一监测序列的在3至7Hz之间的频率区间中的运动活动。
在一个实现中，处理08可以包括通过特征频率内容的估计和由屈曲-伸展引起的运动模式的存在的组合来执行对与由特发性震颤引起的震颤类似的运动状态的存在的识别。在一个实现中，除了先前实现之外或作为其替代，可以在可以包括范围从3至12Hz的频率值的频率范围内估计该特征频率内容。在一个实现中，除了先前实现之外或作为其替代，特征频率内容的估计和由屈曲-伸展引起的运动模式的存在的组合可以包括对在各个轴个上检测到的特征频率内容进行估计(单轴估计)以及在各个轴上检测到的特征频率内容之间的比较估计(轴间估计)。在一个实现中，除了先前实现之外或作为其替代，参考识别10，可以识别为在出现所有以下两个条件的时间区间处存在该由屈曲-伸展引起的运动模式：
即，这种可能的活动模式被识别为存在于具有下述关系的每个子区间处，：
(QE)AND(WE)＝1
(14)
其中δzx和δyx是阈值，AND是二元逻辑运算符，并且参数QE和WE被定义为：
在一个实现中，先前提到的阈值被定义如下：δzx＝δyx＝δ，其中δ是所有子区间的恒定值。
在一个实现中，由屈曲-伸展引起的这些活动模式可以被识别为存在于出现以下条件的时间区间处：
(QE)OR(WE)＝1
其中，OR是二元逻辑运算符OR。
在一个实现中，由屈曲-伸展引起的活动模式可以被识别为存在于出现以下条件的时间区间处：
EEz>EEx+δzx
在一个实现中，除了先前实现之外或作为其替代，处理08可以包括考虑出现以下条件的所有时间区间识别与由特发性震颤引起的震颤相关联的屈曲-伸展：
其中和是阈值，AND是二元逻辑运算符，并且参数和被定义为：
在一个实现中，这样的阈值被如下定义：其中δrel对于所有这样的子区间为恒定值。
在一个实现中，可以通过考虑由先前观察识别的统计值或者通过考虑参考百分比值或者通过考虑由参考信号引起的能量贡献来选择δ阈值或δrel阈值。在一个实现中，如下面进一步详述的，对于同一患者，当比较患者在随时间推移执行的多个连续监测序列之间的运动状态时，阈值δ和/或δrel可以被认为是参考。
在一个实现中，处理08可以包括通过检测与监测序列的下述子区间相关联的时间瞬间来对由于特发性震颤而出现与震颤类似的运动状态的时间瞬间进行识别12，在上述子区间中，根据先前的实现之一或者当出现等式(14)中涉及的条件时或者当出现等式(15)中涉及的条件时，验证了对与震颤类似的运动状态的识别10。
在一个实现中，处理08可以包括对与由特发性震颤引起的震颤类似的运动状态的程度的量化14。在一个实现中，可以就严重性和/或持续时间方面来执行对与由特发性震颤引起的震颤类似的运动状态的量值的量化14。在一个实现中，对与特发性震颤类似的运动状态的程度的量化14可以包括对总频率内容的估计以及对下述频率范围处检测到的频率内容的估计，上述频率范围可以包含被包括在3至12Hz之间的范围中的值。
在一个实现中，可以通过计算合成数值、分数和/或指数来实现与由特发性震颤引起的震颤类似的运动状态的量值的量化14。在另一实现中，除了先前实现之外或作为其替代，可以通过将合成时间-频率分析的计算进行组合来执行对与由特发性震颤引起的震颤类似的运动状态的程度的量化14。
在一个实现中，可以通过计算一个或多个指数，包括LE指数，来就持续时间方面实现对与由特发性震颤引起的震颤类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括BE指数和/或指数和/或指数，来就严重性方面实现对与由特发性震颤引起的震颤类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括指数和指数，来就严重性和持续时间方面实现对与由特发性震颤引起的震颤类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括通过将指数和/或指数乘以系数获得的BLE指数，来就严重性和持续时间方面实现对与由特发性震颤引起的震颤类似的运动状态的程度的量化14。
在一个实现中，除了先前实现之外或作为其替代，可以通过估计监测序列的下述时间子区间的总数来获得对由特发性震颤引起的震颤的程度在持续时间方面的量化，在所述时间子区间中，根据先前实现中已经指示的内容，识别出存在该症状。在一个实现中，除了先前实现之外或作为其替代，还可以通过计算由估计监测序列的下述时间子区间总数得到的LE指数来最终获得对由特发性震颤引起的震颤的程度在持续时间方面的量化，在所述时间子区间中，根据先前实现中已经指出的内容，识别出存在该症状。在优选实现中，可以通过计算NE与每个子区间的持续时间Δt之间的乘积来计算LE指数。在另一实现中，对由特发性震颤引起的震颤的程度在持续时间方面的量化还可以最终包括计算LE指数、由在监测周期期间检测到的特发性震颤引起的震颤的累积持续时间与监测序列的总持续时间之间的关系的估计百分比。在另一实现中，对由特发性震颤引起的震颤的程度在持续时间方面的量化可以包括——最终还利用对LE指数的计算——对由监测序列期间检测到的特发性震颤引起的震颤的累积持续时间与在监测周期期间检测到运动活动(或值EE)高于某一阈值的累积TAR时间之间的百分比进行估计。
在一个实现中，处理08可以包括通过考虑下述子区间获得的——最终还通过计算BE指数——对由特发性震颤引起的震颤的程度在严重性方面的量化14，在所述子区间中，对与由特发性震颤引起的震颤类似的运动状态和在测量系统的所有轴上检测到的在由特发性震颤引起的震颤的特征频率范围内估计的频率内容的存在进行识别10。在一个实现中，BE指数可以在尚未识别出可能存在与由特发性震颤引起的震颤类似的运动状态的时间子区间处取零值，并且可以对应于已经根据先前的实现识别出可能存在与特发性震颤类似的运动状态的时间子区间取等于EE,RMS的值。在另一实现中，BE指数可以在尚未识别出可能存在与由特发性震颤引起的震颤类似的运动状态的时间子区间处取零值，并且可以对应于已经根据先前的实现识别出可能存在与特发性震颤类似的运动状态的时间子区间取等于EE的值，如等式(2)或等式(2)和(3)的组合所定义的。在另一实现中，可以计算由每个轴提供给值BE的贡献(例如，可以计算BEx＝EEx、BEy＝EEy、BEz＝EDz)。在另一实现中，除了先前实现之外或作为其替代，BE指数可以是关于参考单位值EE,REF的无量纲和标准化参数。作为示例而非限制，公布了BE参数的两种可能的计算：
在一个实现中，可以通过考虑参考信号(8)来估计参数EE,REF。在另一实现中，可以通过EEx、EEy和EEz参数的线性或非线性组合来获得BE指数。在另一实现中，除了先前实现之外或作为其替代，可以如下计算BE指数：
如图所示，图10、图11和图12如上所述分别涉及患有帕金森氏病和帕金森病震颤的患者、经受特发性震颤的患者以及“对照”患者的三种不同监测序列。图10A、图11A和图12A示出了aRMS加速度的二次平均值随时间推移的趋势，而图10C、图11C和图12C以实线示出了根据等式(16a)估计的BE指数随时间推移的趋势，并且以虚线示出了根据等式(2)和(3)(或根据先前公布的实现中的另一实现)估计的EE值随时间推移的趋势。因此，BE指数在未检测到由于特发性震颤而引起的运动活动的情况下取零值，而对于检测到可能存在由特发性震颤引起的震颤的那些子区间，它取与EE参数相同的值。图12C和图10C分别涉及“对照”患者和患有帕金森病震颤的患者，因此表明没有与特发性震颤类似的运动活动。涉及经受特发性震颤的患者的图11C表明存在与由特发性震颤引起的震颤类似的运动活动，证实并非所有确定3至12Hz之间的非零频率内容的运动活动都与锥体外系症状和由特发性震颤引起的震颤相关。图10、图11和图12还表明，可以将帕金森病震颤与由于特发性震颤引起的震颤区分开来。
在另一实现中，除了先前实现之外或作为其替代，对与由特发性震颤引起的震颤类似的运动状态的严重性的量化可以包括通过使用对数函数、平方根或其他数学函数计算上述参数和EE,RMS、EEx、EEy、EEz、EE,REF参数。
在另一实现中，处理08可以包括：
-如公式(2)中、即在公式(2)和(3)中、即公式(8)、(9)和(10)中之一公布的计算所有时间子区间序列的BE指数；
-通过估计BE指数的值高于阈值的子区间，对由特发性震颤引起的震颤进行识别10、12；
-通过仅对在其中执行前面提到的识别10的那些子区间估计BE的值，对与由特发性震颤引起的震颤类似的运动状态进行量化14。
因此，根据前面提到的实现，可以为整个监测序列的每个单个时间子区间定义BE指数的值。然而，可以定义总体指数以总结监测的整个持续时间的严重性水平，以及LE指数，该指数可以被称为与整个监测序列期间的与震颤类似的运动状态的总持续时间。
在一个实现中，对由特发性震颤引起的震颤在严重性方面的量化14可以包括对与子区间有关的指数的总体估计。在一个实现中，对与特发性震颤类似的运动状态在严重性方面的量化14可以包括通过对与监测序列的所有子区间相关的所有BE指数的值求和而获得的指数计算：
在另一实现中，对由特发性震颤引起的震颤在严重性方面的量化14可以包括指数的计算，在优选实现中，该指数表示所有BE值的平均值。在另一实现中，可以根据与已经识别出其中可能存在与特发性震颤类似的运动状态的子区间的数量之间的比率来计算指数在另一实现中，指数表示除零之外的所有BE值的平均值。
在一个实现中，对由特发性震颤引起的震颤在严重性和持续时间方面的量化14可以包括计算指数和指数：
在另一实现中，除了先前实现之外或作为其替代，对由特发性震颤引起的震颤在强度和/或持续时间方面的量化14可以包括计算先前提到的所有指数。
在另一实现中，除了先前实现之外或作为其替代，对由特发性震颤引起的震颤在强度和/或持续时间方面的量化14可以包括对在整个监测序列期间检测到的数值参数和指数进行图形表示。在说明性实现中，在每个区间测量的指数(例如，BE、EE,RMS、EEx、EEy、EEz)的值的序列可以按升序或降序重新排序，并以图形显示，类似于先前在图13A中示出的，其中还可以图形地识别LE指数(等于乘积NE*Δt)，该指数表示在监测的持续时间内由特发性震颤引起的震颤的累积时间，与横坐标轴上检测的获得第一个非零BE指数值的时间值对应地进行识别。在另一图示的实现中，在每个区间测量的值(例如，BE、EE,RMS、EEx、EEy、EEz)的序列可以按升序或降序重新排序，以表示累积分布函数，类似于先前在图13C中所示的内容。根据该图形，可以图形地识别：
-LE指数(等于乘积NE*Δt)，该指数表示在监测序列的持续时间内由特发性震颤引起的震颤的累积时间，与横坐标轴上测量的出现累积函数的第一非零值的时间值相对应地进行识别；
-在累积函数的纵坐标轴上测量的极高值处识别的指数
在一个实现中，在监测序列期间检测到的指数的图形显示可以用于比较随时间推移执行的多个监测序列，类似于先前在图13中示出的内容。
在另一实现中，除了先前实现之外或作为其替代，对由特发性震颤引起的震颤的量化14可以包括：
-计算合成数值、分数和/或指数(包括BE、BEx、BEy、BEz、EE,RMS、EEx、EEy、EEz指数)及其与监测持续时间相关的趋势，如图10、图11和图12中示意性所示；
-关于整个监测周期计算合成数值、分数和/或指数(包括LE、NE、TAR、LBE、和指数)；
-对这些指数进行图形表示；
-对定量时间-频率分析进行定性估计。
在一个实现中，除了先前实现之外或作为其替代，可以通过检查频谱分析和/或时间-频率分析来执行对定量时间-频率分析的定性估计。对频谱分析和/或时间-频率分析的这种检查可以通过检查时间-频率分析的图形和/或数字表示来执行，并且可以包括下述核查：
-各个轴上的参数和加速度随时间推移的趋势；
-各个轴上的整个监测序列的总频率内容；
-各个轴的频谱图和/或功率密度随时间和频率的变化，和/或均方值的频谱图随时间和频率的变化。
在优选实现中，对频谱图和/或功率密度随时间和频率的变化的检查可以旨在通过图形的查阅来促进对监测结果的综合分析的执行，从图形中可能有下述视觉指示：
-频率内容在整个监测序列中分布的方式；
-感兴趣的频率内容中运动活动事件出现的频率；
-与用于计算指数的频率相邻的频率的区间和其他频率范围中的运动活动的存在；
-感兴趣的频率内容中的运动活动事件的强度；
-感兴趣的频率内容中的运动活动事件的数量。
在另一实现中，除了先前实现之外或作为其替代，对由特发性震颤引起的震颤的量化14可以包括先前指示的所有步骤和元素，不仅用于对单个监测序列进行量化14，而且用于对多个监测序列进行量化14和比较估计16。事实上，这种实现可以用于将多个监测序列彼此进行比较以及比较同一患者的多个监测序列，以检查他或她的运动状态随时间推移的进展，以及由于他或她的治疗计划的变化而引起的他或她的运动状态的可能变化。通过图示的示例，可以以与图13和图14中已经示意性示出的方式类似的方式执行数据的这种显示。
最后，在另一实现中，可以通过对不同累积分布函数各自与监测序列相关联的区域进行估计来执行比较估计16。在另一实现中，可以通过对每个监测序列的指数值的直方图进行估计来执行比较估计16。在另一实现中，可以通过针对每个监测序列对加速度的二次平均值的频谱图进行估计来执行比较估计16。
在一个实现中，处理08可以包括对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的症状类似的运动状态的程度也在严重性和持续时间方面进行识别10、12和量化14。在另一实现中，除了先前实现之外或作为其替代，可以通过计算合成数值、分数和/或指数来执行对患有的症状的程度的量化14。在另一实现中，除了先前实现之外或作为其替代，可以通过将合成数值、分数和/或指数的计算以及定量分析时间-频率的定性估计进行组合来执行对患有的症状的程度的量化14。在一个实现中，可以通过检查频谱分析和/或时间-频率分析和/或合成数值、分数和/或指数随时间推移的趋势来执行对定量时间-频率分析的定性估计。在一个实现中，可以通过检查时间-频率分析的图形和/或数值表示以及检测到的合成数值、分数和/或指数随时间推移的趋势的图形表示来执行对时间-频率分析和/或检测到的合成数值、分数和/或指数随时间推移的趋势的检查。
在一个实现中，处理08可以包括通过对特征频率内容的估计和特殊活动模式的存在进行组合来执行对与运动障碍类似的运动状态的识别和量化。在一个实现中，除了先前实现之外或作为其替代，可以在可以包括范围从1至3Hz以及从3至8Hz的频率值的频率范围内估计该特征频率内容。在实现中，除了先前实现之外或作为其替代，特征频率内容的估计和特殊活动模式的存在的组合可以包括对在单个轴上检测到的特征频率内容的估计(单轴估计)以及在各个轴上检测到的特征频率内容之间的比较估计(轴间估计)。
在另一实现中，处理08可以包括：
-根据公式(2)中、即在公式(2)和(3)中公布的内容计算序列的所有时间子区间的BD＝ED指数；
-估计BD指数的值高于阈值的子区间，对可能的运动障碍进行识别10、12；
-仅对在其中执行了前面提到的识别10的那些子区间估计BD值，对可能的运动障碍进行量化14。
在另一实现中，处理08可以包括对运动障碍实体进行量化14。在一个实现中，可以就严重性和/或持续时间方面来执行对运动障碍的量化。在一个实现中，对与运动障碍类似的运动状态的程度的量化14可以包括对总频率内容进行估计以及对在下述频率范围处检测到的频率内容进行估计，上述频率范围可以包括在1至8Hz之间的区间中的值。
在一个实现中，可以通过计算合成数值、分数和/或指数来执行对与运动障碍类似的运动状态的程度的量化14。在另一实现中，除了先前实现之外或作为其替代，可以通过将合成数值、分数和/或指数的计算与定量时间-频率分析的定性估计进行组合来执行对与运动障碍类似的运动状态的程度的量化14。
在一个实现中，可以通过计算一个或多个指数，包括LD指数，来就持续时间方面执行对与运动障碍类似的运动状态的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括BD指数和/或指数和/或指数，来就严重性方面执行对运动障碍的程度的量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括指数和指数，来就严重性和持续时间方面对运动障碍的程度进行量化14。在一个实现中，除了先前实现之外或作为其替代，可以通过计算一个或多个指数，包括通过将指数和/或指数乘以系数获得的BLD指数，来就严重性和持续时间方面执行对运动障碍的程度的量化14。
在一个实现中，除了先前实现之外或作为其替代，可以通过估计监测序列的下述时间子区间的总ND数量来获得对运动障碍的程度在持续时间方面的量化，在所述时间子区间中，已经根据先前实现中指示的内容识别出存在运动障碍。在一个实现中，除了先前实现之外或作为其替代，还可以通过估计监测序列的下述时间子区间的总数的持续时间，最终还通过计算LP指数，来最终获得对运动障碍的程度在持续时间方面的量化，在所述时间子区间中，已经根据先前实现中指示的内容识别出存在运动障碍。在优选实现中，可以通过ND与每个子区间Δt的持续时间之间的乘积来计算LD指数。在另一实现中，对运动障碍的程度在持续时间方面的量化可以包括——最终还通过计算LD指数——对监测周期期间检测到的可能的运动障碍的累积持续时间与监测的总持续时间之间的关系的百分比值。在另一实现中，对运动障碍的程度在持续时间方面的量化还可以包括——最终估计LD指数——在监测周期期间检测到运动活动(或ED的值)高于某一阈值的累积TAR之间的百分比。
在一个实现中，处理08可以包括通过考虑下述时间子区间获得的——最终还通过计算BD指数——对与运动障碍类似的运动状态的程度在严重性方面的量化14，在所述时间子区间中，对运动障碍和在测量系统的所有轴上检测到的运动障碍的频率范围特征内估计的频率内容的可能存在进行识别10。在一个实现中，BD指数可以在尚未识别出可能存在运动障碍的时间子区间处取零值，并且可以在下述时间区间处取等于ED,RMS的值，对于所述时间区间，已经根据已经在先前的实现中指示的内容识别出可能存在运动障碍。在另一实现中，BD指数可以在尚未识别出可能存在运动障碍的时间子区间处取零值，并且可以对应于已经根据已在先前的实现中指示的内容识别出可能存在运动障碍的时间子区间取等于ED的值，如等式(2)或等式(2)和(3)的组合所定义的。在另一实现中，可以计算由每个轴提供给BD的值的贡献(例如，可以计算BDx＝EDx、BDy＝EDy、BDz＝EDz)。在另一实现中，除了先前实现之外或作为其替代，BD指数可以是关于参考单位值ED,REF的无量纲和标准化参数。作为示例而非限制，公布了BD参数的两种可能的计算：
在一个实现中，可以通过考虑参考信号来估计参数ED,REF。在另一实现中，可以通过EDx、EDy和EDz参数的线性或非线性组合来获得BD指数。
在另一实现中，除了先前实现之外或作为其替代，对运动障碍的严重性的量化可以包括通过使用对数函数、平方根或其他数学函数计算上述参数以及ED,RMS、EDx、EDy、EDz、ED,REF参数。
在一个实现中，对运动障碍在严重性方面的量化14可以包括对与各个子区间相关的所有指数的总体估计。在一个实现中，对运动障碍在严重性方面的量化14可以包括通过对与监测序列的所有子区间相关的所有BD指数的值求和而获得的指数计算：
在另一实现中，对运动障碍在严重性方面的量化14可以包括计算指数，在优选实现中，该指数表示所有BD值的平均值。在另一实现中，可以根据与已经识别出其中可能存在运动障碍的子区间的数量之间的比率来计算指数。在另一实现中，指数表示所有非零BD值的平均值。
在另一实现中，对运动障碍在严重性和持续时间方面的量化14可以包括计算指数和指数：
在另一实现中，除了先前实现之外或作为其替代，对运动障碍在强度和/或持续时间方面的量化14可以包括计算所有先前提到的指数。
在另一实现中，除了先前实现之外或作为其替代，对运动障碍在强度和/或持续时间方面的量化14可以包括对在整个监测周期期间检测到的数值参数和指数的图形表示。在图示的实现中，在每个区间检测到的指数(例如，BE、EE,RMS、EEx、EEy、EEz)的值的序列可以按升序或降序重新排序，并以图形显示，如图16A中示意性所示，其中还可以图形地识别LD指数(等于乘积ND*Δt)，该指数表示在监测的持续时间内运动障碍累积时间，与横坐标轴上测量的获得第一个非零BD指数值的时间值对应地进行识别。在图示的实现中，在每个区间检测的指数(例如，BD、ED,RMS、EDx、EDy、EDz)的值的序列可以按升序或降序重新排序，并以图形显示，如图16B中示意性所示。在图16B中，可以通过图形识别：
-LD指数(等于乘积ND*Δt)，该指数表示在监测周期的整个持续时间内运动障碍的累积时间，与横坐标轴上测量的获得累积函数的第一个非零值的时间值相对应地进行识别。
-在累积函数的纵坐标轴上测量的极高值处识别的指数BDTOT。
在一个实现中，在监测序列期间检测到的指数的图形显示可以用于比较随时间推移执行的多个监测序列(类似于先前在图14中示出的)。
在另一实现中，除了前一实现之外或作为其替代，对与运动障碍类似的运动状态的程度的识别10、12和量化14可以包括：
-计算合成数值、分数和/或指数(包括BD、BDx、BDy、BDz、ED,RMS、EDx、EDy、EDz指数)及其与监测持续时间相关的趋势，如图15中示意性所示；
-关于监测周期的整个持续时间计算合成数值、分数和/或指数(包括LD、ND、TAR、BLD、和指数)；
-对这些指数进行图形表示，包括图16中示意性所述的模式。
-对定量时间-频率分析进行定性估计。
在一个实现中，除了前一实现之外或作为其替代，可以通过检查频谱分析和/或时间-频率分析来执行对定量时间-频率分析的定性估计。
对频谱分析和/或时间-频率分析的这种检查可以通过检查时间-频率分析的图形和/或数字表示来执行，并且可以包括下述检查：
-各个轴上的参数和加速度随时间推移的趋势，如图4A和图5A中示意性所示；
-各个轴上的整个监测序列的总频率内容，如图4B和图5B中示意性所示；
-各个轴的频谱图和/或功率密度随时间和频率的变化，如图6和7中示意性所示，和/或均方值的频谱图随时间和频率的变化。
在一个实现中，对频谱图和/或功率密度随时间和频率的变化的检查可以旨在通过图形的查阅来促进对监测结果的综合分析的执行，从图形中可能有下述视觉指示：
-频率内容在整个监测序列上分布的方式；
-感兴趣的频率内容中运动活动事件出现的频率；
-与用于计算指数的频率相邻的频率的区间和其他频率范围中的运动活动的存在；
-感兴趣的频率内容中的运动活动事件的强度；
-感兴趣的频率内容中的运动活动事件的数量。
在优选实现中，通过对定量时间-频率分析进行定性估计——通过对频谱图和/或功率密度随时间和频率的变化进行检查来进行该对定量时间-频率分析的定性估计——来支持和进行对运动障碍的识别10、12和量化14，以对于所述整个监测序列或其一部分估计：
-相对于整个频谱内容，可以包括范围从1至3Hz和3至8Hz的频率值的区间中的频率内容的程度；
-具有在1至3Hz的范围内和/或在3至8Hz的范围内的普遍频率内容的运动活动事件的出现的程度；
-具有在1至3Hz之间的范围内和/或3至8Hz之间的范围内的普遍频率内容的运动活动事件处的频谱密度值的程度；
-具有在1至3Hz之间和/或3至8Hz之间的范围内的普遍频率内容的运动活动事件处的频谱密度值与采集序列的剩余时间子区间处的频谱密度值之间的差的程度；
-频率内容(与具有在1至3Hz和/或3至8Hz之间的范围内的普遍频率内容的运动活动事件对应)分布在该区间上的方式。
事实上，这种认识考虑到了下述事实：根据不同的模态，运动障碍可能主要出现在1至3Hz之间的区间，其次，在3至8Hz之间的区间，并且受通过左旋多巴诱导的运动障碍的影响的患者通常经历一些静止时刻，这些活动通常被表征为大于健康个体的平均值的频谱密度的平均值。
图7示意性地示出了上述内容的出现。事实上，通过对频谱图和/或功率密度随时间和频率的变化进行检查来进行该对定量时间-频率分析的定性估计示出下述内容：
-主要频谱贡献在2.5至8Hz之间，具体参考3至5Hz之间的区间。具体地，相对于2.5至9Hz之间的频率内容，观察到2Hz附近的可忽略的频率内容；
-对于实际上几乎整个监测的持续时间，此类事件出现在2.5至9Hz之间；
-这些事件的特征在于：频率内容分布在很宽范围的频率内，不仅包括3至5Hz之间的区间，而且在一些情况下最多达10Hz；
-存在某些子区间，在这些子区间中3至5Hz之间的频谱密度的最大值在程度上与对低于1Hz的频率估计的最大值相同。
此外，由于个体患者运动障碍的现象学通常趋于不随时间推移改变，因此在另一实现中，如上所述，对与运动障碍类似的运动状态的程度的识别10、12和量化14可以包括计算合成数值、分数和/或指数(包括BD、BDx、BDy、BDz、ED,RMS、EDx、EDy、EDz指数)随着时间推移的趋势。该指示可用于估计特征活动模式的存在。作为示例，图15示出了由每个轴(BDx、BDy、BDz)提供给在所有轴上估计的值BD的贡献。该表示可以用于支持对特殊活动模式的估计；例如，图15示出，除了BD趋势之外，来自x轴和z轴的贡献相对于y轴上的贡献也是主要的。
在另一实现中，除了先前实现之外或作为其替代，对运动障碍的程度的量化14可以包括上面指示的所有步骤和元素，不仅用于对单个监测进行量化，而且用于对多个监测进行量化14和比较估计16。事实上，这种实现可以用于将多个监测序列彼此进行比较以及比较同一患者的多个监测序列，以检查他或她的运动状态随时间推移的进展，以及由于他或她的治疗计划的变化而引起的他或她的运动状态的可能变化。通过图示的示例，图16示出了在与同一患者相关的两个不同监测序列期间检测到的指数的图形显示。图16A针对每个序列以升序示出了指数趋势。图16C针对每个序列示出了指数在累积分布函数方面的趋势。图16示出了尽管已经在第二获取序列中达到BD指数的最大值，但是从总体的观点来看，第二序列的震颤的累积持续时间和LD指数值低于第一序列(LD,1<LD,2)。此外，第二监测序列的指数的值比与第一监测序列有关的相同指数的值低类似地，第二监测序列的指数值比与第一监测序列有关的相同指数的值低此外，举例来说，可以通过图16A验证图中存在的曲线下方的区域是不同的，其中下面的区域是指数值的函数。因此，图16中的曲线下区域之间的差以及与不同监测序列相关的指数的值的差可以用于比较不同的监测序列，并支持在一个监测会话和另一监测会话之间对患者的健康状况进行估计。同样地，还可以通过考虑如图16C和图16D(图16C围绕笛卡尔坐标轴的原点的放大图)中示意性所示的区域通过图形来估计值和最后，在另一实现中，可以通过估计不同累积分布函数下方的区域来执行比较估计16，每个区域与监测序列相关联，可能地识别每个监测序列的BLD指数(在这种情况下，BLD和/或指数的值可以对应于下方区域的值或与下方区域的值成比例)。在另一实现中，可以通过对每个监测会话中的指数值的直方图进行估计来执行比较估计16。在另一实现中，可以通过针对每个监测序列对加速度的二次平均值的频谱图进行估计来执行比较估计16。
在一个实现中，处理08可以包括通过将特征频率内容的估计和特殊活动模式的存在进行组合来执行对与运动迟缓类似的运动状态的识别和量化。在一个实现中，除了先前实现之外或作为其替代，可以在包括从02.至3Hz的频率值的频率范围内估计该特征频率内容。在一个实现中，除了先前实现之外或作为其替代，特征频率内容的估计和特殊活动模式的存在的组合可以包括对在单个轴上检测到的特征频率内容的估计(单轴估计)以及在各个轴上检测到的特征频率内容之间的比较估计(轴间估计)。
在另一实现中，处理08可以包括：
-根据公式(2)中、即在公式(2)和(3)中公布的内容计算序列的所有时间子区间的BB＝1/EB指数；
-估计BB指数的值高于阈值的子区间，对与帕金森病震颤类似的运动状态进行识别10、12。
-仅对在其中执行前面提到的识别10的那些子区间估计BB值，对可能的运动障碍进行量化14。
在另一实现中，BB指数可以被估计为BB＝aBx·1/EBx+aBy·1/EBy+aBz·1/EBz
在另一实现中，处理08可以包括对与运动迟缓类似的运动状态的程度进行量化14；在一个实现中，可以就严重性和/或持续时间方面来执行对运动迟缓的程度的量化14。在一个实现中，对与运动迟缓类似的运动状态的程度的量化14可以包括对总频率内容进行估计以及对被检测为下述频率区间的频率内容进行估计，上述频率区间可以包括在0.2和3Hz范围内的值。
在一个实现中，可以通过计算合成数值、分数和/或指数来执行对与运动迟缓类似的运动状态的程度的量化14。在另一实现中，除了先前实现之外或作为其替代，可以通过将合成数值、分数和/或指数的计算以及定量时间-频率分析的定性估计进行组合来执行对与运动迟缓类似的运动状态的程度的量化14。
类似于先前实现，对与运动迟缓类似的运动状态的识别10、12和量化14可以包括：
-计算合成数值、分数和/或指数(包括BB、BBx、BBy、BBz、EB,RMS、EBx、EBy、EBz指数)及其相对于监测持续时间的趋势；
-计算与整个监测周期相关的合成数值、分数和/或指数(包括LB、NB、TAR、BLB、和指数)；
-对这些指数进行图形表示；
-对定量时间-频率分析进行定性估计。
在一个实现中，除了先前实现之外或作为其替代，可以通过检查频谱分析和/或时间-频率分析来执行对定量时间-频率分析的定性估计。
对频谱分析和/或时间-频率分析的这种检查可以通过检查时间-频率分析的图形和/或数字表示来执行，并且可以包括下述检查：
-各个轴的参数和加速度随时间推移的趋势；
-各个轴上整个监测序列的频谱图总频率内容；
-各个轴的频谱图和/或功率密度随时间和频率的变化，和/或均方值的频谱图随时间和频率的变化。
在一个实现中，对频谱图和/或功率密度随时间和频率的变化的检查可以旨在通过图形的视觉查阅来促进对监测结果的综合分析的执行，从图形中可能有下述视觉指示：
-频率内容在整个监测序列中分布的方式；
-感兴趣的频率内容中运动活动事件出现的频率；
-与用于计算指数的频率相邻的频率区间和其他频率范围中的运动活动的存在；
-感兴趣的频率内容中的运动活动事件的强度；
-感兴趣的频率内容中的运动活动事件的数量。
如先前所示并且在图17中示意性地所示，在另一实现中，处理08可以包括在同一监测序列上对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的多个症状类似的多个运动状态的程度进行识别10、12和量化14。
此外，在另一实现中，处理08可以包括在同一监测序列上对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的多个症状类似的多个运动状态的程度进行识别10、12和量化14，以及在同一监测序列上对与由帕金森氏病、震颤麻痹症和锥体外系症状引起的多个症状类似的多个运动状态的程度进行比较估计16。
本发明虽然优选地涉及对由神经退行性疾病引起的活动障碍的确定，但明显可以用于确定受试者的任何运动状态，甚至用于非诊断或医学目的。

Claims (25)

1.一种用于确定受试者的运动状态的装置，包括：
-多轴测量装置(20)，所述多轴测量装置用于确定指示身体的肢体或更多部分的移动的至少一个信号；
-处理器，所述处理器被程控为执行对至少一个信号的频率分析和频谱处理，以识别所述信号在所述多轴测量系统的每个轴处的频率内容；
-其特征在于，所述处理器还被程控为对每个轴处的所述频率内容执行分析，所述分析包括对所检测到的在单个轴上的所述频率内容中的至少一者或每一者进行与参考模式的相容性检查和结果比较。
2.根据权利要求1所述的装置，其中，所述处理器被程控为：执行所检测到的在各个轴上的所述频率内容之间的比较，以验证与参考模式的所述可能的对应关系。
3.根据权利要求1或2所述的装置，其中，所述处理器还被程控为执行对所述频率内容的分析，所述分析包括：通过对所检测到的在各个轴上的所述频率内容进行估计并且通过将所检测到的在所述各个轴上的特征频率内容彼此进行比较，来对所检测到的在特定特征频率范围内且在特定时间区间中的频率内容在所述多轴测量系统的所述各个轴上的分布进行量化。
4.根据前述权利要求中的一项或多项所述的装置，其中，还包括被程控为检测处于预定时间区间的所述频率内容的单元(12)。
5.根据前述权利要求中的一项或多项所述的装置，其中，所述处理器被程控为通过将下述两者相结合来执行对与帕金森氏病震颤类似的运动状态的识别：相结合的两者中的一者为对特征频率内容的估计，其能够包括例如包括在3Hz至7Hz之间的区间中的频率；相结合的两者中的另一者为由旋前-旋后引起的活动模式的存在。
6.根据权利要求5所述的装置，其中，对与由帕金森氏病引起的震颤类似的活动模式的存在的所述识别包括：
-将整个监测序列细分成时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个所述时间子区间并且对每个轴执行EPx、EPy和EPz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分。
-对应于下述三种条件全部出现的时间子区间，识别由旋前-旋后引起的活动模式：
其中，σxz、σxy和σzy是阈值。
7.根据权利要求6所述的装置，其中，对与帕金森氏病震颤类似的运动状态的程度的所述量化通过计算一个或多个数值指数来支持，所述一个或多个数值指数包括：
-LP指数，所述LP指数的计算包括对所述监测序列的在其中该运动状态被明确为存在的时间子区间的总数的估计；
-BP指数，所述BP指数能够在尚未被识别为可能存在旋前-旋后模式的时间子区间处取零值，并且能够对应于其他时间子区间取等于EP的值，所述EP被定义为所述EPx、EPy和EPz参数的线性或非线性组合；
-指数，所述指数通过将与所述监测序列的所有子区间有关的所有BP的值相加来获得；
-指数，所述指数的计算包括对所有BP值的平均值的估计；
-指数和指数；
-BLP指数，所述BLP指数通过将所述指数和/或所述指数乘以系数来获得；
-BPx＝EPx、BPy＝EPy和BPz＝EPz指数，表示由每个轴对在所有轴上估计的所述BP值提供的贡献；
-基于所述LP指数和/或所述BP指数获得的附加指数。
8.根据前述权利要求中的一项或多项所述的装置，其中，所述处理器被程控为通过将下述两者相结合来执行对与由特发性震颤引起的震颤类似的运动状态的识别：相结合的两者中的一者为对特征频率内容的估计，其能够包括例如包括在3Hz至12Hz之间的区间中的频率；相结合的两者中的另一者为由屈曲-伸展引起的活动模式的存在。
9.根据权利要求8所述的装置，其中，对由屈曲-伸展引起的活动模式的存在的识别包括：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EEx、EEy和EEz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-在下述两种条件全部出现的时间子区间处，对由屈曲-伸展引起的活动模式进行识别：
其中，δzx和δyx是阈值。
10.根据权利要求9所述的装置，其中，在出现下述条件的时间子区间处对由屈曲-伸展引起的活动模式进行识别：
EEz>EEx+δzx
11.根据前述权利要求8至10中的一项或多项所述的装置，其中，对与由特发性震颤引起的震颤类似的运动状态的程度的所述量化通过计算一个或多个数值指数来支持，所述一个或多个数值指数包括：
-LE指数，所述LE指数的计算包括对所述监测序列的在其中该运动状态已被识别为存在的时间子区间的总数的估计；
-BE指数，该BE指数能够在尚未被识别为可能存在屈曲-伸展模式的时间子区间处取零值，并且能够在其他时间子区间处取等于EE的值，所述EE被定义为EEx、EEy和EEz参数的线性或非线性组合；
-指数，所述指数通过将与所述监测序列的所有时间子区间相关的所有BE指数的值相加来获得；
-指数，所述指数的计算包括对所有BE值的平均值的估计；
-指数和指数；
-BLE指数，所述BLE指数通过将所述指数和/或所述指数乘以系数来获得；
-BEx＝EEx、BEy＝EEy和BEz＝EEz指数，表示由每个轴对在所有轴上估计的所述BE值提供的贡献；
-基于所述LE指数和/或所述BE指数获得的附加指数。
12.根据前述权利要求中的一项或多项所述的装置，其中，所述处理器被程控为通过对特征频率内容——其能够包括包含在1Hz至8Hz之间的区间中的频率——的估计和下述步骤来执行对与运动障碍类似的运动状态的识别、量化和比较估计，所述步骤为：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EDx、EDy和EDz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-根据通过在所述特征频率范围内对频谱密度Sx、Sy和Sz进行积分所得的所述EDx、EDy和EDz参数，来对各个时间区间并且对每个轴执行BD指数的计算；
-通过对BD指数值高于阈值的子区间进行估计，来对可能的运动障碍进行识别；
-通过仅对在其中执行了上述识别的那些子区间估计BD的值，来对可能的运动障碍进行量化；
-计算一个或多个数值指数，所述一个或多个数值指数包括：
-LD指数，所述LD指数的计算包括对所述监测序列的在其中上述运动状态被识别为存在的时间子区间的总数的估计；
-指数，所述指数通过将与所述监测序列的所有子区间有关的所有BD指数的值相加来获得；
-指数，所述指数的计算包括对所有BD值的平均值的估计；
-指数和指数；
-BLD指数，所述BLD指数通过将所述指数和/或所述指数乘以系数来获得；
-BDx＝EDx、BDy＝EDy和BDz＝EDz指数，表示由每个轴对在所有轴上估计的所述BD值提供的贡献；
-基于所述LP指数和/或所述BD指数获得的附加指数。
13.根据前述权利要求中的一项或多项所述的装置，其中，所述处理器被程控为通过对特征频率内容——其能够包括包含在0.5Hz至3Hz之间的区间中的频率——的估计和下述步骤来执行对与运动迟缓类似的运动状态的识别、量化和比较评估，所述步骤为：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EBx、EBy和EBz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-计算BB＝1/EB指数，其中，对于所有所述时间子区间，EB被定义为所述EBx、EBy和EBz参数的线性或非线性组合；
-通过对BB指数值高于阈值的子区间进行估计，对可能的运动障碍进行识别；
-通过仅对在其中执行了上述识别的那些子区间估计BB的值，来对可能的运动障碍进行量化；
-计算一个或多个数值指数，所述一个或多个数值指数包括：
-LB指数，所述LB指数的计算包括对所述监测序列的在其中上述运动状态已经被识别为存在的时间子区间的总数进行估计；
-指数，所述指数通过将与所述监测序列的所有子区间有关的所有BB指数的值相加来获得；
-指数，所述指数的计算包括对所有BB值的平均值的估计；
-指数和指数；
-BLB指数，所述BLB指数通过将所述指数和/或所述指数乘以系数来获得；
-BBx＝EBx、BBy＝EBy和BBz＝EBz指数，表示由每个轴对在所有轴上估计的所述BB值提供的贡献；
-基于所述LB指数和/或所述BB指数获得的附加指数。
14.根据前述权利要求中的一项或多项所述的装置，所述装置能够像手表一样被佩戴在腕部上。
15.一种用于确定受试者的运动状态的方法，所述方法包括下述操作：
-利用多轴测量装置对指示身体的肢体或身体的一个或多个部分的移动的至少一个信号进行确定；
-对至少一个信号进行频率分析和频谱处理，以使得对应于所述多轴测量系统的每个轴检测所述信号的频率内容；
-分析在每个轴处的所述频率内容并且关于特定参考运动状态的频率特征对相容性进行验证。
16.根据权利要求15所述的方法，其中，还包括信号预处理步骤以限制频带。
17.根据权利要求15或16所述的方法，包括下述步骤：减少伪像和/或补偿所述多轴测量系统的输出信号的偏移。
18.根据前述权利要求15至17中的一项或多项所述的方法，其中，包括下述步骤：对每个轴估计频率内容，并且将所述值彼此进行比较以检查与参考活动模式的对应关系。
19.根据权利要求15至18中的一项或多项所述的方法，其中，对所述频率内容的所述分析包括：通过对所检测到的在各个轴上的频率内容进行估计并且对所检测到的在所述各个轴上的特征频率内容进行比较，来对所检测到的在特定特征频率范围内且在给定时间区间中的频率内容在所述多轴测量系统的所述各个轴上的分布进行量化。
20.根据前述权利要求15至19中的一项或多项所述的方法，其中，以下述方式中的至少一种方式执行对与锥体外系症状类似的运动状态的程度的量化：
-通过将数值指数的计算和定量时间-频率分析的定性估计相结合，因为该定量估计通过对频谱分析和/或时间-频率分析和/或所检测的数值指数随时间推移的趋势和/或所检测的数值指数的图形显示进行检查来执行；
-通过累积分布函数和/或通过按升序或降序的重排序操作来对检测到的在每个区间处的指数的序列进行表示；
-对定量时间-频率分析进行定性估计，以取得下述指示：所述频率内容如何分布在所述整个监测序列上；所述频率内容分布在所述测量系统的各个轴上的方式；在感兴趣的频率内容中运动活动事件出现的频率；在与用于计算指数的特征频率相邻的频率区间中和其他频率区间中运动活动的存在；在所述感兴趣的频率内容中运动活动事件的强度；以及在所述感兴趣的频率内容中运动活动事件的数量。
21.根据前述权利要求15至20中的一项或多项所述的方法，其中，通过将下述两者相结合来执行对与帕金森氏病震颤类似的运动状态的识别，相结合的两者中的一者为对特征频率内容——其能够包括例如包括在3Hz至7Hz之间的区间中的频率值——的估计，相结合的两者中的另一者为由旋前-旋后引起的运动模式的存在，并且其中，优选地，对与由帕金森氏病引起的震颤类似的模式的存在的所述识别包括：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sox、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EPx、EPy和EPz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-在下述三种条件全部出现的所述时间子区间处，对由旋前-旋后引起的可能的活动模式进行识别：
其中σxz、σxy和σzy是阈值；
并且其中，更优选地，通过计算一个或多个数值指数来支持对与帕金森氏病震颤类似的运动状态的程度的所述量化，所述一个或多个数值指数包括：
-LP指数，所述LP指数的计算包括对所述监测序列的在其中上述运动状态已被识别为存在的时间子区间的总数的估计；
-BP指数，所述BP指数能够在尚未被识别为可能存在屈曲-伸展模式的时间子区间处取零值，并且能够在其他时间子区间处取等于EE的值，所述EE被定义为EPx、EPy和EPz参数的线性或非线性组合；
-指数，所述指数通过将与所述监测序列的所有时间子区间有关的所有BP指数的值相加来获得；
-指数，所述指数的计算包括对所有BP值的平均值的估计；
-指数和指数；
-BLP指数，所述BLP指数通过将所述指数和/或所述指数乘以系数来获得；
-BPx＝EPx、BPy＝EPy和BPz＝EPz指数，表示由每个轴对在所有轴上评估的所述BP值提供的贡献；
-基于所述LP指数和/或所述BP指数获得的附加指数。
22.根据前述权利要求15至21中的一项或多项所述的方法，其中，通过将下述两者相结合来执行对与由特发性震颤引起的震颤类似的运动状态的识别，相结合的两者中的一者为对特征频率内容——其能够包括例如包括在3Hz至12Hz之间的区间中的频率值——的估计，相结合的两者中的另一者为由屈曲-伸展引起的活动模式的存在，并且其中，优选地，对由屈曲-伸展引起的活动模式的存在的识别包括：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EEx、EEy和EEz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-在下述两种条件全部出现的时间子区间处，对由屈曲-伸展引起的活动模式进行识别：
其中δzx和δyx是阈值，并且其中，甚至更优选地，在出现下述条件的时间区间处对由屈曲-伸展引起的活动模式进行识别：
EEz>EEx+δzx
并且其中，更优选地，通过计算一个或多个数值指数来支持对与由特发性震颤引起的震颤类似的运动状态的程度的所述量化，所述一个或多个数值指数包括：
-LE指数，所述LE指数的计算包括对所述监测序列的在其中上述运动状态已被识别为存在的时间子区间的总数的估计；
-BE指数，所述BE指数能够在尚未被识别为可能存在屈曲-伸展模式的时间子区间处取零值，并且能够在其他时间区间处取等于EE的值，所述EE被定义为EEx、EEy和EEz参数的线性或非线性组合；
-指数，所述指数通过将与所述监测序列的所有子区间相关的所有BE指数的值相加来获得；
-指数，所述指数的计算包括对所有BE值的平均值的估计；
-指数和指数；
-BLE指数，所述BLE指数通过将所述指数和/或所述指数乘以系数来获得；
-BEx＝EEx、BEy＝EEy和BEz＝EEz指数，表示来自每个轴的对在所有轴上评估的所述BE值的贡献；
-基于所述LE指数和/或所述BE指数获得的附加指数。
23.根据前述权利要求15至22中的一项或多项所述的方法，其中，对与运动障碍类似的运动状态的识别、量化和比较评估包括对特征频率内容——其能够包括包含在1Hz至8Hz之间的区间中的频率值——的估计以及下述步骤：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EDx、EDy和EDz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-计算BD指数，对于所述序列的所有时间子区间，所述BD指数被定义为EDx、EDy和EDz参数的线性和非线性组合；
-通过对BD指数值高于阈值的子区间进行估计，对可能的运动障碍进行识别；
-通过仅对在其中已经执行上述识别的那些子区间估计BD的值，来对可能的运动障碍进行量化；
-计算一个或多个数值指数，所述一个或多个数值指数包括：
-LD指数，所述LD指数的计算包括对所述监测序列的在其中上述运动状态已经被识别为存在的时间子区间的总数的估计；
-指数，所述指数通过将与所述监测序列的所有子区间相关的所有BD指数的值相加来获得；
-指数，所述指数的计算包括对所有BD值的平均值的估计；
-指数和指数；
-BLD指数，所述BLD指数通过将所述指数和/或所述指数乘以系数来获得；
-BDx＝EDx、BDy＝EDy和BDz＝EDz指数，表示由每个轴对在所有轴上估计的BD的值提供的贡献；
-基于所述LD指数和/或所述BD指数获得的附加指数。
24.根据前述权利要求15至23中的一项或多项所述的方法，其中，通过定性的时间-频率分析——其是通过对频谱图和/或功率密度随时间和频率的变化进行检查来执行的——来支持和执行对与运动障碍类似的运动状态的识别和量化，以针对所述整个监测序列或其一部分估计下述项：
-在1Hz至3Hz之间的区间中和/或在3Hz至8Hz之间的区间中的频率内容相对于整个频谱内容的程度；
-具有在1Hz至3Hz之间的区间中和/或在3Hz至8Hz之间的区间中的普遍频率内容的运动活动事件的出现频率的程度；
-与具有在1Hz至3Hz之间的区间中和/或在3Hz至8Hz之间的区间中的普遍频率内容的运动活动事件对应的频谱密度的程度；
-下述两者之间的差的程度，所述两者中的一者为与具有在1Hz至3Hz之间和/或在3Hz至8Hz之间的区间中的普遍频率内容的运动活动事件对应的频谱密度的值，所述两者中的另一者为与采集序列的剩余时间子区间对应的频谱密度的值；
-频率内容(与具有在1Hz至3Hz之间的区间中和/或在3Hz至8Hz之间的区间中的普遍频率内容的运动活动事件相对应)分布在该区间上的方式。
25.根据前述权利要求15至24中的一项或多项所述的方法，其中，对与运动迟缓类似的运动状态的识别、量化和比较评估包括对特征频率内容——其能够包括包含在0.5Hz至3Hz之间的区间中的频率值——的估计以及下述步骤：
-将所述整个监测序列细分为时间子区间，并且，针对每一单个轴并在所述整个监测序列的每个时间子区间上计算频谱密度(Sx、Sy和Sz)；
-通过下述方式对各个时间区间并且对每个轴执行EBx、EBy和EBz参数的计算：所述方式为在所述特征频率范围内对所述频谱密度Sx、Sy和Sz进行积分；
-计算BB＝1/EB指数，其中对于所有序列时间子区间，EB被定义为所述EBx、EBy和EBz参数的线性或非线性组合；
-通过对BB指数的值高于阈值的子区间进行估计，来对可能的运动迟缓进行识别；
-通过仅对在其中执行了上述识别的那些子区间估计BB的值，来对可能的运动障碍进行量化；
-计算一个或多个数值指数，所述一个或多个数值指数包括：
-LB指数，所述LB指数的计算包括对所述监测序列的在其中上述运动状态已被识别为存在的时间子区间的总数的估计；
-指数，所述指数通过将与所述监测序列的所有子区间有关的所有BB指数的值相加来获得；
-指数，所述指数的计算包括对所有BB值的平均值的估计；
-指数和指数；
-BLB指数，所述BLB指数通过将所述指数和/或所述指数乘以系数来获得；
-BBx＝EBx、BBy＝EBy和BBz＝EBz指数，表示由每个轴对在所有轴上估计的BB的值提供的贡献；
-基于所述LB指数和/或所述BB指数获得的附加指数。
CN201880022934.1A 2017-03-30 2018-03-28 用于确定锥体外系症状特别是帕金森氏病的运动症状的装置和相关方法 Withdrawn CN110494077A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IT102017000035240 2017-03-30
IT102017000035240A IT201700035240A1 (it) 2017-03-30 2017-03-30 Un dispositivo e relativo metodo per valutare i sintomi extra-piramidali, in particolare i sintomi motori della malattia di parkinson
PCT/IB2018/052129 WO2018178896A1 (en) 2017-03-30 2018-03-28 A device and relative method for determining extrapyramidal symptoms, in particular motor symptoms of parkinson's disease

Publications (1)

Publication Number Publication Date
CN110494077A true CN110494077A (zh) 2019-11-22

Family

ID=59683773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880022934.1A Withdrawn CN110494077A (zh) 2017-03-30 2018-03-28 用于确定锥体外系症状特别是帕金森氏病的运动症状的装置和相关方法

Country Status (5)

Country Link
US (1) US11523754B2 (zh)
EP (1) EP3600011B1 (zh)
CN (1) CN110494077A (zh)
IT (1) IT201700035240A1 (zh)
WO (1) WO2018178896A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112674762A (zh) * 2020-12-28 2021-04-20 江苏省省级机关医院 一种基于可穿戴惯性传感器的帕金森震颤评估装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112826504B (zh) * 2021-01-07 2024-03-26 中新国际联合研究院 一种游戏化的帕金森症状等级评估方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030191406A1 (en) * 2000-09-05 2003-10-09 Eberhart Russell C. Method and apparatus utilizing computational intelligence to diagnose neurological disorders
US20100030119A1 (en) * 2008-07-29 2010-02-04 Apdm, Inc Method and apparatus for continuous measurement of motor symptoms in parkinson's disease and essential tremor with wearable sensors
CN102056541A (zh) * 2008-06-12 2011-05-11 全球动力股份有限公司 运动机能减退和/或运动机能亢进状态的检测
US20130041290A1 (en) * 2010-04-21 2013-02-14 Northwestern University Medical evaluation system and method using sensors in mobile devices
US20130123666A1 (en) * 2005-03-17 2013-05-16 Great Lakes Neurotechnologies Inc. Movement disorder recovery system and method for continuous monitoring
US20140171834A1 (en) * 2012-10-20 2014-06-19 Elizabethtown College Electronic-Movement Analysis Tool for Motor Control Rehabilitation and Method of Using the Same
US20140336722A1 (en) * 2013-05-08 2014-11-13 Consejo Superior De Investigaciones Cientificas (Csic) Method and neuroprosthetic device for monitoring and suppression of pathological tremors through neurostimulation of the afferent pathways
US20150190085A1 (en) * 2007-05-18 2015-07-09 Smart Monitor Corp. Abnormal motion detector and monitor
US20160262685A1 (en) * 2013-11-12 2016-09-15 Highland Instruments, Inc. Motion analysis systemsand methods of use thereof

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201008089D0 (en) * 2010-05-14 2010-06-30 Manus Neurodynamica Ltd Apparatus for use in diagnosing neurological disorder
US9414776B2 (en) * 2013-03-06 2016-08-16 Navigated Technologies, LLC Patient permission-based mobile health-linked information collection and exchange systems and methods

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030191406A1 (en) * 2000-09-05 2003-10-09 Eberhart Russell C. Method and apparatus utilizing computational intelligence to diagnose neurological disorders
US20130123666A1 (en) * 2005-03-17 2013-05-16 Great Lakes Neurotechnologies Inc. Movement disorder recovery system and method for continuous monitoring
US20150190085A1 (en) * 2007-05-18 2015-07-09 Smart Monitor Corp. Abnormal motion detector and monitor
CN102056541A (zh) * 2008-06-12 2011-05-11 全球动力股份有限公司 运动机能减退和/或运动机能亢进状态的检测
US20100030119A1 (en) * 2008-07-29 2010-02-04 Apdm, Inc Method and apparatus for continuous measurement of motor symptoms in parkinson's disease and essential tremor with wearable sensors
US20130041290A1 (en) * 2010-04-21 2013-02-14 Northwestern University Medical evaluation system and method using sensors in mobile devices
US20140171834A1 (en) * 2012-10-20 2014-06-19 Elizabethtown College Electronic-Movement Analysis Tool for Motor Control Rehabilitation and Method of Using the Same
US20140336722A1 (en) * 2013-05-08 2014-11-13 Consejo Superior De Investigaciones Cientificas (Csic) Method and neuroprosthetic device for monitoring and suppression of pathological tremors through neurostimulation of the afferent pathways
US20160262685A1 (en) * 2013-11-12 2016-09-15 Highland Instruments, Inc. Motion analysis systemsand methods of use thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
J JANKOVIC: "Parkinson’s disease: clinical features and diagnosis", 《NEUROL NEUROSURG PSYCHIATRY》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112674762A (zh) * 2020-12-28 2021-04-20 江苏省省级机关医院 一种基于可穿戴惯性传感器的帕金森震颤评估装置

Also Published As

Publication number Publication date
US20210128024A1 (en) 2021-05-06
US11523754B2 (en) 2022-12-13
IT201700035240A1 (it) 2018-09-30
WO2018178896A1 (en) 2018-10-04
EP3600011A1 (en) 2020-02-05
EP3600011B1 (en) 2023-11-22

Similar Documents

Publication Publication Date Title
Pierleoni et al. A smart inertial system for 24h monitoring and classification of tremor and freezing of gait in Parkinson’s disease
US11850042B2 (en) Brain dysfunction evaluation system, brain dysfunction evaluation method, and program
CN109480858B (zh) 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法
Mera et al. Objective motion sensor assessment highly correlated with scores of global levodopa-induced dyskinesia in Parkinson's disease
JP5327458B2 (ja) 精神ストレス評価とそれを用いた装置とそのプログラム
Pulliam et al. Motion sensor dyskinesia assessment during activities of daily living
Bermeo et al. A system to monitor tremors in patients with Parkinson's disease
Niazmand et al. A measurement device for motion analysis of patients with Parkinson's disease using sensor based smart clothes
Sahyoun et al. ParkNosis: Diagnosing Parkinson's disease using mobile phones
KR102634498B1 (ko) 수면 생리의 평가를 위한 카디오 키네틱 크로스 스펙트럼 밀도
JP2009291379A (ja) パーキンソン病の評価装置
Casaccia et al. Smart Monitoring of Userp s Health at Home: Performance Evaluation and Signal Processing of a Wearable Sensor for the Measurement of Heart Rate and Breathing Rate.
CN110494077A (zh) 用于确定锥体外系症状特别是帕金森氏病的运动症状的装置和相关方法
US20190206566A1 (en) Movement disorders monitoring and treatment support system for elderly care
CN108542355A (zh) 一种裸眼3d显示视觉诱导晕动症评估方法
Yahalom et al. AppTUG-A smartphone application of instrumented ‘timed up and go’for neurological disorders
Krasovsky et al. Bilateral leg stepping coherence as a predictor of freezing of gait in patients with Parkinson’s disease walking with wearable sensors
Niazmand et al. Comparison of methods for tremor frequency analysis for patients with Parkinson's disease
US10966652B1 (en) Method and system for quantifying movement disorder systems
Trimpop et al. Smartwatch based respiratory rate and breathing pattern recognition in an end-consumer environment
JP2022517096A (ja) 脳内血流による頭蓋の動きから脳の状態を特定するためのシステム、装置、及び方法
US11363982B1 (en) Method and system for quantifying movement disorder symptoms
Tokmak et al. Unveiling the relationships between seismocardiogram signals, physical activity types and metabolic equivalent of task scores
Piromalis et al. Commercially available sensor-based monitoring and support systems in Parkinson's disease: an overview
WO2020206331A1 (en) Traumatic brain injury diagnostics system and method

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191122