CN111544006B - 帕金森病人运动障碍量化及识别的可穿戴设备 - Google Patents

Abstract

本发明属于惯性信号感知识别和帕金森智能医疗技术领域，具体涉及了一种帕金森病人运动障碍量化及识别的可穿戴设备，旨在解决缺少可靠无创的可穿戴设备来准确地实现帕金森病人的运动障碍量化及识别的问题。本发明包括：通过穿戴于被测对象和健康者身体不同侧的手腕惯性测量单元、脚踝惯性测量单元采集手腕运动信号、脚踝运动信号，并提取信号的特征；将提取的特征发送到输出处理终端，通过预设的帕金森病人运动障碍量化及识别方法，获取被测对象的病情程度并输出。本发明结构简单、容易操作、尺寸合适方便佩戴，功耗低，并且结合手腕与脚踝的运动信号，判断结果准确可靠。

Description

帕金森病人运动障碍量化及识别的可穿戴设备

技术领域

本发明属于惯性信号感知识别和帕金森智能医疗技术领域，具体涉及了一种帕金森病人运动障碍量化及识别的可穿戴设备。

背景技术

帕金森病(PD)是多发于老年人的神经退行性疾病，作为一种典型的老年慢性疾病，帕金森病在老年人群中患病率成倍增加，所以关于帕金森的辅助治疗不可忽视。帕金森病的主要临床特征为运动障碍包括动作迟缓、手部震颤、肢体僵直和姿势步态异常等。在临床工作中，临床医师对PD患者的判断主要依赖于主观的临床经验，难以提供客观可靠的定量评价。

随着惯性传感器的可穿戴计算技术的发展，基于惯性传感器以及智能终端的可穿戴设备已经成为研究热点之一，其中医疗设备是可穿戴设备最具前景的应用领域之一。理想的可穿戴设备必须满足操作简单，成本低，适合日常临床试验的要求。此外，要求可穿戴设备提供的数据是可靠，准确和易于使用的。PD运动障碍定量评估方法有足迹分析，震颤分析，智能脚环等。足迹分析和震颤分析简单易行，不受试验场地限制，但其测量精度低，远不能满足现代运动评估要求。智能脚环结构简单，但没有考虑到身体其他部分可能存在的运动症状。由于人体运动监测的复杂性和多样性，基于惯性传感器的帕金森检测系统依旧面临着许多技术问题，如何减小测量偏差是值得探究的问题。

总的来说，目前尚无可靠无创的针对帕金森病人运动障碍量化的可穿戴设备，能够准确地实现帕金森病人的运动障碍量化及识别。

发明内容

为了解决现有技术中的上述问题，即缺少可靠无创的可穿戴设备来准确地实现帕金森病人的运动障碍量化及识别的问题，本发明提供了一种帕金森病人运动障碍量化及识别的可穿戴设备，该可穿戴设备包括运动信号测量模块、数据处理终端；

所述运动信号测量模块包括手腕惯性测量单元、脚踝惯性测量单元，用于获取被测对象及健康者行走、站立、转身时的手腕运动信号、脚踝运动信号，进行信号的特征提取并将提取的特征发送至数据处理终端；

所述数据处理终端基于所述提取的特征，通过预设的帕金森病人运动障碍量化及识别方法，获取被测对象的病情程度并输出。

在一些优选的实施例中，所述手腕惯性测量单元的X轴指向手指方向；所述脚踝惯性测量单元的X轴指向脚趾方向；所述手腕惯性测量单元、脚踝惯性测量单元的X轴分别为其内置的惯性传感器的X轴。

在一些优选的实施例中，所述手腕惯性测量单元、脚踝惯性测量单元分别设置于所述被测对象及健康者的身体不同侧。

在一些优选的实施例中，所述手腕惯性测量单元基于手腕运动信号提取的特征包括标准差、能量绝对值、运动信号最大值、分位数、惯性传感器中陀螺仪Y轴和Z轴的交叉过零点；所述脚踝惯性测量单元基于脚踝运动信号提取的特征包括分位数、运动信号最大值。

在一些优选的实施例中，所述脚踝惯性测量单元设置有一个低功耗蓝牙通讯模块，用于将提取的脚踝特征发送至所述手腕惯性测量单元。

在一些优选的实施例中，所述手腕惯性测量单元设置有两个低功耗蓝牙通讯模块，分别用于接收脚踝惯性测量单元发送的特征以及将手腕和脚踝的特征发送至所述数据处理终端。

在一些优选的实施例中，所述预设的帕金森病人运动障碍量化及识别方法为：

步骤S10，对手腕运动信号、脚踝运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号，并通过五阶椭圆带通滤波器对所述加速度器信号、手腕运动信号、脚踝运动信号滤波；

步骤S20，基于滤波后的加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔；

步骤S30，基于滤波后的手腕运动信号及脚踝运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征，并通过卡方检验方法分别选择被测对象及健康者的设定数量的步态特征作为最佳步态特征；

步骤S40，将所述最佳步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；

步骤S50，若Pr＞0.9，则被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则被测对象为轻度帕金森病人；若Pr＜0.5，则被测对象为非帕金森病人。

在一些优选的实施例中，所述预设的第一算法为：

其中，As为合成的加速度器信号，A_x、A_y、A_z分别代表惯性传感器中三轴加速度计X、Y、Z轴分量的加速度信号。

在一些优选的实施例中，步骤S20包括：

步骤S21，通过预设的第一滑动窗口计算所述加速度器信号Z轴的信号功率，并以大于设定上限的信号功率对应的点作为起始位置，小于设定下限的信号功率对应的点作为结束位置；

步骤S22，计算所述起始位置与结束位置之间的距离，以所述距离大于设定阈值的作为一个时间间隔，得到行走间隔。

在一些优选的实施例中，步骤S30中“基于滤波后的手腕运动信号及脚踝运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征”，其方法为：

步骤S31，通过预设的第二滑动窗口在所述行走间隔内分别获取被测对象及健康者的重采样的手腕运动信号、脚踝运动信号的窗口数据；

步骤S32，将所述窗口数据作为数据帧，并分别提取所述数据帧内被测对象及健康者的步态特征。

在一些优选的实施例中，所述支持向量机的核函数为径向基函数，所述径向基函数为：

其中，x_i、x_j分别代表帕金森病人和健康者的步态特征向量，

是大于0的径向基函数的带宽。

在一些优选的实施例中，所述预设的第二算法为：

其中，D_p为支持向量机分类器的阳性结果输出的数量，D代表在设定时间段内第二滑动窗口获取的数据帧的总数量。

本发明的有益效果：

本发明帕金森病人运动障碍量化及识别的可穿戴设备，结构简单、容易操作、尺寸合适方便佩戴，功耗低，单次充电可使用24小时以上。并且，不只考虑单一部分的运动情况，而是通过手腕和脚踝的测量单元反映上肢和下肢的运动情况。通过SVM-RBF算法区分正常人和PD患者，并设置pr值(小于1)来表明帕金森病的严重程度，一共为四个程度，分别是健康、轻度、中度、重度，值越大说明越严重。通过实验验证本发明的准确率可达到87.01％，并且与专家的诊断具有较高的一致性(二次加权Kappa系数k＝0.961)，为日常生活中帕金森病症状的持续监测提供了一种客观可靠的辅助办法。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明帕金森病人运动障碍量化及识别的可穿戴设备的框架示意图；

图2是本发明帕金森病人运动障碍量化及识别的可穿戴设备一种实施例的手腕、脚踝惯性测量单元佩戴位置示意图；

图3是本发明帕金森病人运动障碍量化及识别的可穿戴设备一种实施例的手腕惯性测量单元工作流程示意图；

图4是本发明帕金森病人运动障碍量化及识别的可穿戴设备一种实施例的脚踝惯性测量单元工作流程示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明的一种帕金森病人运动障碍量化及识别的可穿戴设备，该可穿戴设备包括运动信号测量模块、数据处理终端；

所述运动信号测量模块包括手腕惯性测量单元、脚踝惯性测量单元，用于获取被测对象及健康者行走、站立、转身时的手腕运动信号、脚踝运动信号，进行信号的特征提取并将提取的特征发送至数据处理终端；

所述数据处理终端基于所述提取的特征，通过预设的帕金森病人运动障碍量化及识别方法，获取被测对象的病情程度并输出。

为了更清晰地对本发明帕金森病人运动障碍量化及识别的可穿戴设备进行说明，下面结合图1对本发明实施例中各模块展开详述。

本发明一种实施例的帕金森病人运动障碍量化及识别的可穿戴设备，包括运动信号测量模块、数据处理终端，各模块详细描述如下：

运动信号测量模块包括手腕惯性测量单元、脚踝惯性测量单元，用于获取被测对象及健康者的行走、站立、转身时的手腕运动信号、脚踝运动信号，进行手腕运动信号、脚踝运动信号的特征提取并将提取的特征发送至数据处理终端。

脚踝惯性测量单元主要包括惯性传感器、微程序控制器、数据缓存模块、低功耗蓝牙通讯模块：

惯性传感器：六轴惯性传感器，包含3D陀螺仪和3D加速度计，每隔十五分钟测量30秒的惯性传感器数据。

微程序控制器：基于UCOSⅢ操作系统进行数据采集，特征提取，数据存储和无线通信。

数据缓存模块：微程序控制器对采集的数据进行特征提取，提取后的特征值存储于数据缓存模块。

低功耗蓝牙通讯模块：相比ZigBee和WIFI，蓝牙功耗更低、传输更加稳定。在脚踝惯性测量单元与手腕惯性测量单元之间，采用低功耗蓝牙传输特征数据。

手腕惯性测量单元比脚踝惯性测量单元多一个低功耗蓝牙通讯模块，而手腕惯性测量单元有两个低功耗蓝牙通讯模块。除了与脚踝惯性测量单元进行数据传输的低功耗蓝牙通讯模块，还有一个将手腕和脚踝的特征发送至数据处理终端的低功耗蓝牙通讯模块。

如图2所示，为本发明帕金森病人运动障碍量化及识别的可穿戴设备一种实施例的手腕、脚踝惯性测量单元佩戴位置示意图，脚踝惯性测量单元和手腕惯性测量单元的佩戴位置在身体的不同侧，并且需要调整惯性测量单元的位置，使其X轴分别指向脚趾和手指(惯性测量单元的X轴为其内置的惯性传感器的X轴，惯性传感器的说明书中指明了X轴、Y轴、Z轴)。由于70％PD病患的初始症状是手部震颤，而且多数开始于一侧上肢末端。当休息或停止动作时症状发作，情绪紧张时加重，睡觉时消失。在行走过程中，手部的静态震颤往往会加重。另一种常见症状是以动作迟缓，难以开始运动以及逐渐失去活动能力为特征的运动障碍。在临床诊断中，患者的表现是手部摆动幅度逐渐减小甚至消失，缓慢行走、步距变小且经常拖行。手腕惯性测量单元主要检测手部震颤和上肢摆动情况，脚踝惯性测量单元主要检测下肢运动情况。

惯性传感器每隔十五分钟选取30秒时间采集数据，并对采集到的数据进行特征提取，得到一组特征值。脚踝惯性测量单元的特征值为：分位数(0.9)和运动信号最大值，其代表了下肢的运动能力。手腕惯性测量单元的特征值分别为：标准差、能量绝对值、运动信号最大值、分位数(0.9)、惯性传感器中陀螺仪Y轴和Z轴的交叉过零点。其标准差、能量绝对值、分位数(0.9)代表行走时上肢的摆动情况，交叉过零点象征手部震颤情况。每隔十五分钟，脚踝惯性测量单元的特征值传输至手腕惯性测量单元，手腕惯性测量单元重新打包两个测量单元的特征值并存储于数据缓存模块。因此，脚踝惯性测量单元只有一个低功耗蓝牙通讯模块，用以传输脚踝特征值；而手腕惯性测量单元有两个低功耗蓝牙通讯模块，用以接收脚踝惯性测量单元的特征值和发送两个测量单元的特征值到数据处理终端。

数据处理终端基于所述提取的特征，通过预设的帕金森病人运动障碍量化及识别方法，获取被测对象的病情程度并输出。

本发明一个实施例中，选用智能手机作为数据处理终端，在其他的实施例中，还可以根据需要其他智能终端，本发明在此不做详述。

如图3所示，为本发明帕金森病人运动障碍量化及识别的可穿戴设备一种实施例的手腕惯性测量单元工作流程示意图，上电复位后，系统外设初始化、操作系统初始化；然后，创建蓝牙连接状态检查任务、创建LED指示任务、创建数据采集任务、创建系统15分钟定时唤醒服务；若不到唤醒时，持续等待，若系统唤醒延时，连接唤醒脚踝从机(即脚踝惯性测量单元)；若连接不成功则持续尝试连接，若连接成功，则判断是否有数据上报；若有则接受数据后存储于FLASH(即数据缓存模块)，向脚踝从机(即脚踝惯性测量单元)发送开始采集指令，若没有数据上报则直接跳至向脚踝从机(即脚踝惯性测量单元)发送开始采集指令；开始采集数据30s，进行数据特征提取，接受从机(即脚踝惯性测量单元)数据，进行数据特征提取后存储于FLASH(即数据缓存模块)；判断是否连接移动设备(即数据处理终端)，若没有，系统进入低功耗，若有，则向移动终端(即数据处理终端)上传特征数据后系统进入低功耗；返回等待系统唤醒延时状态。

如图4所示，为本发明帕金森病人运动障碍量化及识别的可穿戴设备一种实施例的脚踝惯性测量单元工作流程示意图，上电复位后，系统外设初始化、操作系统初始化；然后，创建蓝牙连接状态检查任务、创建LED指示任务、创建数据采集任务；判断是否有主机蓝牙(主机即手腕惯性测量单元，主机蓝牙即手腕惯性测量单元与数据处理终端之间的蓝牙)连接，若没有，持续等待，若有，唤醒系统并进入工作模式；上传更新数据，判断是否有数据采集指令，若没有则等待，若有，开始采集数据30s；进行数据特征提取后存储于FLASH(即数据缓存模块)；判断蓝牙是否在连(即脚踝惯性测量单元与手腕惯性测量单元处于蓝牙连接状态)，若没有则判断蓝牙连接是否超时，若不是，则返回等待蓝牙连接，若蓝牙连接超时，则系统进入低功耗，若蓝牙在连，则向手腕主机(手腕惯性测量单元)上传更新数据后系统进入低功耗；返回等待主机蓝牙连接状态。

预设的帕金森病人运动障碍量化及识别方法为：

步骤S10，对手腕运动信号、脚踝运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号，并通过五阶椭圆带通滤波器对所述加速度器信号、手腕运动信号、脚踝运动信号滤波。

本发明一个实施例中，分别将采集的帕金森病人、健康者行走、站立、转身时的手腕运动信号、脚踝运动信号重采样到50Hz以此减少计算复杂程度，并通过预设的第一算法将重采样后的信号合成加速度器信号，如式(1)所示：

其中，As为合成的加速度器信号，A_x、A_y、A_z分别代表惯性传感器中三轴加速度计X、Y、Z轴分量的加速度信号。

在进行步骤S30的行走间隔获取之前，还可以通过五阶椭圆带通滤波器对加速度器信号、重采样后的手腕运动信号、脚踝运动信号进行滤波，滤波是为了消除重力分量和高频噪声的影响。

步骤S20，基于滤波后的加速度器信号Z轴的信号，通过预设的第一滑动窗口获取行走间隔。

步骤S21，通过预设的第一滑动窗口计算所述加速度器信号Z轴的信号功率，并以大于设定上限的信号功率对应的点作为起始位置，小于设定下限的信号功率对应的点作为结束位置。本发明一个实施例中，预设的第一滑动窗口的长度设置为20个采样点数。

步骤S22，计算所述起始位置与结束位置之间的距离，以所述距离大于设定阈值的作为一个时间间隔，得到行走间隔。本发明一个实施例中，如果起始位置和结束位置之间的距离大于256个采样点数(即行走时间大于5s)，则分割出一个时间间隔。

步骤S30，基于滤波后的手腕运动信号及脚踝运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征，并通过卡方检验方法分别选择被测对象及健康者的设定数量的步态特征作为最佳步态特征。

“基于滤波后的手腕运动信号及脚踝运动信号，通过预设的第二滑动窗口在所述行走间隔内分别提取被测对象及健康者的步态特征”，其方法为：

步骤S31，通过预设的第二滑动窗口在所述行走间隔内分别获取被测对象及健康者的重采样的手腕运动信号、脚踝运动信号的窗口数据。

本发明一个实施例中，预设的第二滑动窗口大小为256，滑动步长为16个采样点数，将这个滑动窗口捕获的运动信号的窗口数据处理为数据帧。

步骤S32，将所述窗口数据作为数据帧，并分别提取所述数据帧内被测对象及健康者的步态特征。

为了提取最佳的步态特征，在进行特征归一化之前，本发明还通过卡方检验方法分别进行被测对象及健康者的步态特征筛选，最终得到不同被测对象及健康者的8个步态特征，分别为腕部惯性传感器上陀螺仪Z轴的数据标准差、陀螺仪Z轴的能量绝对值、陀螺仪Z轴过零点数量、陀螺仪Y轴过零点数量、合成加速度信号极值、合成加速度信号0.9分位数以及踝部合成加速度信号极值、合成加速度信号0.9分位数。

步骤S40，将所述最佳步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr。

将步态特征归一化为步态特征向量，如式(2)所示：

其中，X_scaled代表归一化后的步态特征向量，X代表待归一化的步态特征，X_max、X_min分别为待归一化步态特征中的最大值和最小值。

这里使用支持向量机对帕金森病人和健康者的数据片段进行分类，支持向量机适用于解决小样本的非线性分类问题，这里类标签和所提取的特征之间呈现非线性关系，因此使用径向基函数(RFB，Radial Basis Function)作为支持向量机分类器的核函数，RBF核函数具有逼近非线性函数的能力，并能处理系统中的不溶性规律，具有良好的泛化能力和较快的学习速度，如式(3)所示：

其中，x_i、x_j分别代表帕金森病人和健康者的步态特征向量，

是大于0的径向基函数的带宽。

通过训练好的支持向量机对步态特征向量进行分类，并计算被测对象相对于健康者的阳性率Pr，如式(4)所示

其中，D_p为支持向量机分类器的阳性结果输出的数量，D代表在设定时间段内第二滑动窗口获取的数据帧的总数量。

Pr表示支持向量机分类器在SVM输出结果的30秒(1500个数据点)数据长度内，认为扫描数据段属于帕金森患者的比率。

步骤S50，若Pr＞0.9，则被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则被测对象为轻度帕金森病人；若Pr＜0.5，则被测对象为非帕金森病人。

本发明还通过十倍交叉验证方法评估支持向量机分类器的性能，采用了常用的性能指标：准确度、召回率、F1分数。设置帕金森患者为阳性组，健康者为阴性组，其中准确度为将帕金森患者和健康者正确分类的比率，召回率为真阳性组的比率，F1分数为模型精度和召回率的加权平均值。本发明计算出帕金森患者与健康受试者的分类准确性大约是92.9％，敏感性(分类器将正例分类成正例的比率，也就是将帕金森病人分为病人的比例)为88.9％，特异性(分类器将反例分类成反例的比率，也就是将健康者分为健康者的比例)为100％，显示了本发明方法在识别帕金森患者与健康者方面的良好能力。

最后，通过二次加权Kappa系数对该方法进行定量的可信度评价，如式(5)所示：

其中，∑ωf₀s是序数标度中的观测到的加权频率之和，∑ωf_c是序数标度中的随机期望的加权频率之和。

二次加权ω的计算方法如式(6)所示：

其中，i-j是人工分类和本发明方法不一致的数量，k是序数标度上的等级数。

本发明一个实施例中，k取值为4，4个等级上的ω分别为1、0.89、0.56、0，表明，评估偏差越大，权重越大。经过实验测试，本发明与专家诊断相比，二次加权Kappa系数k＝0.961，证明本发明方法与专家人工诊断具有较高的一致性，本发明诊断结果准确度高。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种帕金森病人运动障碍量化及识别的可穿戴设备，其特征在于，该可穿戴设备包括运动信号测量模块、数据处理终端；

所述运动信号测量模块包括手腕惯性测量单元、脚踝惯性测量单元，用于获取被测对象及健康者行走、站立、转身时的手腕运动信号、脚踝运动信号，进行信号的特征提取并将提取的特征发送至数据处理终端；

所述脚踝惯性测量单元设置有一个低功耗蓝牙通讯模块，用于将提取的脚踝特征发送至所述手腕惯性测量单元；所述脚踝惯性测量单元基于脚踝运动信号提取的特征包括分位数、运动信号最大值；

所述手腕惯性测量单元设置有两个低功耗蓝牙通讯模块，分别用于接收脚踝惯性测量单元发送的特征以及将手腕和脚踝的特征发送至所述数据处理终端；所述手腕惯性测量单元基于手腕运动信号提取的特征包括标准差、能量绝对值、运动信号最大值、分位数、惯性传感器中陀螺仪Y轴和Z轴的交叉过零点；所述手腕惯性测量单元的X轴指向手指方向，为其内置的惯性传感器的X轴；

所述数据处理终端基于所述提取的特征，通过预设的帕金森病人运动障碍量化及识别方法，获取被测对象的病情程度并输出；

其中，所述预设的帕金森病人运动障碍量化及识别方法为：

步骤S10，对手腕运动信号、脚踝运动信号进行重采样，并通过预设的第一算法将重采样后的信号合成加速度器信号，并通过五阶椭圆带通滤波器对所述加速度器信号、手腕运动信号、脚踝运动信号滤波；

步骤S20，通过预设的第一滑动窗口计算所述加速度器信号Z轴的信号功率，并以大于设定上限的信号功率对应的点作为起始位置，小于设定下限的信号功率对应的点作为结束位置，计算所述起始位置与结束位置之间的距离，以所述距离大于设定阈值的作为一个时间间隔，得到行走间隔；

步骤S30，通过预设的第二滑动窗口在所述行走间隔内分别获取被测对象及健康者的重采样的手腕运动信号、脚踝运动信号的窗口数据，将所述窗口数据作为数据帧，分别提取所述数据帧内被测对象及健康者的步态特征，并通过卡方检验方法分别选择被测对象及健康者的设定数量的步态特征作为最佳步态特征；

步骤S40，将所述最佳步态特征归一化为步态特征向量，通过训练好的支持向量机进行所述步态特征向量的分类，并通过预设的第二算法计算被测对象相对于健康者的阳性率Pr；所述支持向量机的核函数为径向基函数；

步骤S50，若Pr＞0.9，则被测对象为重度帕金森病人；若0.9＞Pr≥0.6，则被测对象为中度帕金森病人；若0.6＞Pr≥0.5，则被测对象为轻度帕金森病人；若Pr＜0.5，则被测对象为非帕金森病人。

2.根据权利要求1所述的帕金森病人运动障碍量化及识别的可穿戴设备，其特征在于，所述脚踝惯性测量单元的X轴指向脚趾方向；所述脚踝惯性测量单元的X轴为其内置的惯性传感器的X轴。

3.根据权利要求1或2所述的帕金森病人运动障碍量化及识别的可穿戴设备，其特征在于，所述手腕惯性测量单元、脚踝惯性测量单元分别设置于所述被测对象及健康者的身体不同侧。

4.根据权利要求1所述的帕金森病人运动障碍量化及识别的可穿戴设备，其特征在于，所述预设的第一算法为：

其中，As为合成的加速度器信号，A_x、A_y、A_z分别代表惯性传感器中三轴加速度计X、Y、Z轴分量的加速度信号。

5.根据权利要求1所述的帕金森病人运动障碍量化及识别的可穿戴设备，其特征在于，所述径向基函数为：

其中，x_i、x_j分别代表帕金森病人和健康者的步态特征向量，

是大于0的径向基函数的带宽。

6.根据权利要求1所述的帕金森病人运动障碍量化及识别的可穿戴设备，其特征在于，所述预设的第二算法为：

其中，D_p为支持向量机分类器的阳性结果输出的数量，D代表在设定时间段内第二滑动窗口获取的数据帧的总数量。

Images