CN111345783A - 基于惯性传感器的前庭功能紊乱检测系统 - Google Patents

Abstract

本发明公开了一种基于惯性传感器的前庭功能紊乱检测系统，包括：数据采集模块，被配置为通过传感器采集受检者不同行走方式下的人体姿态数据；数据传输模块，被配置为将采集到的人体姿态数据传输给特征提取模块；特征提取模块，被配置为用于对采集到的人体姿态数据进行特征提取；前庭功能状态识别模块，被配置为用于将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。本发明可快速便捷的对前庭功能进行检测，不受检测场地的限制，减少了患者在检测过程中产生的头晕、恶心等不适症状，降低患者检测费用。

Description

基于惯性传感器的前庭功能紊乱检测系统

技术领域

本发明涉及前庭功能检测技术领域，尤其涉及一种基于惯性传感器的前庭功能紊乱检测系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

眩晕症是继发热、头痛之后的第三大临床就诊症状，是介于耳鼻喉科与神经科之间的复杂综合征，临床表现多种多样、复杂难测，相关的研究与临床文献层出不穷。

随着人口老龄化和生活节奏的加快，工作紧张、竞争压力增大，环境中振动、电磁、辐射波、化学物质等刺激因素增多，使眩晕症有逐年增多趋势。前庭功能紊乱是造成眩晕症的主要原因之一，因此，对于前庭功能的检测就显得尤为重要。

前庭是人体对自身运动状态和头在空间位置的感受器，位于内耳中，包括三个半规管、椭圆囊和球囊。当肌体进行旋转或直线变速运动时，速度的变化会刺激三个半规管或椭圆囊中的感受细胞。当前庭器官将头部加速或重力作用转变为生物信息后，中枢神经系统便向肌体提供有关头部运动和头部与其四周环境、空间相对位置的主观感觉，并引起相应的反射动作。

前庭功能紊乱时，人体会出现姿势及步态平衡障碍，即患者不仅会感到眩晕等头部不适，而且行走时会产生偏倒感和不稳感，并存在蹒跚或酩酊状态，影响其正常生活和工作，特殊场合甚至会影响生命安全。

发明人发现，目前对于前庭功能的检测方法主要包括平衡功能检查、旋转试验、冷热水试验、冷热空气试验、直流电试验、头位性眼震检查、眼震电图描记法和耳石器功能检查等。这些方法过程繁琐，难以快速简便的对前庭功能进行检测，同时在检测过程中极易产生头晕、恶心等不适症状，增加患者的痛苦。另一方面，有关测试仪器不仅安装需要较大空间、安装固定后不易移动、使用场景受限，而且成本和维护费用高，进而加大患者医疗负担。

发明内容

有鉴于此，本发明给出了一种基于惯性传感器的前庭功能紊乱检测系统，应用佩戴于头部的一组加速度计、陀螺仪和磁力计构成的惯性传感器获取眩晕患者的人体步态等全身行为姿态数据，通过蓝牙无线传输至嵌入主机的特征提取模块，进行特征提取，并通过前庭功能状态识别模块进行分类识别。该系统能够简便准确地识别患者的前庭功能状态，且佩戴方便、检测不受场地的限制。

为了实现上述目的，在一些实施方式中，采用如下技术方案：

一种基于惯性传感器的前庭功能紊乱检测系统，包括：

数据采集模块，被配置为通过惯性传感器采集受检者不同行走方式下的人体姿态数据；

数据传输模块，被配置为将采集到的人体姿态数据传输给特征提取模块；

特征提取模块，被配置为用于对采集到的人体姿态数据进行特征提取；

前庭功能状态识别模块，被配置为用于将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

基于佩戴的传感器从多个维度采集人体运动状态数据，使用方便，不受使用场地的限制。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如下过程：

接收采集到的受检者不同行走方式下的人体姿态数据；

对所述人体姿态数据进行特征提取；

采用随机森林法和互信息法对提取的特征进行筛选，去除冗余和无关特征；

将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行如下过程：

接收采集到的受检者不同行走方式下的人体姿态数据；

对所述人体姿态数据进行特征提取；

采用随机森林法和互信息法对提取的特征进行筛选，去除冗余和无关特征；

将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

与现有技术相比，本发明的有益效果是：

(1)本发明系统可快速便捷的对前庭功能进行检测，不受检测场地的限制，为临床前庭功能检测提供一种全新的简易辅助手段。同时，减轻患者在检测过程中产生的头晕、恶心等不适症状，扩展眩晕检测场景，降低检测费用。

(2)采用由三轴加速度计、三轴陀螺仪和三轴磁力计构成的惯性传感器终端分别从不同维度采集人体运动相关数据，数据更加准确全面，从而使得输出的检测结果更加精确。

(3)在前庭功能状态识别方面，采用SVM分类算法和DS证据理论方法相结合，可以降低分类诊断的错误率，提高其分类结果的有效性和可靠性。

本发明的附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明实施例中基于惯性传感器的前庭功能紊乱检测系统工作过程示意图；

图2为本发明实施例中惯性传感器佩戴位置示意图；

图3为本发明实施例中特征子集筛选算法流程图；

图4为本发明实施例中加速度计采集信号波形示意图；

图5为本发明实施例中陀螺仪采集信号波形示意图；

图6为本发明实施例中磁力计采集信号波形示意图；

图7为本发明实施例中姿态识别算法模型示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

在一个或多个实施方式中，公开了一种基于惯性传感器的前庭功能紊乱检测系统，具体包括：

1、数据采集模块，被配置为用于采集受检者不同行走方式下的人体姿态数据。

具体地，数据采集模块采用惯性传感器Mini IMU AHRS，包括三轴加速度计、三轴陀螺仪和三轴磁力计，惯性传感器由束带固定佩戴于头部，具体佩戴位置如图2所示；

2、数据传输模块，被配置为将采集到的人体姿态数据传输给数据处理终端；

具体地，惯性传感器采集的数据通过蓝牙无线传输至计算机端，当然，数据传输方式不限于蓝牙传输，也可以通过其他的数据传输手段，比如：通过无线网络传输等。

3、数据处理终端，具体包括：

(1)数据预处理模块，被配置为对接收到的数据进行预处理，包括：利用中值滤波和平滑滤波对数据进行滤波，消除噪声的影响。

(2)特征提取模块，被配置为对采集到的人体姿态数据进行特征提取；

具体过程如下：

本实施例中，根据临床诊断需求，结合患者临床表现和数据获取方式，对受检者在8种行走方式下的惯性传感器数据提取特征，并对其进行特征筛选。

具体地，8种行走方式分别为：正常速度行走、改变步速行走、水平转动头部行走、垂直转动头部行走、行走过程中转身停止、越过障碍物行走、绕过障碍物行走和上下楼梯行走。在模型训练和检测的时候，都需要测量8种行走方式下的人体姿态数据。

设置时间窗长度为2s，并且每个时间窗重叠50％；对每个时间序列按时间窗提取统计和物理学特征，其特征包括时域、频域和非线性特征。

(2-1)时间序列包括：

参照图4，不同行走方式下的三轴加速度信号和合加速度数据：x轴加速度Acc_x、y轴加速度Acc_y、z轴加速度Acc_z和合加速度：

参照图5，不同行走方式下的三轴陀螺仪数据：x轴角速度GYRO_x、y轴角速度GYRO_y以及z轴角速度GYRO_z；

参照图6，不同行走方式下的三轴磁力计数据：x轴磁场强度Mag_x、y轴磁场强度Mag_y、z轴磁场强度Mag_z。

(2-2)对每个时间序列按时间窗提取统计和物理学特征，包括时域、频域和非线性特征；具体如下：

(2-2-1)时域特征包括：均值、中值、方差、均方根值、偏度和峰度；

具体地，方差σ²的计算公式为：

均方根值rms的计算公式为：

偏度s的计算公式为：

峰度k的计算公式为：

其中，μ为信号的均值，σ为信号的标准差，N为信号总体例数；偏度值表示信号的中心对称程度，峰度值表示信号分布形态的陡缓程度。X为输入信号，K2、K3分别表示二阶、三阶的中心距。

(2-2-2)频域特征包括：频谱、能量谱和频域熵；

具体地，频谱用快速傅里叶变换求解。信号的功率谱为其频谱的平方，根据帕斯维尔定理，实信号的能量等于平均功率谱，即

(2-2-3)非线性特征包括：多尺度熵和近似熵；

具体地，多尺度熵算法由粗粒化过程和样本熵计算两部分组成，通过计算多个时间尺度上的样本熵评估时间序列的复杂度。前庭功能紊乱患者在行走时存在偏倒感和不稳感，加速度和角速度信号时间序列复杂度提升，与正常人相比，多尺度熵的值会有较大的差异。

其中，多尺度熵具体计算方法如下：

①粗粒化过程：

一是非重叠式，每次跳跃τ个数据，取τ个数据做平均以产生新的数据，

二是重叠式，每次跳跃1-τ个数据，取τ个数据做平均。

②计算样本熵：

按序号组成一组维数为m的向量序列：X_m(1),…,X_m(N-m+1)，其中X_m(i)＝{x(i),x(i+1),…,x(i+m-1)}，1≤i≤N-m+1。这些向量代表从第i点开始的m个连续的x值，在本发明中x代表惯性传感器采集的人体姿态数据。

定义向量X_m(i)与X_m(j)之间的距离d[X_m(i),X_m(j)]为两者对应元素中最大差值的绝对值，即

对于给定的X_m(i)，统计X_m(i)与X_m(j)(1≤j≤N-m，j≠i)距离不大于r的数量，记作B_i。对于1≤i≤N-m，定义

为

定义B^m(r)为

增加维数到m+1，统计X_m+1(i)与X_m+1(j)(1≤j≤N-m，j≠i)距离不大于r的数量，记作A_i。定义

为

定义A^m(r)为

基于上述描述，B^m(r)是两个序列在相似容限r下匹配m个点的概率，而A^m(r)是两个序列匹配m+1个点的概率。样本熵定义为：

当N为有限值时，可以用下式估计：

近似熵是一种用于量化时间序列波动的规律性和不规则性的非线性动力学参数，它反映了时间序列中新信息发生的可能性，越是不规则的时间序列对应的近似熵越大。前庭功能紊乱患者由于存在不确定的偏倒和不平衡，相对于正常人，其加速度和角速度信号时间序列的不规则性大，近似熵较大。

近似熵具体计算方法如下：

设一个以等间隔采样的N维时间序列：u(1),u(2),…,u(N)。定义整数m表示比较向量的长度，实数r表示“相似度”的度量值。

重构m维向量：X(1),X(2),…,X(N-m+1)，其中，

X(i)＝[u(i),u(i+1),…,u(i+m-1)]

X(j)＝[u(j),u(j+1),…,u(j+m-1)]

计算X(i)和X(j)之间的距离，由对应元素的最大差值决定，

d[X,X*]＝max|u(a)-u*(a)|

统计所有d[X,X*]≤r的数量g，则g/(N-M)就是第i次取值所对应的相似概率。计算所有相似概率对数的平均值，即熵值Φ^m(r)定义为：

则近似熵ApEn定义为：

ApEn＝Φ^m(r)-Φ^m+1(r)

(3)特征筛选模块，被配置为采用随机森林法和互信息法对提取的特征进行筛选，去除无关和冗余特征。

具体的，上述提取的时域、频域和非线性特征可能存在与前庭功能状态识别无关的特征，也可能存在信息冗余，为减少计算时间、增加算法效率、节约运算成本，本发明实施例利用特征筛选方法去除无关和冗余特征，所述特征子集筛选方法包括随机森林法和互信息法，如图3所示，具体流程如下：

利用随机森林法计算特征的重要性，如果特征重要性小于2％，则认为是无关特征，删除该特征。

对于特征重要性不小于2％的部分，利用互信息法计算两两特征之间的相关系数，在相关系数高于90％的每对特征中，保留特征重要性较大者、特征重要性较小者作为被删除的冗余特征，得到最终的特征子集。

具体地，对于随机森林法和互信息法分别介绍如下：

(3-1)随机森林法：本发明利用随机森林法计算每个特征的重要性。如果特征重要性小于2％，则认为是无关特征，删除该特征。通过计算每个特征在随机森林中每颗树上做的贡献，然后取平均值，最后比较特征之间的贡献大小。其中关于贡献的计算方式可以是基尼指数或袋外数据错误率。

(3-1-1)基尼指数计算方法：设k代表类别数，p_k代表类别k的样本权重，则定义Gini指数为：

那么特征X_j在节点m上的重要性，即节点m分枝前后的Gini指数变化量为：

其中，GI_l和GI_r分别表示分枝后两个新节点的Gini指数。

如果特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i棵树的重要性为：

假设随机森林中共有n棵树，那么

最后把求得的重要性评分做归一化处理，即

其中，分母为所有特征增益之和，分子为特征X_j的基尼指数。

(3-1-2)袋外数据错误率方法：对于一棵树T_i，用袋外数据(OOB)样本可以得到袋外数据误差e1，然后随机改变OOB中的第j列，保持其他列不变，对第j列进行随机的上下置换，得到误差e2。至此，可以用e1-e2来刻画特征X_j的重要性。其依据是，如果一个特征很重要，那么其变动后会对测试误差造成很大影响，如果测试误差没有改变，则说明特征X_j不重要。

该方法中涉及到的对数据进行打乱的方法有两种：一是使用uniform或gaussian抽取随机值替换原特征；二是通过permutation的方式将所有样本的第i个特征值重新排列。

(3-2)互信息法：本发明利用互信息法计算特征两两之间的相关系数。在此方法中，保留相关系数高于90％的每对特征中特征重要性较大者，特征重要性较小者作为被删除的冗余特征。互信息衡量两个变量互相依赖的程度，表示两个变量间共同拥有的信息量，随机变量X和Y之间的互信息可以表示为：

式中p(x)、p(y)表示X和Y的边缘分布，p(x,y)表示x和y的联合分布，互信息I(X；Y)是联合分布p(x,y)与边缘分布p(x)、p(y)的相对熵。

(4)前庭功能状态识别模块，被配置为输出前庭功能状态识别结果。本实施例中，识别方法为将筛选后的数据特征输入到训练好的前庭功能状态识别模型。前庭功能状态识别结果包括：正常和前庭功能紊乱两种状态。

具体地，本发明基于支持向量机-DS证据理论(SVM-DS)进行前庭功能状态的识别，如图7所示，步骤如下：

首先利用一对一SVM算法建立初始模型，将筛选后的特征子集作为SVM初步分类模型的输入，进行训练、验证、测试，从而得出SVM初步分类结果。构建特征空间证据体，计算各证据体的基本可信度M_i。

本实施例中，计算每种传感器采集数据对应的分类结果，每一个分类结果对应一个证据体；然后对其进行可信度分析，得到每一个分类结果对应的基本可信度分配。

其中，SVM分类模型选择径向基函数(RBF)作为核函数，惩罚因子c和核函数参数g由网格寻优法确定。

利用DS证据理论方法，将上述由SVM初步分类结果得出的各个基本可信度分配(BPA)进行融合，得到整体的融合基本可信度分配M。融合基本可信度分配M是一个百分数，代表输出分类的准确率。选择准确率高的类别作为最终的前庭功能检测结果，具体计算方法如下：

在本示例中，BPA函数的构造为：

首先，使用sigmoid函数估算其对应类的概率，即

r_ij＝p(y＝i|y＝iorj,x)

再对SVM的输出值通过sigmoid函数进行处理，得到SVM后验概率p_i，即

然后，进行样本集的测试，得到分类正确率q_i，则BPA函数定义为：

m_i(A)＝p_iq_i

决策融合及判断规则如下：

设A_i(i＝1,2)为前庭功能状态，包括正常和紊乱；A_ω为目标状态，即需要分类的状态，为正常或紊乱。

通过SVM-DS决策融合方法的推理，可以得出某证据对它所对应的识别框架中A_i的信度和该证据对整体识别框架的不确定性m_j(θ)。

具体地，在DS证据理论中，由互不相容的基本命题(假定)组成的完备集合称为识别框架。信任函数Bel(A)表示命题A为真的信任度，似然函数Pl(A)表示命题A为假的信任度。

此时,证据的分类决策将遵循下列4条规则：

①m(A_ω)＝max{A_i}，即具有最大信度的类是目标类；

②m(A_ω)-m(A_i)>ε₁(ε₁>0)，即目标类型与其他非目标类型之间的信度差值需要大于某一个限值；

③m(A_ω)-m(θ)>ε₂(ε₂>0)，即目标类型的信度必然要大于证据的不确定性信度值；

④m(θ)<ε₃(ε₃>0)，即证据的不确定性信度值必须小于某一个限值。

实施例二

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，参照图1，所述处理器执行所述程序时实现如下过程：

接收采集到的受检者不同行走方式下的人体姿态数据；

对所述数据进行预处理；

对采集到的人体姿态数据进行特征提取；

采用随机森林法和互信息法对提取的特征进行筛选，去除冗余和无关特征；

将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

上述方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，包括：

数据采集模块，被配置为通过传感器采集受检者不同行走方式下的人体姿态数据；

数据传输模块，被配置为将采集到的人体姿态数据传输给特征提取模块；

特征提取模块，被配置为用于对采集到的人体姿态数据进行特征提取；

前庭功能状态识别模块，被配置为用于将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

2.如权利要求1所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，所述数据采集模块包括：佩戴于受检者头部的惯性传感器，所述惯性传感器包括：三轴加速度计、三轴陀螺仪和三轴磁力计。

3.如权利要求1所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，所述的受检者不同行走方式包括：正常速度行走、改变步速行走、水平转动头部行走、垂直转动头部行走、行走过程中转身停止、越过障碍物行走、绕过障碍物行走和上下楼梯行走。

4.如权利要求1所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，所述数据传输模块通过蓝牙无线传输的方式实现数据传递。

5.如权利要求1所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，所述特征提取模块对采集到的人体姿态数据进行特征提取，具体过程为：对于采集到的每一个时间序列，分别提取其时域、频域和非线性特征。

6.如权利要求5所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，所述时域特征包括均值、中值、方差、均方根值、偏度和峰度；所述频域特征包括频谱、能量谱和频域熵；所述非线性的特征包括多尺度熵和近似熵。

7.如权利要求1所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，还包括：特征筛选模块，被配置为采用随机森林法和互信息法对提取的特征进行筛选，去除冗余和无关特征。

8.如权利要求1所述的一种基于惯性传感器的前庭功能紊乱检测系统，其特征在于，所述前庭功能状态识别模块采用一对一SVM算法建立初始前庭功能状态识别模型，将每一个时间序列提取的特征分别输入到初始前庭功能状态识别模型进行训练，输出SVM初步分类结果；

根据各个时间序列对应的分类结果，构建出特征空间证据体，计算各证据体的基本可信度分配；

利用DS证据理论方法，将每一个时间序列得到的基本可信度分配进行融合，得到融合后的基本可信度分配。

9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如下过程：

接收采集到的受检者不同行走方式下的人体姿态数据；

对所述人体姿态数据进行特征提取；

采用随机森林法和互信息法对提取的特征进行筛选，去除冗余和无关特征；

将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如下过程：

接收采集到的受检者不同行走方式下的人体姿态数据；

对所述人体姿态数据进行特征提取；

采用随机森林法和互信息法对提取的特征进行筛选，去除冗余和无关特征；

将提取的特征输入到训练好的前庭功能状态识别模型，输出前庭功能状态识别结果。

Images