CN113609975A - 一种用于震颤检测的建模方法、手部震颤检测装置及方法 - Google Patents
一种用于震颤检测的建模方法、手部震颤检测装置及方法 Download PDFInfo
- Publication number
- CN113609975A CN113609975A CN202110891734.3A CN202110891734A CN113609975A CN 113609975 A CN113609975 A CN 113609975A CN 202110891734 A CN202110891734 A CN 202110891734A CN 113609975 A CN113609975 A CN 113609975A
- Authority
- CN
- China
- Prior art keywords
- tremor
- signal
- detection
- hand
- hand tremor
- 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
Links
- 206010044565 Tremor Diseases 0.000 title claims abstract description 197
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001133 acceleration Effects 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 210000003205 muscle Anatomy 0.000 claims abstract description 17
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 55
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000033001 locomotion Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 201000006517 essential tremor Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种用于震颤检测的建模方法、手部震颤检测装置及方法,其中手部震颤检测装置包括:用于采集三维加速度数据的加速度计,用于采集肌电数据的肌肉电信号差分传感器,对手部震颤信号进行滤波的滤波组件,基于滤波后的手部震颤信号进行特征提取的特征参数提取组件,以及利用已训练的模型和输入的特征参数进行分类,得到手部震颤信号的检测结果的震颤检测建模组件。综合并灵活利用加速度与肌电数据的各类特征参数的组合来进行手部震颤的检测,提高了检测的准确性。
Description
技术领域
本发明属于医疗信息检测领域,具体地,涉及用于手部震颤检测模型的建模方法、手部震颤检测装置及方法。
背景技术
通常人体的某部位发生非意愿颤动的现象,医学上称之为“震颤”。震颤常见于人体的四肢和头部,是最常见的神经科疾病之一,如原发性震颤(ET)、帕金森病(PD)等。肢体震颤从产生机理上震颤可以分为以下两类,生理性震颤和病理性震颤,生理性震颤是人体的一种固有震颤,所有人的肢体都有这种现象,只是强弱不同,经常在紧张、激动、疲劳的情况下产生,当这些原因消除时,震颤也将消失,生理性震颤频率多集中在8-15Hz。病理性震颤是由人体的病变引起的震颤,会一直伴随着人体运动而运动,病理性震颤具有大振幅、低频、多集中在2-6Hz。虽然震颤不危害生命,但是却给众多的患者带来了生活上的不便,严重的甚至可以导致患者的生活不能自理。
早期临床实践中对震颤患者运动功能障碍症状的评估主要依靠评分量表,但是量表法受到评分医师的操作经验和主观影响,依靠评分量表对震颤患者运动功能进行评估并不够客观准确,会对震颤患者的早期诊断、分期造成影响;近年出现患者配备可穿戴设备利用加速度计测量手部动作,进而识别出震颤,然而这种方法识别精度有限,算法通常十分简陋,无法准确、真实地区分出生理性震颤或病理性震颤,且测量容易受到个人生理特性、设备以及其他噪声影响,导致测量结果不准确,甚至出现反复测量的情况。
发明内容
有鉴于此,本发明旨在提供一种能客观准确地、定量检测手部震颤的装置及方法。
第一方面,提供一种用于震颤检测模型的建模方法,包括:步骤1:获取不同等级的震颤信号训练样本集,震颤信号训练样本集包括加速度训练样本和肌电数据训练样本;步骤2:分别提取震颤信号训练样本集中加速度训练样本和肌电数据训练样本的震颤信号特征参数,其中,震颤信号特征参数包括谱熵、小波熵、样本熵、近似熵和排列熵中至少之一;步骤3:将震颤信号特征参数输入训练模型进行训练,得到不同等级的震颤检测模型。
进一步,不同等级的震颤信号训练样本集是根据评定表采集的,包括无震颤、轻微震颤、中度震颤、严重震颤和重度震颤五个等级的加速度数据和肌电数据,分别作为所述加速度训练样本和所述肌电数据训练样本。其中优选地,所述加速度数据包括三维加速度数据;所述肌电数据由4个粘贴在手部不同位置的肌肉电信号差分传感器采集获得。
进一步,在进行步骤2之前,对震颤信号训练样本集中的加速度训练样本和肌电数据训练样本进行滤波操作。
第二方面,提供一种手部震颤的检测装置,包括:加速度计、肌肉电信号差分传感器、滤波组件、特征参数提取组件、震颤检测建模组件;其中,加速度计采集三维加速度数据,肌肉电信号差分传感器采集肌电数据,三维加速度数据和肌电数据作为手部震颤信号;滤波组件对所述手部震颤信号进行滤波,得到滤波后的手部震颤信号,并发送给特征参数提取组件;特征参数提取组件基于滤波后的手部震颤信号进行特征提取,获得手部震颤信号的特征参数,并输入震颤检测建模组件;震颤检测建模组件利用已训练的模型及输入的特征参数进行分类,得到手部震颤信号的检测结果。
进一步,滤波组件包括6阶巴特沃斯带通滤波器及配合使用的陷波器;优选地,滤波组件还包括平稳小波阈值去噪组件,平稳小波阈值去噪组件依次包括平稳小波变换SWT模块、方差估计模块、小波系数阈值模块及平稳小波SWT逆变换模块。
进一步,手部震颤信号的检测结果包括:震颤等级。
进一步,手部震颤信号的特征参数包括:谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
第三方面,提供一种手部震颤检测方法,其特征在于,包括:步骤1、获取手部震颤信号,手部震颤信号包括三维加速度数据和肌电数据;步骤2、提取手部震颤信号的特征参数;以及步骤3、利用已训练的模型及特征参数进行分类,得到手部震颤信号的检测结果。
进一步,在获得手部震颤信号之后,将手部震颤信号进行6阶巴特沃斯带通滤波;且,配合使用陷波器对带通滤波之后的信号消除工频干扰。优选地,对滤波之后的信号依次进行以下操作:平稳小波SWT变换;估计分解后各层小波系数的噪声方差,得到不同尺度下的阈值;经过阈值函数选取不同尺度下的小波系数合适的阈值;进行SWT逆变换。
进一步,手部震颤信号的检测结果包括:震颤等级。
进一步,手部震颤信号的特征参数包括:谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
第四方面,提供一种计算机可读存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令由处理器执行时,实现本发明第一方面或第三方面所述的方法。还提供一种计算机设备,其包括存储装置及处理装置,所述存储装置存储有计算机程序,当所述计算机程序被处理装置执行时,使得所述计算机设备实现本发明第一方面或第三方面所述的方法。
根据本发明的第一方面~第四方面,可以达到以下有益效果:1、综合利用加速度与肌电数据来评估和判断手部震颤信号,相比于仅依据加速度信息的判断方式更加精准、客观;2、利用相对简单易行的滤波去噪方式,凸显特征参数的个性化,结合训练模型进行分类,进一步提高手部震颤信号的检测准确度。
本发明的其他特征及优点,将在随后的说明书具体实施方式部分阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
图1示出本发明第一实施例的震颤检测模型的建模方法示意图;
图2示出本发明第二实施例的手部震颤检测装置结构示意图;
图3为本发明第二实施例中平稳小波阈值去噪组件的结构示意图;
图4示出本发明第三实施例的手部震颤检测方法示意图;
图5示出本发明第三实施例中滤波方法的示意图;
图6和图7分别示出本发明采集的手部震颤信号中加速度数据和肌电数据的信号波形示例。
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付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。
根据本发明的第一实施例,如附图1所示,提供一种用于震颤检测模型的建模方法,其包括:
步骤1:获取不同等级的震颤信号训练样本集,震颤信号训练样本集包括加速度训练样本和肌电数据训练样本。震颤是一种重复的、刻板的运动,该运动的频率和幅度都具有一定的规律性。震颤的类型很多,且容易混淆,帕金森震颤和特发性震颤是最容易被混淆误诊的两种疾病,有时候其他类型的震颤或各种运动障碍仅仅通过临床表现也很难做出鉴别,而通过电生理检测可以协助我们做出准确的诊断,相比单纯的临床评估,电生理检查对震颤的分析能更可靠地明确震颤的规律程度,可以用来区分典型的震颤综合征(一般是规律的)和肌阵挛综合征或心因性综合症(一般是不规律的)。
不同等级的震颤信号训练样本集是根据评定表采集的,包括无震颤、轻微震颤、中度震颤、严重震颤和重度震颤五个等级的加速度数据和肌电数据,分别作为所述加速度训练样本和所述肌电数据训练样本。其中优选地,所述加速度数据包括三维加速度数据;所述肌电数据由4个粘贴在手部不同位置的肌肉电信号差分传感器采集获得。
步骤2:分别提取震颤信号训练样本集中加速度训练样本和肌电数据训练样本的震颤信号特征参数,其中,震颤信号特征参数包括谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
·谱熵(Spectral Entropy,SEn)利用给定信号的功率谱的幅值分量作为熵的计算概率,计算方式如下:
其中,Pj=Sj/S,S为总的谱功率,Sj为各频率下的幅值分量。
·小波熵(Wavelet Entropy,WEn)在计算时,选择母小波为bior4.4,分解层数为5层,分解得到高频细节系数和低频近似系数,原始信号xn的能量可表示为所有成分能量的和,如下式所示:
Energy=∑energyi
其中,energyi可以根据不同的成分系数计算获得。
小波熵计算公式为:
WEn=-∑Pi ln Pi
其中,Pi=energyi/Energy。
·近似熵(Approximate Entropy,ApEn)的计算步骤如下:
(1)设时间序列{X(n)=Xi,i=1,…,N},N为数据长度。
(2)将时间序列嵌入到一个m维空间中得:
X(i)=[x(i),x(i+1),…,x(i+m-1)]
其中i的取值范围为[1:N-m+1]。
(3)定义任意两个元素X(i),X(j)间的距离为d[X(i),X(j)],其代表两者对应元素中差值最大的一个,即:
d[X(i),X(j)]=maxk=0~m-1[|x(i+k)-x(j+k)|]
此时X(i),X(j)中其他元素间的差值都小于d,对每一个i值,计算X(i)与X(j)(j=1~N-m+1,且j≠i)间的距离d[X(i),X(j)]。
其中,公式中的m表示序列的嵌入维数,即序列选取的的固有模式长度;r表示相似的容限,即判别时间序列与固有模式匹配度的阈值;N为时间序列的总长度。
·样本熵(Sample Entropy,SampEn)的计算步骤如下:
(1)设时间序列{X(n)=Xi,i=1,…,N},N为数据长度。
(2)将时间序列嵌入到一个m维空间中得:
X(i)=[x(i),x(i+1),…,x(i+m-1)]
其中i的取值范围为[1:N-m+1]。
(3)计算任意两个元素X(i),X(j)间的距离为d[X(i),X(j)],可得:
d[X(i),X(j)]=maxk=0~m-1[|x(i+k)-x(j+k)|]
其中,j∈[1,N-m],且j≠i)。
(4)统计满足d[X(i),X(j)]<r的数目ni(m,r),并计算Pi(m,r):
(6)按照上述步骤计算B(m+1,r)。
(7)最后得到该段信号的样本熵为:
其中,N代表信号的长度,r代表相似容限,m代表嵌入维数。
·排列熵(Permutation Entropy,PeEn)的计算过程如下:
(1)对一维时间序列X(n)=[x(1),x(2),…,x(n)]进行相空间重构,得到点X(i)的m维空间的重构向量为:
Xi=[x(i),x(i+1),…,x(i+(m-1)*l)]
则时间序列X(n)的相空间矩阵为:
X=[X1;X2;…,Xn-(m-1)*l]
其中,m表示重构维数,l表示延迟时间。
(2)对Xi中的各元素进行升序排列,得:
Xi=[x(i+(j1-1)*l)≤x(i+(j2-1)*l)≤…≤x(i+(jm-1)*l)]
该排列方式为全排列m!的一种,对时间序列X(n)的各种排列情况的次数进行统计,计算各种排列情况的相对频率作为其概率p1,p2,…,pk,k≤m!,计算序列归一化后的排列熵:
步骤3:将震颤信号特征参数输入训练模型进行训练,得到不同等级的震颤检测模型。训练模型主要用于分类,训练算法的复杂度与性能密切相关,现阶段比较成熟的训练模型包括尤其适于图像识别的卷积神经网络CNN模型、适用弱相关复合特征的深度神经网络DNN模型,另外还有部分无监督学习的模型也可适用于相对要求较低的分类场景。
此外,在进行步骤2之前,对震颤信号训练样本集中的加速度训练样本和肌电数据训练样本进行滤波操作,使得滤波之后的信号特征更加突出,利于机器学习,提高训练模型的分类准确性。
还需要说明的是,选取的特征参数的种类数量越多,计算复杂度越高,检测模型的分类精度越准确;不同特征参数种类的组合、不同个体情况的病人、不同等级的震颤结果以及不同部位的采集结果,均可能对应了不同的最佳检测模型,因此优选两种或更多种不同的特征参数组合方式进行两次或更多次建模,以进一步提高检测模型的分类精度。例如,选取每一种特征参数建模,同时还可以根据检测精度的需要,选取两种或更多种特征参数进行建模,例如选取谱熵、小波熵与近似熵三种特征参数进行建模,还可以选取谱熵、小波熵和排列熵三种特征参数进行建模,在建模之后进行分类检测时,可以使用多种特征参数以及对应的检测模型进行两次或更多次分类检测,并根据所有的检测结果确定可靠性最高的检测结果。
根据本发明的第二实施例,如附图2所示,提供一种手部震颤检测装置,其包括加速度计、肌肉电信号差分传感器、滤波组件、特征参数提取组件、震颤检测建模组件。
加速度计粘贴于手腕部位,内侧、外侧均可,加速度计用以采集手部三维加速度数据,图6示出三维加速度数据的波形示例。
肌肉电信号差分传感器通常成对使用,1对、2对、3对均可,本实施例优选使用4个肌肉电信号差分传感器,分别粘贴于手部桡侧腕伸肌、桡侧腕屈肌、尺侧腕伸肌和尺侧腕屈肌的肌腹上,以便采集手部震颤过程中的肌电数据,图7示出了上述4个肌电数据的波形示例。当然,也可以根据病人的不同情况,按需采集手部肌群的其他肌肉的肌电数据。
三维加速度数据和肌电数据作为手部震颤信号,而由于震颤信号的幅度相对较小、频率相对较低,因此极易受到外界各方面因素的影响,因此,为提高手部震颤信号检测结果的准确性,而设置了滤波组件对手部震颤信号进行滤波去噪。
滤波组件包括6阶巴特沃斯带通滤波器及配合使用的陷波器;可以有效滤除意向运动带来的噪声信号和外界工频干扰。正常的意向运动信号,其通常具有与震颤信号不同的频率——大部分的意向运动低于1Hz,例如抬手、抬肘以及其他日常运动等;而工频干扰通常由电力系统导致,对波形的影响尤其明显。配合带通滤波器使用陷波器,可以有效滤除意向运动噪声信号以及工频干扰。
滤波组件还包括平稳小波阈值去噪组件,如图3所示,平稳小波阈值去噪组件依次包括平稳小波变换SWT模块、方差估计模块、小波系数阈值模块及平稳小波SWT逆变换模块,具体的处理过程为:
1)平稳小波变换SWT模块对信号进行SWT变换;
2)方差估计模块估计分解后各层小波系数的噪声方差,得到不同尺度下的阈值;
3)小波系数阈值模块将不同尺度下的小波系数使用阈值函数选取合适的阈值后进行处理;
4)平稳小波SWT逆变换模块重构信号——即SWT逆变换,得到需要的手部震颤信号。
平稳小波阈值去噪组件可以有效去除设备结构、系统回路引入的零偏、温漂、轴间对齐误差、暗电流、散粒噪声、随机噪声、高斯白噪声等。
滤波组件对所述手部震颤信号进行滤波,得到滤波后的手部震颤信号,并发送给特征参数提取组件。
特征参数提取组件基于滤波后的手部震颤信号进行特征提取,其中,手部震颤信号的特征参数包括:谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。而具体的计算方式与本发明第一实施例相同。
需要额外说明的是,选取的特征参数的种类数量越多,计算复杂度越高,分类精度越准确;不同特征参数种类的组合、不同个体情况的病人、不同等级的震颤结果以及不同部位的采集结果,均可能对应了不同的最佳检测方式,因此优选两种或更多种不同的特征参数组合方式进行两次或更多次建模和分类检测。例如,选取谱熵、小波熵与近似熵进行建模和分类检测后,重新选取谱熵、小波熵和排列熵进行建模和分类检测,如果两次检测结果相同,则检测结果可靠性更高。
获得手部震颤信号的特征参数之后,震颤检测建模组件利用已训练的模型及输入的特征参数进行分类,得到手部震颤信号的检测结果。震颤检测建模组件利用训练集训练模型,具体的建模方法已经在本发明第一实施例中阐明,在训练时,可以使用现阶段比较成熟的训练模型包括尤其适于图像识别的卷积神经网络CNN模型、适用弱相关复合特征的深度神经网络DNN模型,另外还可以使用无监督学习的训练模型。最后,手部震颤信号的检测结果包括:震颤等级。
需要说明的是,根据实际需要,可以将本发明第二实施例的检测装置的全部组件集成在可穿戴设备中,不过这无疑将大大增加可穿戴设备的成本,适合医院临床小范围应用;为节省成本考虑,可以仅将加速度计与肌肉电信号差分传感器集成在可穿戴设备中,病人佩戴之后即可进入常规采集工作,而检测装置的其余组件设置在计算机设备或分析仪器中,可穿戴设备利用实时或非实时的无线通信技术,将加速度计与肌肉电信号差分传感器采集的三维加速度数据与肌电数据发送到滤波组件,进行后续的处理。
根据本发明的第三实施例,如附图4所示,提供一种手部震颤检测方法,包括:
步骤1、获取手部震颤信号,手部震颤信号包括三维加速度数据和肌电数据。加速度数据和表面肌电图可以检测震颤神经电生理检测,加速度数据可以协助我们了解震颤的频率、幅度和节律性,肌电图可以用来评估震颤的规律性、爆发模式和持续时间。可以用通过记录一对或多对同步发生运动的肌肉的肌电信号。因此,针对患者的手部震颤信号进行定量分析,对震颤病症的诊断、治疗和康复评价有着非常重要的意义。
在获得手部震颤信号之后,可选地,对手部震颤信号进行滤波步骤,如图5所示,首先进行6阶巴特沃斯带通滤波;其次,配合使用陷波器对带通滤波之后的信号消除工频干扰。滤波之后的信号进行平稳小波去噪:平稳小波SWT变换;估计分解后各层小波系数的噪声方差,得到不同尺度下的阈值;经过阈值函数选取不同尺度下的小波系数合适的阈值;进行SWT逆变换。如在第二实施例中所述,进行6阶巴特沃斯带通滤波以及配合使用陷波器,可以有效滤除意向运动噪声信号以及工频干扰;而平稳小波阈值去噪则包括平稳小波SWT变换、估计分解后各层小波系数的噪声方差得到不同尺度下的阈值、经过阈值函数选取不同尺度下的小波系数合适的阈值以及进行SWT逆变换的步骤,利用平稳小波阈值去噪的方式可以有效去除设备结构、系统回路引入的零偏、温漂、轴间对齐误差、暗电流、散粒噪声、随机噪声、高斯白噪声等。
步骤2、提取手部震颤信号的特征参数。手部震颤信号的特征参数包括:谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。各种特征参数的计算方式已经在本发明第一实施例中给出,此处不再赘述。此外,选取的特征参数的种类数量越多,计算复杂度越高,分类精度越准确;不同特征参数种类的组合、不同个体情况的病人、不同等级的震颤结果以及不同部位的采集结果,均可能对应了不同的最佳检测方式,因此优选两种或更多种不同的特征参数组合方式进行两次或更多次建模和分类检测。例如,选取谱熵、小波熵与近似熵进行建模和分类检测后,重新选取谱熵、小波熵和排列熵进行建模和分类检测,如果两次检测结果相同,则检测结果可靠性更高。
步骤3、利用已训练的模型及特征参数进行分类,得到手部震颤信号的检测结果。其中,通过本发明第一实施例的方法进行检测模型的训练,进而利用已训练的模型及输入的特征参数进行分类,得到手部震颤信号的检测结果,检测结果包括震颤等级。
根据本发明的第四实施例,提供一种计算机可读存储介质,其上存储有计算机可执行指令,当所述计算机可执行指令由处理器执行时,实现本发明第一实施例或第三实施例中的方法。还提供一种计算机设备,其包括存储装置及处理装置,所述存储装置存储有计算机程序,当所述计算机程序被处理装置执行时,使得所述计算机设备实现本发明第一实施例或第三实施例中的方法。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,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 (17)
1.一种用于震颤检测的建模方法,其特征在于,包括:
步骤1:获取不同等级的震颤信号训练样本集,所述震颤信号训练样本集包括加速度训练样本和肌电数据训练样本;
步骤2:分别提取所述震颤信号训练样本集中加速度训练样本和肌电数据训练样本的震颤信号特征参数,所述震颤信号特征参数包括谱熵、小波熵、样本熵、近似熵和排列熵中至少之一;
步骤3:将所述震颤信号特征参数输入训练模型进行训练,得到不同等级的震颤检测模型。
2.根据权利要求1所述的用于震颤检测的建模方法,其特征在于,所述不同等级的震颤信号训练样本集是根据评定表采集的,包括无震颤、轻微震颤、中度震颤、严重震颤和重度震颤五个等级的加速度数据和肌电数据,分别作为所述加速度训练样本和所述肌电数据训练样本。
3.根据权利要求2所述的用于震颤检测的建模方法,其特征在于,所述加速度数据包括三维加速度数据。
4.根据权利要求2或3所述的用于震颤检测的建模方法,其特征在于,所述肌电数据由4个粘贴在手部不同位置的肌肉电信号差分传感器采集获得。
5.根据权利要求1所述的用于震颤检测的建模方法,其特征在于,在进行所述步骤2之前,对所述震颤信号训练样本集中的所述加速度训练样本和肌电数据训练样本进行滤波操作。
6.一种手部震颤检测装置,其特征在于,包括:加速度计、肌肉电信号差分传感器、滤波组件、特征参数提取组件、震颤检测建模组件;其中,
所述加速度计采集三维加速度数据,所述肌肉电信号差分传感器采集肌电数据,所述三维加速度数据和所述肌电数据作为手部震颤信号;
所述滤波组件对所述手部震颤信号进行滤波,得到滤波后的手部震颤信号,并发送给所述特征参数提取组件;
所述特征参数提取组件基于所述滤波后的手部震颤信号进行特征提取,获得手部震颤信号的特征参数,并输入所述震颤检测建模组件;
所述震颤检测建模组件利用已训练的模型及输入的所述特征参数进行分类,得到所述手部震颤信号的检测结果。
7.根据权利要求6所述的手部震颤检测装置,其特征在于,所述滤波组件包括6阶巴特沃斯带通滤波器及配合使用的陷波器。
8.根据权利要求7所述的手部震颤检测装置,其特征在于,所述滤波组件还包括平稳小波阈值去噪组件,所述平稳小波阈值去噪组件依次包括平稳小波变换SWT模块、方差估计模块、小波系数阈值模块及平稳小波SWT逆变换模块。
9.根据权利要求6-8任意一项所述的手部震颤检测装置,其特征在于,所述手部震颤信号的检测结果包括:震颤等级。
10.根据权利要求6-8任意一项所述的手部震颤检测装置,其特征在于,所述手部震颤信号的特征参数包括:谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
11.一种手部震颤检测方法,其特征在于,包括:
步骤1、获取手部震颤信号,所述手部震颤信号包括三维加速度数据和肌电数据;
步骤2、提取所述手部震颤信号的特征参数;以及,
步骤3、利用已训练的模型及所述特征参数进行分类,得到所述手部震颤信号的检测结果。
12.根据权利要求11所述的手部震颤检测方法,其特征在于,在获得手部震颤信号之后,将所述手部震颤信号进行6阶巴特沃斯带通滤波;且,配合使用陷波器对带通滤波之后的信号消除工频干扰。
13.根据权利要求12所述的手部震颤检测方法,其特征在于,对滤波之后的信号依次进行以下操作:
平稳小波SWT变换;
估计分解后各层小波系数的噪声方差,得到不同尺度下的阈值;
经过阈值函数选取不同尺度下的小波系数合适的阈值;
进行SWT逆变换。
14.根据权利要求11-13任意一项所述的手部震颤检测方法,其特征在于,所述手部震颤信号的检测结果包括:震颤等级。
15.根据权利要求11-13任意一项所述的手部震颤检测方法,其特征在于,所述手部震颤信号的特征参数包括:谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
16.一种计算机可读存储介质,其上存储有计算机可执行指令,其特征在于,当所述计算机可执行指令由处理器执行时,实现如权利要求1-5或11-15中任意一项所述的方法。
17.一种计算机设备,其包括存储装置及处理装置,其特征在于,所述存储装置存储有计算机程序,当所述计算机程序被处理装置执行时,使得所述计算机设备实现如权利要求1-5或11-15中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891734.3A CN113609975A (zh) | 2021-08-04 | 2021-08-04 | 一种用于震颤检测的建模方法、手部震颤检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891734.3A CN113609975A (zh) | 2021-08-04 | 2021-08-04 | 一种用于震颤检测的建模方法、手部震颤检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609975A true CN113609975A (zh) | 2021-11-05 |
Family
ID=78339464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110891734.3A Pending CN113609975A (zh) | 2021-08-04 | 2021-08-04 | 一种用于震颤检测的建模方法、手部震颤检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609975A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114424937A (zh) * | 2022-01-26 | 2022-05-03 | 宁波工业互联网研究院有限公司 | 一种用于下肢外骨骼的人体运动意图识别方法与系统 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103315744A (zh) * | 2013-07-01 | 2013-09-25 | 中国科学院合肥物质科学研究院 | 一种手部震颤检测方法 |
JP2014121499A (ja) * | 2012-12-23 | 2014-07-03 | Waseda Univ | 動作支援システム、随意運動認識装置及び随意運動認識プログラム |
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 |
CN113100756A (zh) * | 2021-04-15 | 2021-07-13 | 重庆邮电大学 | 一种基于Stacking的帕金森震颤检测方法 |
-
2021
- 2021-08-04 CN CN202110891734.3A patent/CN113609975A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014121499A (ja) * | 2012-12-23 | 2014-07-03 | Waseda Univ | 動作支援システム、随意運動認識装置及び随意運動認識プログラム |
CN103315744A (zh) * | 2013-07-01 | 2013-09-25 | 中国科学院合肥物质科学研究院 | 一种手部震颤检测方法 |
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 |
CN113100756A (zh) * | 2021-04-15 | 2021-07-13 | 重庆邮电大学 | 一种基于Stacking的帕金森震颤检测方法 |
Non-Patent Citations (2)
Title |
---|
武文豪;吴曦;沈林勇;钱晋武;: "基于可穿戴传感器的帕金森病患者肢体末端震颤的检测", 生物医学工程研究, no. 01, 15 March 2017 (2017-03-15) * |
黄菲菲;张斌;吴丹红;张定国;刘军;: "加速度测量和表面肌电图检测对帕金森病震颤与特发性震颤的鉴别诊断价值", 上海交通大学学报(医学版), no. 01, 28 January 2017 (2017-01-28) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114424937A (zh) * | 2022-01-26 | 2022-05-03 | 宁波工业互联网研究院有限公司 | 一种用于下肢外骨骼的人体运动意图识别方法与系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Classification of the mechanomyogram signal using a wavelet packet transform and singular value decomposition for multifunction prosthesis control | |
Rissanen et al. | Surface EMG and acceleration signals in Parkinson’s disease: feature extraction and cluster analysis | |
Gupta et al. | A comparison of ECG signal pre-processing using FrFT, FrWT and IPCA for improved analysis | |
Singh et al. | A review of EMG techniques for detection of gait disorders | |
CN113609975A (zh) | 一种用于震颤检测的建模方法、手部震颤检测装置及方法 | |
Vijayvargiya et al. | Human lower limb activity recognition techniques, databases, challenges and its applications using sEMG signal: an overview | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
Pauk | 419. Different techniques for EMG signal processing. | |
Alaskar et al. | Prediction of Parkinson disease using gait signals | |
CN116784860B (zh) | 基于形态学心拍模板聚类的心电信号特征提取系统 | |
Phinyomark et al. | Applications of variance fractal dimension: A survey | |
Erin et al. | Spectral Analysis of Cardiogenic Vibrations to Distinguish Between Valvular Heart Diseases. | |
Iadarola et al. | A new method for sEMG envelope detection from reduced measurements | |
Dubey et al. | A neural network approach for ECG classification | |
CN113616194B (zh) | 一种监测手部震颤频率和强度的装置及方法 | |
Norali | Human breathing classification using electromyography signal with features based on mel-frequency cepstral coefficients | |
Chung et al. | Spatial feature extraction from wrist pulse signals | |
Wilk et al. | Assessment of a hand tremor based on analysis of the accelerometer signal | |
Saljuqi et al. | Combining homomorphic filtering and recurrent neural network in gait signal analysis for neurodegenerative diseases detection | |
KR20220158462A (ko) | 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법 | |
Kandukuri et al. | Constant Q–Transform–Based Deep Learning Architecture for Detection of Obstructive Sleep Apnea | |
Vadivu et al. | An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal | |
Naik et al. | Source Separation and Identification issues in bio signals: A solution using Blind source separation | |
Malhotra et al. | Mental stress assessment of ECG signal using statistical analysis of bio-orthogonal wavelet coefficients |
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 |