CN110522455A - 一种基于深度学习的wd震颤等级评估方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的WD震颤等级评估方法，包括以下步骤：步骤1、震颤信号采集；步骤2、信号处理；步骤3、特征提取；步骤4、特征选择；步骤5、基于神经网络的分类；步骤6、通过分析特征值与医生评分的相关性，使得预测评分与医生的评分有较高的相关性。本发明通过手指惯性节点对患者震颤的频率及幅度的数据进行收集，对数据的深度学习(Deep Learning)，进而得到患者震颤程度的分析，便于医生对疗效的掌握，对指导医生改进治疗方法等方面具有重大的意义。

Description

一种基于深度学习的WD震颤等级评估方法

技术领域

本发明涉及一种通过深度学习的评估方法，尤其是涉及一种基于深度学习的WD震颤等级评估方法。

背景技术

Wilson病(Wilson’s disease，WD)又称肝豆状核变性(hepatolenticulardegeneration，HLD)，是一种常染色体隐性遗传的铜代谢障碍性疾病，以铜代谢障碍引起的肝硬化、基底节损害为主的脑变性疾病为特点。在研究的484例HLD患者中有330例(68.2％)出现震颤，临床检查中，通常只有通过医生观察来判断患者震颤的程度。

HLD患者神经系统表现一般出现在12～30岁患者，平均年龄约19岁，常缓慢发展，可有阶段性缓解或加重，亦有进展迅速者，特别是年轻患者。突出的神经系统临床表现是锥体外系症状，表现为肢体舞蹈样及手足徐动样动作，肌张力障碍，怪异表情，静止性、意向性或姿势性震颤，肌强直，运动迟缓，构音障碍，吞咽困难，屈曲姿势及慌张步态等。于成年期起病的患者中多见静止性或/及姿位性震颤，在研究的484例HLD患者中有330例(68.2％)出现震颤，HLD出现的震颤大多属于姿位性震颤，或以姿位性震颤为主，同时存在意向性或/及静止性震颤，也有少数患者以意向性震颤为主要体征。震颤于发病早期仅局限于单侧或双侧手指或/及腕部，逐渐累积前臂、上臂、躯干、双下肢和头颈部，部分HLD亦可见下颌、面肌、舌肌及喉部震颤。震颤的幅度不一，早期或轻型患者仅在两臂向前平伸时出现双手轻微的细小震颤。如果未能及时获得正确的诊断和驱铜治疗，震颤在部位扩展的同时，幅度也渐加大。典型的重症病人，不论静止或活动过程中，均呈现腕部、双臂击拍样动作，以至自己不能自理饮食、穿衣等日常生活。轻型患者的震颤常可由意志短暂控制数秒至数分钟，但失控后震颤幅度可一过性加重；严重震颤一般不受意志控制。从震颤的分类而言，绝大多数HLD患者表现为姿位性震颤及意向性震颤。

2006年，深度结构化学习，或者通常更多的称为深度学习或分层学习，已经成为机器学习研究的新领域。2006年，加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton在《科学》上发表论文提出深度学习主要观点：

(1)多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。

(2)深度神经网络在训练上的难度，可以通过“逐层初始化”(layer-wise pre-training)来有效克服，逐层初始化可通过无监督学习实现的。在过去的这几年中，深度学习的开发技术对传统的信号与信息处理研究产生了广泛的影响，更广泛的来看，也包括机器学习和人工智能等重要领域，见(Bengio等概述文章，2013；Hinton等，2012；Yu和Deng，2011；Deng，2011；Arel等，2010年，纽约时报也在媒体报道中报道了这一进步(Markoff,2012)。最近的一系列研讨会，专著，工作室等都支持研究深度学习以及在信号与信息处理领域的各种应用。

当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。(多层的好处是可以用较少的参数表示复杂的函数)。

Deep learning能够得到更好地表示数据的特征，同时由于模型的层次、参数很多，容量足够，因此，模型有能力表示大规模数据，所以对于图像、语音这种特征不明显(需要手工设计且很多没有直观物理含义)的问题，能够在大规模训练数据上取得更好的效果。此外，从模式识别特征和分类器的角度，deep learning框架将特征和分类器结合到一个框架中，用数据去学习特征，在使用中减少了手工设计特征的巨大工作量(这是目前工业界工程师付出努力最多的方面)，因此，不仅效果可以更好，而且使用起来也有很多方便之处，是机器学习领域十分值得关注的一套框架。

发明内容

本发明设计了一种基于深度学习的WD震颤等级评估方法，其解决的技术问题是当前临床检查中，对病人的震颤的检测只能依靠医生目测及主观判断来衡量，无法得出更加客观和准确的检测数据。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种基于深度学习的WD震颤等级评估方法，包括以下步骤：步骤1、震颤信号采集；步骤2、信号处理；步骤3、特征提取；步骤4、特征选择；步骤5、基于神经网络的分类；步骤6、通过分析特征值与医生评分的相关性，使得预测评分与医生的评分有较高的相关性。

优选地，所述步骤1中震颤信号采集使用的实验设备为手指惯性节点，采用MPU6050九轴传感器，包括3轴加速度计、3轴陀螺仪和3轴磁力计，分别获取震颤的加速度数据、陀螺仪数据以及磁场数据。

优选地，所述步骤1中还包括滤波，MPU6050还包括内置放大器、低通滤波器和16位ADC，可直接通过I2C总线输出数字量，无需外接转换和滤波电路。

优选地，所述手指惯性节点的1号指套和2号指套按标签套在拇指和食指上，实验一是测试静止性震颤，让佩戴好设备的病人坐在椅子上，双手放在大腿上保持静止，等病人的姿势稳定后开始保存数据，测试30秒以上后停止；实验二姿势性震颤和实验三扑翼性震颤是测试手臂震颤，首先让病人在站立状态下双臂向前伸展，保持与肩同宽，然后是屈肘平放于胸前，手掌向下；这两个实验是等病人姿势稳定后各采集30秒以上数据；如果震颤不明显，可以加测屈肘平放胸前使手掌向上的动作。

优选地，后续还可完成实验四、捏合和握拳，对应量表项：手指捏合(B15)；首先，让病人伸出拇指和食指，交替的进行开合动作，频率尽可能快，幅度尽可能大，保存20次以上的数据；然后，让病人交替执行五指伸展和握紧的动作，同样也保存20次以上数据。

优选地，后续还存在实验五、手部交替运动，对应量表项：双手快复轮替动作(B16)；传感器安装：身体节点，双侧手腕处；设计动作：让病人站立时用一只手的手掌、手背交替拍打另一只手的手掌，重复20次以上并保存数据。

优选地，所述步骤2中采用短时傅里叶变换(STFT)对信号进行加窗处理，分离出震颤和非震颤窗口。

优选地，所述步骤3中通过提取基频来进行频率分析，通过频率分析再对震颤类型进行分类；所述步骤3中将震颤幅度作为分类因子计算功率谱密度函数，该函数表示不同频率下的信号功率；从功率谱密度(PSD)的可见峰上可以明显看出震颤的主频，平均震颤幅度由峰值以下的区域来确定；为了获得PSD的范围，对患者加速度信号的每一个窗口进行一系列处理，得到精确数值，在公式(1)的基础上，计算每个频段的PSD加权平均绝对值:

(1)式中Fst代表每个频段的起始频率，Fsp是停止频率，i代表基于采样频率的Fst和Fsp之间的频率步长，P和f是与i值相对应的功率和频率。

优选地，所述步骤4中特征选择选取的特征数量l小于原始的特征点M，减少特征点数量，降维，避免对特定训练数据集的过拟合，设计出具有良好泛化性能的分类器；通过穷举搜索算法，形成各种可能的组合，计算出每种组合的类别可分性。

优选地，所述步骤5中训练多层感知器的目的是估计网络中包含的所有神经元的权重及阈值，选择(2)式作为误差函数；其中，x_i为输入，表示网络的输出，目标是计算未知权重：

在此采用反向传播(BP)算法使J最小，从不同的初值开始，运行多次之后选择最佳解对应的权值；在反向传播算法中，通过公式(3)来估算每一步迭代运算中权重w的前一个值和当前值；

w(new)＝w(old)+Δw (3)

误差项与成本函数的梯度有关，以w的先前值计算：

w是指网络神经元的权重参数；算法的性能很大程度上取决于学习速率μ的值，为了保证算法的收敛性，μ的值应该足够小，但又不能太小，如果太小可能会导致收敛速度非常慢；在此情况下，引入动量α，可以更好的控制差错率，解决上述问题；通过公式(5)来提高学习速率：

早期的研究证明，网络中权重的数量应尽可能少，以便将误差函数的值降低到合适的水平，同时学习样本的数量应尽可能多。

该基于深度学习的WD震颤等级评估方法具有以下有益效果：

(1)本发明通过手指惯性节点对患者震颤的频率及幅度的数据进行收集，对数据的深度学习(Deep Learning)，进而得到患者震颤程度的分析，便于医生对疗效的掌握，对指导医生改进治疗方法等方面具有重大的意义。

(2)本发明将医疗便携设备与人工智能结合起来，实现看病不需入院，医生远程指导患者药物服用，治疗自主化的新型诊疗方式。

(3)本发明采集大量数据，提出的无监督深度学习的分类识别算法，精确度可进一步提高，多种病症的大量数据下，可以更好的从数据中识别出肝豆状核变性患者与正常人之间的差异，后续可推广到其他神经系统疾病，将它们正确分类，实现机器自动识别病因。

附图说明

图1：本发明中震颤信号采集的流程框架图；

图2：本发明中震颤测试动作示意图；

图3：本发明中肝豆状核变性震颤评估的监督式学习流程图；

图4：本发明中WD受试者和健全受试者左手和右手数据的频域对比图；

图5：本发明中WD患者与健康人的频域比较图；

图6：本发明中WD患者与健康者的功率谱图；

图7：本发明中WD受试者和健康受试者参数对比图；

图8：本发明中采用ANN对均值分类的效果图。

具体实施方式

下面结合图1至图8，对本发明做进一步说明：

1、震颤信号的采集和滤波；

首先筛选肝豆状核变性震颤症状较为明显的病人作为受试者，排除无法独立行走或无法完成自主运动的病人，同时也要排除患有其他导致运动功能障碍疾病的病人。

信号采集使用的实验设备为手指惯性节点，采用MPU6050九轴传感器，包括3轴加速度计、3轴陀螺仪和3轴磁力计，分别获取加速度数据、陀螺仪数据以及磁场数据，MPU6050包括内置放大器、低通滤波器和16位ADC，可直接通过I2C总线输出数字量，无需外接转换和滤波电路。

为了节省实验时间，避免病人疲劳，必须合理安排实验的先后顺序，最大限度减少不必要的设备装卸和动作重复。具体实验流程如图1所示。采用wifi无线局域网传输数据。手指惯性节点是将传感器模块通过魔术贴绑在手指上，无线发射模块绑在手腕上，这样可以保持整体性，避免不必要的震动。

对应量表项：静止性震颤(B12)，手臂震颤(B18)。

传感器安装：手指节点的1号和2号指套按标签套在拇指和食指上，注意：有传感器的一面朝上。是单侧还是双侧，要根据病人的震颤情况以及后续研究的需求决定。

设计动作：共有3个动作。第一个(实验一)是测试静止性震颤，让佩戴好设备的病人坐在椅子上，双手放在大腿上保持静止，等病人的姿势稳定后开始保存数据，测试30秒后停止。第二个和第三个动作是测试手臂震颤，首先让病人在站立状态下双臂向前伸展，保持与肩同宽，然后是屈肘平放于胸前，手掌向下。这两个动作也是等病人姿势稳定后各采集30秒数据。如果震颤不明显，可以加测屈肘平放胸前使手掌向上的动作，所有动作的示意图如图2所示：

本发明主要研究的是HLD震颤的分类识别，对应UWDRS量表，后续还可完成实验四、捏合和握拳，对应量表项：手指捏合(B15)。

设备安装：手指节点，拇指和食指各佩戴一个指套。

设计动作：首先，让病人伸出拇指和食指，交替的进行开合动作，频率尽可能快，幅度尽可能大，保存20次的数据。然后，让病人交替执行五指伸展和握紧的动作，同样也保存20次数据。

实验五、手部交替运动，对应量表项：双手快复轮替动作(B16)。

传感器安装：身体节点，双侧手腕处。

设计动作：让病人站立时用一只手的手掌、手背交替拍打另一只手的手掌，重复20次并保存数据。

针对以上实验，采集大量震颤信号数据，使用实验中提出的无监督深度学习的分类识别算法，精确度可进一步提高，多种病症的大量数据下，可以更好的从数据中识别出肝豆状核变性患者与正常人之间的差异，后续可推广到其他神经系统疾病，将它们正确分类，实现机器自动识别病因。

2、信号处理；

震颤信号包含许多非平稳或短时特征，如漂移、趋势和突变。这些特征通常是震颤等信号中最重要的部分，因此本发明采用短时傅里叶变换(STFT)对信号进行加窗处理，分离出震颤和非震颤窗口。STFT的Hamming窗口具有4秒长度和50％重叠，STFT的这些特征进一步尝试在分离震颤和非震颤窗口时获得最佳结果。

3、特征提取；

早期的研究发现震颤的主要特征是频率和强度，这两个特征适用于各种类型的震颤。手部震颤是周期性振荡，基频提取是震颤分类的基础，因此本发明通过提取基频来进行频率分析，通过频率分析再对震颤类型进行分类。根据信号处理模块中检测到的频率，可以区分基本的震颤类型。在前面细分的基础上，利用滤波块RT(3-6Hz)，PT(6-9Hz)对震颤的基本类型进行分类。

手部震颤的第二个基本特征是振幅。在上述研究的基础上,将震颤幅度作为分类因子的思想是为了计算功率谱密度函数，该函数表示不同频率下的信号功率。从功率谱密度(PSD)的可见峰上可以明显看出震颤的主频，平均震颤幅度由峰值以下的区域来确定。为了获得PSD的范围，对患者加速度信号的每一个窗口进行一系列处理，得到精确数值，在公式(1)的基础上，计算每个频段的PSD加权平均绝对值:

(1)式中Fst代表每个频段的起始频率，例如RT频段的起始频率为3Hz，则Fst＝3，Fsp是停止频率，RT频段对应的为6Hz。i代表基于采样频率的Fst和Fsp之间的频率步长。P和f是与i值相对应的功率和频率。

为了更好的进行比较和相关性分析还需要采用SF50频率和F50频率。

F50频率的一半功率频率在左边另一半在右边，它可以将功率合理的分配到频带内。SF50表示的是占信号总功率68％的频带。SF50以F50为中心，因此可以说SF50代表了分散在中心频率附近的频率。有些患者的F0、基频、F50的值不相同，因此可以将它们的差值作为特征。

4、特征选择；

采用最好的方法从相对较多的可用特征中选择一个特征子集，这些特征包含了解决下一步的分类问题所需要的主要信息。特征选择的另一个要点是选取的特征数量l小于原始的特征点M。减少特征点数量，降维，避免对特定训练数据集的过拟合，设计出具有良好泛化性能的分类器，也就是当测试数据集的所有数据都不包含在训练集之内时，分类器的运行效果仍然很好。

通过穷举搜索算法，形成各种可能的组合，计算出每种组合的类别可分性。

在穷举型分类器中，为了比较结果，需要明确分类器的分类，显然，由于该块与分类器块之间的反馈链接，该技术提高了分类器的精度，但也增加了计算成本。然而计算成本在这个问题上并不重要，因为这个块的实现是通过减少维度来增加精度。

5、基于神经网络的分类；

分类算法的选择是否合理决定了系统的可靠性和精确性。神经网络中存在从输出到上下文节点的反馈连接，考虑到输入分类器的维度，本发明选择了人工神经网络(ANN)方法，该方法能较好地反映值的鲁棒性变化，分类准确率较高。

训练多层感知器的目的是估计网络中包含的所有神经元的权重及阈值。为此，选择(2)式作为误差函数。其中，x_i为输入，表示网络的输出，目标是计算未知权重。

在此采用反向传播(BP)算法使J最小，从不同的初值开始，运行多次之后选择最佳解对应的权值。在反向传播算法中，通过公式(3)来估算每一步迭代运算中权重w的前一个值和当前值。

w(new)＝w(old)+Δw (3)

误差项与成本函数的梯度有关，以w的先前值计算：

w是指网络神经元的权重参数。算法的性能很大程度上取决于学习速率μ的值，为了保证算法的收敛性，μ的值应该足够小，但又不能太小，如果太小可能会导致收敛速度非常慢。在此情况下，引入动量α，可以更好的控制差错率，解决上述问题。通过公式(5)来提高学习速率。

早期的研究证明，网络中权重的数量应尽可能少，以便将误差函数的值降低到合适的水平，同时学习样本的数量应尽可能多。

经过实验和数据处理，图4为选择实验组中任意一名WD受试者和对照组任意一名健全受试者的左右手静止性震颤波形图。其中，WD受试者左手震颤评分为3，右手评分为1，健全受试者由于无震颤，认定左右手评分均为0。

对比WD受试者和健全受试者，观察到WD受试者的幅频图在3～8Hz之间有明显的峰值，并且幅度较大，而健全受试者的没有明显的峰值，并且幅度较小，较为平缓。对比WD受试者的左手和右手幅频图，观察到左手的峰值比右手的峰值大，并且其峰值频率也不同。说明频域数据可以量化震颤严重程度。

对4名WD受试者和4名健全受试者穿戴采集仪器得到的数据进行滤波，分析时域和频域特征，并计算特征值。包含8名受试者5种特征值，MEAN(均值)、RMS(均方根值)、pf(峰值频率)、pm(峰值振幅)和Ppeak(峰值功率)，分析了5种特征值与受试者静止性震颤评分之间的相关系数，反映了特征值与评分之间的相互关系。从图中可以看出MEAN、RMS、Pm和Ppeak与评分之间的相关性较好，相关系数分别为r＝0.886，r＝0.885，0.883，0.816，通过研究发现这四种特征值的对数值与评分的相关性更高，分别为r＝0.97，0.971，0.954，0.963。而pf与评分的相关系数为r＝0.093，两者的相关程度极弱，可以视为不相关，表明峰值频率是震颤的特性，与症状的严重程度没有关系。

分析进行DFT之后频域上数据的特征。图5是WD受试者和健康受试者在频域上的对比。观察到WD患者的幅频图在3-8Hz之间有显著的峰值，且振幅很大，而健康人则无明显的峰值，振幅较小且相对平缓。

用psd(公式1)计算的峰值功率能较好地反映信号的能量，并与震颤评分有很好的相关性。总峰值功率是各轴加速度信号峰值功率之和。图6显示了WD患者与正常人功率谱的比较。

对43例WD患者和9例健康体检者的数据进行滤波，分析时域和频域特征，计算特征，得到数据。图7从52例受试者中选择了2例受试者(1例WD受试者，1例健康受试者)的平均值、RMS、PF(峰值频率)、PM(峰值振幅)和Ppeak(峰值功率)等5个特征。分析5个特征值与受试者静止性震颤评分之间的相关系数，以反映特征值与评分之间的相关性。从图7中可以看出，平均值、RMS、PM和P峰与得分有很好的相关性，相关系数r分别为0.891、0.867、0.881和0.816。从图7中可以看出，均值、均方根、PM与P峰和评分的相关性较好，相关系数r分别为0.891、0.867、0.881、0.816。数据表明Pf的相关系数r＝0.128，两者的关联度不高，可以看作没有太大关联，峰值频率是震颤的特征。与症状的严重程度无关。

将不同患者震颤评估的特征集作为神经网络分类器的输入向量，输入向量的初始维数等于所提取特征的个数，输出神经元的数量设置为5，即在识别类的数量，每个类由输出神经元的单位值信号表示。

该神经网络应用了两层隐藏层的S形神经元，在检索模式下，用启发式算法调整隐藏神经元的数目以获得最高的检索效率。隐藏神经元数量过多会导致网络泛化能力下降，过少则会导致学习过程无效错误率过高。通过不同网络的学习选择最少的隐藏神经元，采用启发式算法，将误差函数降至满意的水平。所有震颤的数据都被分为学习和测试两部分，在对安徽中医药大学神经病学研究所的肝豆状核变性患者的调查中取得数据，从43名肝豆状核变性震颤患者中提取787个实验模板用于训练，另有9例非肝豆状核变性患者的201个训练模板。

采用不同数目的隐藏神经元进行训练找出最优的网络结构，测试数据选择训练数据集之外的数据。本发明采用尽可能少的隐藏神经元和组合特征提取，选择测试误差最小的作为最优值。输入数量的减少意味着神经网络结构更简单识别能力更高。特征集中个别识别能力很高的特征并不一定是最好的。因此，经过再次训练和测试得到的神经网络复杂度降低。最好的特征集具有最优的辨识度，图7列出了分类系统的效率参数。最终的神经网络系统具有4个输入参数，2层带有5个S形神经元的隐藏层。图8显示了人工神经网络的平均分类结果，准确率为92％。

本发明设计了一种可穿戴的肢体端震颤数据采集装置，用于测量帕金森患者的手震颤加速度信号。对获取震颤的数字信号进行时域分析和离散傅里叶变换分析得到震颤的特征参数。通过分析特征值与医生评分的相关性，四个特征参数(均值、均方根、PM、P峰)的值与评分高度相关(r>0.8)，预测评分与医生的评分有较高的相关性。最可能小数目的隐神经元网络和提取特征的神经网络,选择测试误差最小的作为最佳值。输入数量的减少意味着神经网络结构的简化和识别能力的提高。具有很好的独立鉴别能力的特征，与其他特征在同一集合中时并不一定是最好的。该系统适用于神经退行性运动障碍的诊断和远程控制，特别是在疾病的早期阶段以及病人自行在家进行诊断。设计的系统将使WD患者的家庭监测成为可能，神经科医生可以根据长期观察而不是简单的门诊来更改药物治疗。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (10)

1.一种基于深度学习的WD震颤等级评估方法，包括以下步骤：步骤1、震颤信号采集；步骤2、信号处理；步骤3、特征提取；步骤4、特征选择；步骤5、基于神经网络的分类；步骤6、通过分析特征值与医生评分的相关性，使得预测评分与医生的评分有较高的相关性。

2.根据权利要求1所述的基于深度学习的WD震颤等级评估方法，其特征在于：所述步骤1中震颤信号采集使用的实验设备为手指惯性节点，采用MPU6050九轴传感器，包括3轴加速度计、3轴陀螺仪和3轴磁力计，分别获取震颤的加速度数据、陀螺仪数据以及磁场数据。

3.根据权利要求2所述的基于深度学习的WD震颤等级评估方法，其特征在于：所述步骤1中还包括滤波，MPU6050还包括内置放大器、低通滤波器和16位ADC，可直接通过I2C总线输出数字量，无需外接转换和滤波电路。

4.根据权利要求2或3所述的基于深度学习的WD震颤等级评估方法，其特征在于：所述手指惯性节点的1号指套和2号指套按标签套在拇指和食指上，实验一是测试静止性震颤，让佩戴好设备的病人坐在椅子上，双手放在大腿上保持静止，等病人的姿势稳定后开始保存数据，测试30秒以上后停止；实验二姿势性震颤和实验三扑翼性震颤是测试手臂震颤，首先让病人在站立状态下双臂向前伸展，保持与肩同宽，然后是屈肘平放于胸前，手掌向下，这两个实验是等病人姿势稳定后各采集30秒以上数据；如果震颤不明显，可以加测屈肘平放胸前使手掌向上的动作。

5.根据权利要求4所述的基于深度学习的WD震颤等级评估方法，其特征在于：后续还可完成实验四、捏合和握拳，对应量表项：手指捏合(B15)；首先，让病人伸出拇指和食指，交替的进行开合动作，频率尽可能快，幅度尽可能大，保存20次以上的数据；然后，让病人交替执行五指伸展和握紧的动作，同样也保存20次以上数据。

6.根据权利要求5所述的基于深度学习的WD震颤等级评估方法，其特征在于：后续还存在实验五、手部交替运动，对应量表项：双手快复轮替动作(B16)；传感器安装：身体节点，双侧手腕处；设计动作：让病人站立时用一只手的手掌、手背交替拍打另一只手的手掌，重复20次以上并保存数据。

7.根据权利要求1-6中任何一项所述的基于深度学习的WD震颤等级评估方法，其特征在于：所述步骤2中采用短时傅里叶变换(STFT)对信号进行加窗处理，分离出震颤和非震颤窗口。

8.根据权利要求1-7中任何一项所述的基于深度学习的WD震颤等级评估方法，其特征在于：

所述步骤3中通过提取基频来进行频率分析，通过频率分析再对震颤类型进行分类；

所述步骤3中将震颤幅度作为分类因子计算功率谱密度函数，该函数表示不同频率下的信号功率；从功率谱密度(PSD)的可见峰上可以明显看出震颤的主频，平均震颤幅度由峰值以下的区域来确定；为了获得PSD的范围，对患者加速度信号的每一个窗口进行一系列处理，得到精确数值，在公式(1)的基础上，计算每个频段的PSD加权平均绝对值:

(1)式中Fst代表每个频段的起始频率，Fsp是停止频率，i代表基于采样频率的Fst和Fsp之间的频率步长，P和f是与i值相对应的功率和频率。

9.根据权利要求1-8中任何一项所述的基于深度学习的WD震颤等级评估方法，其特征在于：所述步骤4中特征选择选取的特征数量l小于原始的特征点M，减少特征点数量，降维，避免对特定训练数据集的过拟合，设计出具有良好泛化性能的分类器；通过穷举搜索算法，形成各种可能的组合，计算出每种组合的类别可分性。

10.根据权利要求1-9中任何一项所述的基于深度学习的WD震颤等级评估方法，其特征在于：所述步骤5中训练多层感知器的目的是估计网络中包含的所有神经元的权重及阈值，选择(2)式作为误差函数；其中，x_i为输入，表示网络的输出，目标是计算未知权重：

在此采用反向传播(BP)算法使J最小，从不同的初值开始，运行多次之后选择最佳解对应的权值；在反向传播算法中，通过公式(3)来估算每一步迭代运算中权重w的前一个值和当前值；

w(new)＝w(old)+Δw (3)

误差项与成本函数的梯度有关，以w的先前值计算：

w是指网络神经元的权重参数；算法的性能很大程度上取决于学习速率μ的值，为了保证算法的收敛性，μ的值应该足够小，但又不能太小，如果太小可能会导致收敛速度非常慢；在此情况下，引入动量α，可以更好的控制差错率，解决上述问题；通过公式(5)来提高学习速率：

网络中权重的数量应尽可能少，以便将误差函数的值降低到合适的水平，同时学习样本的数量应尽可能多。