CN113100756A - 一种基于Stacking的帕金森震颤检测方法 - Google Patents

一种基于Stacking的帕金森震颤检测方法 Download PDF

Info

Publication number
CN113100756A
CN113100756A CN202110404995.8A CN202110404995A CN113100756A CN 113100756 A CN113100756 A CN 113100756A CN 202110404995 A CN202110404995 A CN 202110404995A CN 113100756 A CN113100756 A CN 113100756A
Authority
CN
China
Prior art keywords
signal
model
stacking
calculating
features
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
Application number
CN202110404995.8A
Other languages
English (en)
Inventor
赵德春
冯明扬
李小祥
蒋人品
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110404995.8A priority Critical patent/CN113100756A/zh
Publication of CN113100756A publication Critical patent/CN113100756A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Developmental Disabilities (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于信号处理以及模式识别领域，具体涉及一种基于Stacking的帕金森震颤检测方法，该方法包括获取原始信号，对获取的原始信号进行预处理；提取预处理后信号的特征，提取的特征包括信号的时域特征、时频特征以及非线性特征；对提取的特征进行筛选，得到特征子集；将特征子集输入到训练好的Stacking模型中进行帕金森震颤检测；根据检测结果判断待检测人的状态；本发明中通过计算多种特征，并对特征进行筛选，结合提出的新的、泛化能力强的、准确率高的帕金森震颤检测方法，能够准确检测帕金森震颤，为帕金森病诊断提供参考。

Description

一种基于Stacking的帕金森震颤检测方法
技术领域
本发明属于信号处理以及模式识别领域，具体涉及一种基于Stacking的帕金森震颤检测方法。
背景技术
帕金森病是一种常见的中老年疾病，是一种具有进行性的神经退行性疾病。帕金森病的致死率是比较低的，但是它的致残率很高，对于老年人的身体健康有着严重的威胁。目前，对于帕金森病的致病原因尚在猜测之中，没有定论。有研究表明可能的原因有遗传因素、环境因素、人口老龄化等。帕金森病的临床症状主要包括两个方面：运动相关和非运动相关症状。运动相关的症状主要有静息震颤、肌肉强直、步态异常和运动迟缓等。非运动相关的症状包括抑郁、睡眠障碍和便秘等。据统计有超过70％的PD患者以静息性震颤为首发症状。
目前，采用帕金森病评定量表(Unified Parkinson Disease Rating Scale，UPDRS)对帕金森病进行诊断。UPDRS是一种分级量表，根据严重程度分为六级：无症状、单侧发病、双侧疾病没有平衡障碍、中度双侧疾病、严重残疾、只能坐轮椅或者卧床。在UPDRS中静息震颤也是一个重要的指标。研究一种帕金森震颤检测方法，提供一种客观的震颤检测检测指标。将其作为医生诊断方法的一个重要辅助手段。
利用不同的特征采集震颤信号，提取包括时域、频域以及其他的重要的特征进行分析。主要研究信号源包括局部场电位信号(Local field potential，LFP)、肢体的表面肌电信号(Electromyography，EMG)、脑部电信号(Electrocardiography，EEG)、肢体运动参数的加速度信号(Acceleration，ACC)。在进行震颤信号采集过程中George Rigas通过四个三轴加速度传感器，记录四个不同位置的加速度信号，采用通过离散傅里叶变换，提取与静息震颤相关的频域特征，根据这些特征采用人工神经网络和SVM对静息震颤进行分类，分类准确率为76％。Ada Zhang针对加速度传感器信号，利用多层感知机和随机森林对帕金森震颤进检测最高准确率为88.7％。Pedrosa等人利用利用光电传感器获取的加速度传感器信号对震颤进行评级准确率为92.8％。对于加速度传感器信号学者们利用通过谱估计、奇异值分解等方法对震颤进行分类。也有通过计算信号的时域、频域特征以及统计特征用于帕金森震颤分级评价的。使用人工神经网络、支持向量机、随机森林等对帕金森震颤进行检测。但是上述方法中，存在震颤信号分类的准确率低，检测效果差的缺点。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于Stacking的帕金森震颤检测方法，该方法包括：获取原始信号，对获取的原始信号进行预处理；提取预处理后信号的特征，提取的特征包括信号的时域特征、时频特征以及非线性特征；对提取的特征进行筛选，得到特征子集；将特征子集输入到训练好的Stacking模型中进行帕金森震颤检测；根据检测结果判断待检测人的状态。
优选的，对原始信号进行预处理包括：采用小波变换的方法对原始信号进行降噪处理；对原始信号进行小波分解的层数为3层，小波函数为‘db4’，设置的阈值为启发式阈值和软阈值。
优选的，所述时域特征包括：hjorth参数、平均振幅、最大振幅以及均方根值；所述频域特征包括频谱均值、频谱方差、频谱的一阶导数、信号总功率以及频谱峰值功率；所述非线性特征包括样本熵。
进一步的，提取时域特征的具体过程包括：根据预处理后的特征计算信号的hjorth参数，所述hjorth参数包括hjorth的活动性、移动性以及复杂性；hjorth参数的活动性为信号的方差；hjorth参数的移动性为信号一阶导数方差与信号方差的均方根值；hjorth参数的复杂性为信号的一阶导数的移动性与信号的移动性的比值；计算平均振幅和最大振幅的过程包括采用envelope函数计算信号的上包络线env1和下包络线env2；所述平均振幅为上包络线env1与下包络线env2之差的平均值；所述最大振幅为上包络线env1与下包络线env2的最大值；采用rms函数计算信号的均方根值。
进一步的，提取频域特征的具体过程包括：采用fft函数计算信号的频谱；通过mean函数对得到的频谱信号进行计算，得到频谱均值；使用var函数对频谱信号进行计算，得到频谱方差；频谱一阶导数为后一点频谱信号减去前一点频谱信号之差的和除以频谱点数后减1；信号总功率为频谱信号中每个点的平方之和除以频谱点数；计算频谱信号的最大值，并获取最大值对应频点位置，选取对应频点位置以及该位置的左边2个点和右边2个点，计算选取的5个点的平均峰值功率，将该峰值功率作为频谱的峰值功率。
进一步的，计算非线性特征的具体过程包括：根据预处理后的信号构建m维空间向量；计算空间向量中两个点的之间的距离；设置偏差阈值r，根据偏差阈值对对计算得到空间向量中的各个点的距离进行筛选，计算筛选出的点与总距离的比值，并根据该比值对所有筛选出的点作平均计算，得到m维空间向量的平均值；对空间向量的维度加1，并重复上述过程，得到m+1维空间向量的平均值和；根据m维空间向量的平均值和m+1维空间向量的平均值使用SampEn函数计算信号的样本熵。
优选的，对提取的特征进行筛选的过程包括：
步骤1：计算每个特征在分类算法中的准确率，将各个特征按准确率由高到低排序；
步骤2：设置特征子集，将设置的特征子集进行初始化，初始化后的特征子集为空集；
步骤3：将排序后的特征按顺序依次加入到特征子集中；
步骤4：根据加入到特征子集中的各个特征的算法准确率判断算法性能是否提升，若算法性能提升，则保留特征子集中的特征，若算法性能不提升，则删除特征子集中的特征；
步骤5：设置阈值，获取特征子集中择特的征数量，判断特征数量与设置的阈值大小，若大于设置的阈值，则将特征子集中的特征作为筛选结果，否则重复步骤3-步骤5，直到所有的特征筛选完为止。
优选的，训练Stacking模型的过程包括：
步骤1：获取原始数据，并提取原始数据的特征，得到m个特征；根据m个特征获取样本总量，样本总量为N*m；其中，N表示信号的长度，m表示特征数量；
步骤2：将样本总量按照7:2:1的比列进行划分，得到对应的N1集合，N2集合以及N3集合；
步骤3：采用N1集合以及默认参数分别训练一个KNN模型、SVM模型、RF模型和Adaboost模型；
步骤4：将N2集合中的数据输入到训练好的KNN模型、SVM模型、RF模型以及Adaboost模型中进行预测，得到预测结果；
步骤5：将预测结果作为训练集，训练一个LR模型；
步骤6：训练得到的KNN模型、SVM模型、RF模型和Adaboost模型作为第一层，LR模型作为第二层，得到训练好的stacking模型；
步骤7：将N3集合中的数据输入到训练好的stacking模型中，得到测试结果。
本发明的优点：
本发明通过对原始信号进行小波变换处理，降低了原始信号的噪声；本发明通过提取信号的多个特征，并对提取的特征进行筛选，将筛选后的特征输入到Stacking模型中进行帕金森震颤检测，提高了检测的效率和准确率。
附图说明
图1为本发明中帕金森震颤检测方法流程图；
图2为本发明中原始加速度信号与小波降噪后信号对比图；
图3为本发明的前向选择流程图；
图4为本发明的基于Stacking的帕金森震颤检测模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于Stacking的帕金森震颤检测方法，如图1所示，该方法包括：获取原始信号，对获取的原始信号进行预处理；提取预处理后信号的特征，提取的特征包括信号的时域特征、时频特征以及非线性特征；对提取的特征进行筛选，得到特征子集；将特征子集输入到训练好的Stacking模型中进行帕金森震颤检测；根据检测结果判断待检测人的状态。
优选的，获取的原始信号包括采用加速度计采集患者的震颤信号，根据采集的震颤信号得到锁相DBS数据。数据由信号和触发时间序列组成，分别对应于主震颤轴加速度计数据和刺激触发器的数据。触发器是发送到刺激装置的信号。在记录数据过程中，关闭标准高频DBS，将一个三轴加速度计固定在患者最颤抖的手食指掌指关节上。加速度计信号被生物计量学K800放大器放大，来自主要震颤轴的信号被1902隔离前置放大器在线滤波，然后被记录和处理使用1401放大器和Spike2软件进行记录。对于在线滤波器，使用了一个两极数字巴特沃思滤波器，其截止频率为患者震颤频率周围的2Hz。平均震颤频率为4.22±0.25Hz。在无刺激时，三轴加速度计在震颤频率处的频谱峰最高的信号被定义为主震颤轴。后续通过主成分分析表明所选的数据为主要震颤轴的数据。将数据分别标注为震颤与非震颤状态。
对获取的数据进行预处理包括：使用小波变换方法对原始信号进行降噪处理，可以有效地提高信号的信噪比，小波降噪的主要参数：设置小波分解层数为3层，选择小波函数为‘db4’，阈值选用启发式阈值和软阈值。原始加速度传感器信号及其去噪后的信号如图2所示。
降噪后的加速度传感器信号与原始信号相比，信噪比为8.91dB，均方根误差为0.0016。从图中可以看出，原始信号上局部混杂较为严重，而通过降噪处理之后，混杂部分得到有效消除，并且降噪后的信号能够保留原始信号的特点，减少失真，对后续的帕金森震颤检测有一定帮助。
提取预处理后信号的特征，提取的特征包括信号的时域特征、时频特征以及非线性特征。时域特征主要包括hjorth参数、平均振幅、最大振幅、以及均方根值。频域特征包括频谱的均值、频谱方差、频谱的一阶导数、以及信号的总能量、频谱的峰值功率。非线性特征计算信号的样本熵。
时域特征
计算时域特征的过程包括：信号的Hjorth参数描述了信号在时域中的统计特性。它的参数包括活动性(Activity)，移动性(Mobility)和复杂性(Complexity)。其中活动性能表明信号的方差，移动性能测量平均频率。另外在给定周期时间内，复杂性能表明频率的变化。y(t)为原始信号,var为计算数据方差，计算公式为：
Activity＝var(y(t))
Figure BDA0003021898020000061
Figure BDA0003021898020000062
其中，Activity表示活动性参数，var表示数据方差，y(t)表示原始信号，Complexity表示负杂性参数，
Figure BDA0003021898020000063
表示对原始信号进行求导，Mobility表示移动性参数。
在计算加速度信号的振奋过程中，通过计算信号的平均幅度和最大振幅得到信号的振幅。为了计算加速度信号的平均振幅，提取了总加速度的包络线。信号在时间窗内的平均幅值定义为上包络线与下包络线之差的平均值定义如下：
Figure BDA0003021898020000064
其中，Mean_A表示平均振幅，N表示总采样点数，env1(n)表示信号的上包络上线，env2(n)表示信号的下包络下线。平均振幅为对应时刻的上下包络线取值相差的平均值。
最大振幅的计算公式如下：
Max_A＝max(env1(i)-env2(i))
时频特征
计算时频特征的过程包括：计算信号在频谱上的特征，对于原始信号x(n)，通过快速傅里叶变换得到信号对应的频谱X(k)。并计算信号的总能量，频谱均值频谱方差、信号的峰值功率。
信号的总能量是指频谱系数平方之和。对于长度为n的X(k)，公式如下：
Figure BDA0003021898020000071
其中，e表示信号的总能量，k表示频谱对，n表示频谱的长度，X(k)表示通过快速傅里叶变换得到信号对应的频谱。
均值是指频谱系数的均值。计算对于长度为n的X(k)，公式如下：
Figure BDA0003021898020000072
其中，P_mean表示频谱系数的均值。
方差能够表示能量对于平均能量的离散水平。对于长度为n的X(k)，公式如下：
Figure BDA0003021898020000073
其中，σ表示方差，n表示频谱长度，μ表示频谱均值。
频谱一阶导数是指每一能级能量的第一阶导数的平均值。对于长度为n的X(k)，公式如下：
Figure BDA0003021898020000074
其中，δ表示频谱一阶导数。
频谱的峰值功率一般是指在一段时间内传感器信号单边功率谱在主频的±0.5Hz附近的功率谱估计，其计算公式为：
Figure BDA0003021898020000081
其中，Pe表示峰值功率，f1和f2分别表示帕金森震颤信号频率上的上下限，FFT*表示傅里叶变换的共轭，FFT表示傅里叶变换，e(t)表示加速度传感器信号，df表示对频率的微分，N表示总的采样点数。
计算非线性特征
样本熵(SampEn)是通过计算信号中产生新模式的大小来衡量时间序列的复杂性。样本熵的值越小，则说明信号的自似性越大。样本熵越大，则说明信号的越没有规律性。
计算非线性特征的具体过程包括：根据预处理后的信号构建m维空间向量；计算空间向量中两个点的之间的距离；设置偏差阈值r，根据偏差阈值对对计算得到空间向量中的各个点的距离进行筛选，计算筛选出的点与总距离的比值，并根据该比值对所有筛选出的点作平均计算，得到m维空间向量的平均值；对空间向量的维度加1，并重复上述过程，得到m+1维空间向量的平均值和；根据m维空间向量的平均值和m+1维空间向量的平均值使用SampEn函数计算信号的样本熵。对应的参数m取值为2，r取值为信号标准差的0.15倍。
对于一个原始信号长度为N的时间序列表示为{u(i):1<i<n}。样本熵的计算流程如下：
步骤1：构造一个m维空间向量X(1)，X(2)，...X(N-m+1)；即
X(i)＝{u(i),u(i+1),...,u(i+m)}
其中，u(i)表示时间序列第i个点的值，m表示向量空间的维数。
步骤2：定义向量X(i)和X(j)之间的距离，d[X(i),X(j)]为两个向量对应元素差值最大值。
步骤3：对于每一个{i:1<i<N-m+1}，在允许偏差为r的情况下统计d[X(i),X(j)]<r的数目，记为Nm(i)，并计算此数目与总距离的比值记为
Figure BDA0003021898020000082
计算公式为：
Figure BDA0003021898020000091
其中，
Figure BDA0003021898020000092
表示Nm(i)与总距离的比值，m表示维数，r表示偏差，Nm(i)表示所有向量到向量X(i)小于偏差的数量。
对所有的1<i<N-m+1做平均计作：
Figure BDA0003021898020000093
其中，
Figure BDA0003021898020000094
表示所有向量
Figure BDA0003021898020000095
的平均值。
步骤4：将m的维度增加1，重复步骤3的过程得到
Figure BDA0003021898020000096
步骤5：样本熵的计算公式为：
SampEn(N,m,r)＝-ln[φm+1(r)/φm(r)]
其中，SampEn(N,m,r)表示样本熵，N表示信号的长度，m表示空间向量的维数，r表示偏差，
Figure BDA0003021898020000097
表示当空间向量选择为m时。
根据上面的计算过程可知样本熵的取值与N，m，r息息相关。其中m取1，r取标准差的0.15倍。
对提取的特征进行筛选的过程包括：特征选择模式识别和机器学习的一个重要过程，通过基于过滤式、包裹式或者嵌入式的特征筛选方法，从计算得到的特征中，选择出适合用于分类的特征，降低数据集的维度的同时，提高算法的性能。筛选特征子集时，首先以单个特征的准确率作为特征重要性评价指标将特征根据重要性排序。
如图3所示，首先设置特征子集为空集，然后根据特征的重要性，从未选择的特征集中选择一个特征加入该特征子集。然后，比较加入该特征之后的特征子集在后续分类算法中的表现，如果相较于该特征加入之前效果有所提升，则保留该特征。反之，则舍弃该特征，直到选择到合适的子集使得分类算法达到最优。
构建一个两层的Stacking模型，用于帕金森震颤检测。根据Stacking特的点，选择不同种类的分类器或者使用同一学习器，而采用不同参数构成，另外在为了防止过拟合，第二层需要采用较为简单的模型。因此在构造该Stacking模型的时候，本文采用四个不同的分类器作为第一层，分别为KNN、SVM、RF以及Adaboost。而采用相对较为经典且容易解释的LR作为第二层。基于Stacking的帕金森震颤检测的模型结构如下图4所示。
训练Stacking模型的过程包括：
步骤1：获取原始数据，并提取原始数据的特征，得到m个特征；根据m个特征获取样本总量，样本总量为N*m；其中，N表示信号的长度，m表示特征数量；
步骤2：将样本总量按照7:2:1的比列进行划分，得到对应的N1集合，N2集合以及N3集合；
步骤3：采用N1集合以及默认参数分别训练一个KNN模型、SVM模型、RF模型和Adaboost模型；
步骤4：将N2集合中的数据输入到训练好的KNN模型、SVM模型、RF模型以及Adaboost模型中进行预测，得到预测结果；
步骤5：将预测结果作为训练集，训练一个LR模型；
步骤6：训练得到的KNN模型、SVM模型、RF模型和Adaboost模型作为第一层，LR模型作为第二层，得到训练好的stacking模型；
步骤7：将N3集合中的数据输入到训练好的stacking模型中，得到测试结果。
采用N1集合以及默认参数分别训练KNN模型、SVM模型、RF模型和Adaboost模型的过程包括：
步骤1：采用fitcknn函数对N1中的特征及对应分类标签label进行处理，设置临近样本数参数NumNeighbors为3，得到一个的KNN模型。
步骤2：采用fitcsvm函数对N1中的特征及对应分类标签label进行处理，设置标准化参数Standardize为true，核函数参数KernelFunction为gaussian，内核尺度参数KernelScale为12，其他参数默认，得到一个的SVM模型。其他参数包括：多项式次数PolynomialOrder和类名称ClassNames。
步骤3：采用随机森林TreeBagger函数对N1中的特征及对应分类标签label进行处理，设置参数树的个数为100，设置方法参数Method为classification，得到一个的RF模型。
步骤4：采用fitensemble函数对N1中的特征及对应分类标签label进行处理，设置方法参数’Method’为AdaBoostM1，学习器数量NLearn为100，学习器类别Learners为‘tree’，得到一个Adaboost模型。
训练LR模型模型的过程包括：以N2集合中的特征作为输入，使用predict函数，以及KNN模型，SVM模型，RF模型和Adaboost模型得到预测结果。使用fitlm函数，以四个模型的预测结果，及N2集合中的分类label为输入，训练得到一个LR模型。
采用帕金森震颤检测的模型对信号进行处理，得到12种特征，即Hjorth活动性参数(1)，hjorth复杂性(2)，hjorth移动性(3)，信号的峰值(4)，平均振幅(5)，最大振幅(6)，均方根值(6)，频谱的均值(7)，频谱方差(8)，频谱的一阶导数(9)，信号的总能量(10)，频谱的峰值功率(11)，样本熵(12)。
对于LR、SVM、KNN、RF、Adaboost以及提出的基于Stacking的帕金森震颤检测六种分类算法，利用特征筛选方法，采用默认参数设置，得到对应分类方法的分类的最高准确率以及其对应的特征组合如下表1.1所示。
表1.1各分类算法的最高准确率及对应特征组合
Figure BDA0003021898020000111
在震颤状态与非震颤状态分类中，共使用4386个样本进行五倍交叉验证。分类准确率体现了分类算法的识别率高低，是一个评估分类算法识别能力大小的重要指标，但是为了计算分类算法的泛化能力、验证分类准确率的真实性计算分类算法的精准性，精准度、召回率、以及F1score进行计算如表1.2所示。
表1.2各分类算法的评价指标
Figure BDA0003021898020000121
震颤检测的目的是区分患者是处于静息震颤状态还是非震颤状态。震颤的准确率表示分类后的真实震颤样本数量和标注的震颤样本数量相比较。当精准度的时候，模型较为容易识别震颤状态，这也有利于实际应用中的震颤检测。结果表明在准确率，召回率以及F1 score三个参数上，基于Stacking的震颤检测算法都优于其他的震颤检测分类算法。说明该算法得到的准确率可靠，具有很高的一致性以及泛化能力。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于Stacking的帕金森震颤检测方法，其特征在于，包括：获取原始信号，对获取的原始信号进行预处理；提取预处理后信号的特征，提取的特征包括信号的时域特征、时频特征以及非线性特征；对提取的特征进行筛选，得到特征子集；将特征子集输入到训练好的Stacking模型中进行帕金森震颤检测；
根据检测结果判断待检测人的状态。
2.根据权利要求1所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，对原始信号进行预处理包括：采用小波变换的方法对原始信号进行降噪处理；对原始信号进行小波分解的层数为3层，小波函数为‘db4’，设置的阈值为启发式阈值和软阈值。
3.根据权利要求1所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，所述时域特征包括：hjorth参数、平均振幅、最大振幅以及均方根值；所述频域特征包括频谱均值、频谱方差、频谱的一阶导数、信号总功率以及频谱峰值功率；所述非线性特征包括样本熵。
4.根据权利要求3所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，提取时域特征的具体过程包括：根据预处理后的特征计算信号的hjorth参数，所述hjorth参数包括hjorth的活动性、移动性以及复杂性；hjorth参数的活动性为信号的方差；hjorth参数的移动性为信号一阶导数方差与信号方差的均方根值；hjorth参数的复杂性为信号的一阶导数的移动性与信号的移动性的比值；计算平均振幅和最大振幅的过程包括采用envelope函数计算信号的上包络线env1和下包络线env2；所述平均振幅为上包络线env1与下包络线env2之差的平均值；所述最大振幅为上包络线env1与下包络线env2的最大值；采用rms函数计算信号的均方根值。
5.根据权利要求3所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，提取频域特征的具体过程包括：采用fft函数计算信号的频谱；通过mean函数对得到的频谱信号进行计算，得到频谱均值；使用var函数对频谱信号进行计算，得到频谱方差；频谱一阶导数为后一点频谱信号减去前一点频谱信号之差的和除以频谱点数后减1；信号总功率为频谱信号中每个点的平方之和除以频谱点数；计算频谱信号的最大值，并获取最大值对应频点位置，选取对应频点位置以及该位置的左边2个点和右边2个点，计算选取的5个点的平均峰值功率，将该峰值功率作为频谱的峰值功率。
6.根据权利要求3所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，计算非线性特征的具体过程包括：根据预处理后的信号构建m维空间向量；计算空间向量中两个点的之间的距离；设置偏差阈值r，根据偏差阈值对计算得到空间向量中的各个点的距离进行筛选，计算筛选出的点与总距离的比值，并根据该比值对所有筛选出的点作平均计算，得到m维空间向量的平均值；将空间向量的维度加1，并重复上述过程，得到m+1维空间向量的平均值和；根据m维空间向量的平均值和m+1维空间向量的平均值使用SampEn函数计算信号的样本熵。
7.根据权利要求1所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，对提取的特征进行筛选的过程包括：
步骤1：计算每个特征在分类算法中的准确率，将各个特征按准确率由高到低排序；
步骤2：设置特征子集，将设置的特征子集进行初始化，初始化后的特征子集为空集；
步骤3：将排序后的特征按顺序依次加入到特征子集中；
步骤4：根据加入到特征子集中的各个特征的算法准确率判断算法性能是否提升，若算法性能提升，则保留特征子集中的特征，若算法性能不提升，则删除特征子集中的特征；
步骤5：设置阈值，获取特征子集中择特的征数量，判断特征数量与设置的阈值大小，若大于设置的阈值，则将特征子集中的特征作为筛选结果，否则重复步骤3-步骤5，直到所有的特征筛选完为止。
8.根据权利要求1所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，训练Stacking模型的过程包括：
步骤1：获取原始数据，并提取原始数据的特征，得到m个特征；根据m个特征获取样本总量，样本总量为N*m；其中，N表示信号的长度，m表示特征数量；
步骤2：将样本总量按照7:2:1的比列进行划分，得到对应的N1集合，N2集合以及N3集合；
步骤3：采用N1集合以及默认参数分别训练一个KNN模型、SVM模型、RF模型和Adaboost模型；
步骤4：将N2集合中的数据输入到训练好的KNN模型、SVM模型、RF模型以及Adaboost模型中进行预测，得到预测结果；
步骤5：将预测结果作为训练集，训练一个LR模型；
步骤6：训练得到的KNN模型、SVM模型、RF模型和Adaboost模型作为第一层，LR模型作为第二层，得到训练好的stacking模型；
步骤7：将N3集合中的数据输入到训练好的stacking模型中，得到测试结果。
9.根据权利要求8所述的一种基于Stacking的帕金森震颤检测方法，其特征在于，默认参数包括临近样本数参数、标准化参数、核函数参数、内核尺度参数、参数树以及方法参数。
CN202110404995.8A 2021-04-15 2021-04-15 一种基于Stacking的帕金森震颤检测方法 Pending CN113100756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110404995.8A CN113100756A (zh) 2021-04-15 2021-04-15 一种基于Stacking的帕金森震颤检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404995.8A CN113100756A (zh) 2021-04-15 2021-04-15 一种基于Stacking的帕金森震颤检测方法

Publications (1)

Publication Number Publication Date
CN113100756A true CN113100756A (zh) 2021-07-13

Family

ID=76717195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404995.8A Pending CN113100756A (zh) 2021-04-15 2021-04-15 一种基于Stacking的帕金森震颤检测方法

Country Status (1)

Country Link
CN (1) CN113100756A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609975A (zh) * 2021-08-04 2021-11-05 苏州小蓝医疗科技有限公司 一种用于震颤检测的建模方法、手部震颤检测装置及方法
CN113705649A (zh) * 2021-08-20 2021-11-26 哈尔滨医科大学 一种基于emd-svd特征提取的手部震颤检测方法及系统
CN113855570A (zh) * 2021-09-30 2021-12-31 平安科技（深圳）有限公司 帕金森病服药提醒方法、系统、电子设备及存储介质
CN114366130A (zh) * 2022-02-17 2022-04-19 上海电机学院 基于震颤分析的肌电诱发电位仪
CN114711790A (zh) * 2022-04-06 2022-07-08 复旦大学附属儿科医院 新生儿电惊厥类型确定方法、装置、设备和存储介质
CN115336979A (zh) * 2021-09-03 2022-11-15 中国人民解放军总医院 基于可穿戴设备的多任务震颤自动检测方法及其检测设备
CN115500822A (zh) * 2022-10-21 2022-12-23 哈尔滨工业大学 一种基于腕部震颤信号的帕金森检测系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107029351A (zh) * 2017-04-14 2017-08-11 重庆邮电大学 用于全局lfp帕金森症特征值提取的系统及方法
US20180272134A1 (en) * 2017-03-21 2018-09-27 Boston Scientific Neuromodulation Corporation Microstimulator Having Body-Mounted Electrodes and Remote Electrode Leads
CN108742517A (zh) * 2018-03-27 2018-11-06 重庆邮电大学 一种基于Stacking单导联脑电睡眠自动分期方法
CN110946556A (zh) * 2019-12-27 2020-04-03 南京信息工程大学 基于可穿戴式体感网的帕金森静息态震颤评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180272134A1 (en) * 2017-03-21 2018-09-27 Boston Scientific Neuromodulation Corporation Microstimulator Having Body-Mounted Electrodes and Remote Electrode Leads
CN107029351A (zh) * 2017-04-14 2017-08-11 重庆邮电大学 用于全局lfp帕金森症特征值提取的系统及方法
CN108742517A (zh) * 2018-03-27 2018-11-06 重庆邮电大学 一种基于Stacking单导联脑电睡眠自动分期方法
CN110946556A (zh) * 2019-12-27 2020-04-03 南京信息工程大学 基于可穿戴式体感网的帕金森静息态震颤评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG QQ,ZHAO DC,等: "Ensemble learning algorithm based on multi-parameters for sleep staging", 《MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING》 *
王青天，等, 北京:机械工业出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609975A (zh) * 2021-08-04 2021-11-05 苏州小蓝医疗科技有限公司 一种用于震颤检测的建模方法、手部震颤检测装置及方法
CN113705649A (zh) * 2021-08-20 2021-11-26 哈尔滨医科大学 一种基于emd-svd特征提取的手部震颤检测方法及系统
CN113705649B (zh) * 2021-08-20 2024-01-12 哈尔滨医科大学 一种基于emd-svd特征提取的手部震颤检测方法及系统
CN115336979A (zh) * 2021-09-03 2022-11-15 中国人民解放军总医院 基于可穿戴设备的多任务震颤自动检测方法及其检测设备
CN113855570A (zh) * 2021-09-30 2021-12-31 平安科技（深圳）有限公司 帕金森病服药提醒方法、系统、电子设备及存储介质
CN114366130A (zh) * 2022-02-17 2022-04-19 上海电机学院 基于震颤分析的肌电诱发电位仪
CN114711790A (zh) * 2022-04-06 2022-07-08 复旦大学附属儿科医院 新生儿电惊厥类型确定方法、装置、设备和存储介质
CN115500822A (zh) * 2022-10-21 2022-12-23 哈尔滨工业大学 一种基于腕部震颤信号的帕金森检测系统及设备

Similar Documents

Publication Publication Date Title
CN113100756A (zh) 一种基于Stacking的帕金森震颤检测方法
Masetic et al. Congestive heart failure detection using random forest classifier
CN109998525B (zh) 一种基于判别式深度置信网络的心律失常自动分类方法
CN108960182B (zh) 一种基于深度学习的p300事件相关电位分类识别方法
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
Kumari et al. Seizure detection in EEG using time frequency analysis and SVM
CN110970042B (zh) 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质
CN110680313B (zh) 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法
CN108090509B (zh) 一种数据长度自适应的心电图分类方法
Hamza et al. Svm for human identification using the ECG signal
Vijaya Arjunan ECG signal classification based on statistical features with SVM classification
CN113349793A (zh) 一种基于分层注意力模型的心律失常分类方法
CN113509186A (zh) 基于深度卷积神经网络的ecg分类系统与方法
CN114699093A (zh) 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法
Majda-Zdancewicz et al. Deep learning vs feature engineering in the assessment of voice signals for diagnosis in Parkinson’s disease
Selamat et al. A novel approach of chewing detection based on temporalis muscle movement using proximity sensor for diet monitoring
Bashar et al. Heart abnormality classification using phonocardiogram (PCG) signals
Kumari et al. Optimization of multi-layer perceptron neural network using genetic algorithm for arrhythmia classification
CN110956192A (zh) 一种非重构压缩感知生理数据的分类方法及装置
Khan et al. A wearable accelerometer system for unobtrusive monitoring of parkinson's diease motor symptoms
Al-Mulla et al. Statistical class separation using sEMG features towards automated muscle fatigue detection and prediction
CN113128384A (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
Hebden et al. Neural network and conventional classifiers to distinguish between first and second heart sounds
CN112971784B (zh) 一种可穿戴骨传导疲劳驾驶检测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication