CN113747831A - 基于用户设备的帕金森病检测 - Google Patents

基于用户设备的帕金森病检测 Download PDF

Info

Publication number
CN113747831A
CN113747831A CN202080030139.4A CN202080030139A CN113747831A CN 113747831 A CN113747831 A CN 113747831A CN 202080030139 A CN202080030139 A CN 202080030139A CN 113747831 A CN113747831 A CN 113747831A
Authority
CN
China
Prior art keywords
user device
user
updrs
sensor data
updrs value
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
CN202080030139.4A
Other languages
English (en)
Inventor
韩连漪
谭辉
谢于晟
林斯姚
钱真
霍志敏
范伟
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.)
Tencent America LLC
Original Assignee
Tencent America LLC
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 Tencent America LLC filed Critical Tencent America LLC
Publication of CN113747831A publication Critical patent/CN113747831A/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
    • A61B5/40—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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/103—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
    • A61B5/1124—Determining motor skills
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Abstract

一种用于通过用户设备提供统一帕金森病评定量表(UPDRS)值的方法和用户设备，所述方法包括：由用户设备的传感器基于用户设备的用户操纵用户设备而生成传感器数据；基于传感器数据和深度神经网络(DNN)模型来确定UPDRS值；提供UPDRS值，以允许基于UPDRS值对用户进行评估。

Description

基于用户设备的帕金森病检测
相关申请的交叉引用
本申请要求于2019年6月5日在美国专利商标局提交的第16/431,828号美国专利申请的优先权，该美国专利申请通过引用整体并入本文。
背景技术
帕金森病是主要影响运动系统的长期和渐进性中枢神经系统疾病。运动相关症状逐渐显现，通常是只有一只手几乎不明显地震颤，随着时间的推移逐渐恶化。在帕金森病的早期阶段，诸如震颤、抖动、运动缓慢、僵硬等运动相关症状非常常见。在后期阶段，随着疾病的发展，可出现非运动症状。患者可经历行走困难以及与思维和行为相关的症状，例如感觉困难、睡眠障碍和情绪问题。简言之，运动问题是帕金森病的主要症状。对症状和疾病阶段的评估已成为临床实践中的主要焦点。
发明内容
根据本公开的一方面，提供一种用于确定与用户设备的用户相关联的统一帕金森病评定量表(UPDRS)值的方法，所述方法由用户设备执行，包括：由用户设备的传感器基于用户设备的用户操纵用户设备而生成传感器数据；在基于用户设备的用户操纵用户设备而生成传感器数据之后，由用户设备的处理器基于传感器数据和深度神经网络(DNN)模型来确定UPDRS值；以及在确定UPDRS值之后，由用户设备的处理器提供UPDRS值，以允许基于UPDRS值对用户进行评估。
根据本公开的一方面，提供一种用户设备，包括：至少一个存储器，配置成存储程序代码；至少一个处理器，配置成读取程序代码并按照程序代码的指令进行操作，程序代码包括：接收代码，配置成使得至少一个处理器从用户设备的传感器接收基于用户设备的用户操纵用户设备而生成的传感器数据；确定代码，配置成使得至少一个处理器在接收到基于用户设备的用户操纵用户设备而生成的传感器数据之后，基于传感器数据和深度神经网络(DNN)模型来确定统一帕金森病评定量表(UPDRS)值；以及提供代码，配置成使得至少一个处理器在确定UPDRS值之后，提供UPDRS值，以允许基于UPDRS值对用户进行评估。
根据一些可能的实现方式，一种非暂时性计算机可读介质，存储指令，该指令包括一个或多个指令，一个或多个指令在由用户设备的一个或多个处理器执行时，使得一个或多个处理器：从用户设备的传感器接收基于用户设备的用户操纵用户设备而生成的传感器数据；在接收到基于用户设备的用户操纵用户设备而生成的传感器数据之后，基于传感器数据和深度神经网络(DNN)模型来确定统一帕金森病评定量表(UPDRS)值；以及在确定UPDRS值之后，提供UPDRS值，以允许基于UPDRS值对用户进行评估。
附图说明
图1是本申请描述的示例实现方式的概略图；
图2是可实现本申请描述的系统和/或方法的示例环境的图；
图3是图2的一个或多个设备的示例组件的图；以及
图4是用于确定与用户设备的用户相关联的统一帕金森病评定量表(UPDRS)值的示例过程的流程图。
具体实施方式
在2015年，620万人受到帕金森病的影响，这还导致全球117400人死亡。帕金森病常见于年龄在60岁以上的人中，其中约1％的人口受到影响。诊断后的平均寿命预期在7至14年之间。帕金森病对社会造成的成本很高，且帕金森病降低了患有该病的人及其护理者的生活质量。因此，本公开利用用户设备的一个或多个运动传感器来监测与帕金森病相关的运动的发展，从而以易于取得且易于使用的健康监测工具来辅助患者及其护理者。
使用深度神经网络(DNN)方法的序列数据分析的最近进展已取得显著进步。另外，强大的移动设备的流行已达到一个点，其中基于人工智能(AI)的应用可被大多数普通公众访问。通过允许用户设备用作辅助医疗诊断工具，本公开尝试初步筛查与运动相关的帕金森病症状的征兆。本公开尤其允许如下益处：对帕金森病运动相关症状进行评估；提供如在统一帕金森病评定量表(UPDRS)临床测试中范围在0-4的多种类型的运动测试；以及提供易于安装且不需要用户设备的额外硬件要求的移动应用。
本公开的医疗诊断辅助应用配置成定期、定量地测量帕金森病患者的疾病状态。诸如加速度计、陀螺仪传感器等的运动传感器已有效地嵌入诸如移动电话、智能手表等的大多数现代用户设备中。
多维运动数据能够以10Hz至50Hz的采样率测量紧紧附接到用户设备的身体的运动，该采样率足以定量地测量帕金森病患者的运动功能。特别是近年来，在分析时间序列数据方面，DNN和长短期记忆网络(LSTM)的进展显示出有希望的结果，从而增强了进行更准确的基于AI的帕金森病运动分析的可能性。
本公开解决了如下挑战：(1)错误诊断和假阳性之间的权衡；(2)通过基于AI的数据分析处理流水线进行通信的前端和后端的架构。
本公开解决了涉及给现实提供AI驱动的高级技术的技术障碍，并提供可访问且易于使用的实际应用。本公开将AI服务和客户端应用分成它们自己的、自独立和松散耦合的组件。AI服务和客户端传感器收集模块的分离允许以并行方式开发、测试和部署多个组件。此外，通过这种配置，用户设备可通过免去执行计算成本昂贵的计算的需要来节省处理和硬件资源，其中用户设备的计算力和能力可以是约束因子。由于执行客户端应用的用户设备能够执行运动测试和数据收集，因此用户能够获得在诸如家庭护理环境之类的方便位置处执行测试的灵活性。
本公开针对允许用户设备进行精确和实时测试的实际应用。
所提出的公开内容提供初步筛查工具，用于通过评估运动功能来较早检测帕金森病。此外，本公开允许定期监测帕金森病的状态，以获得更好的患者护理和管理。根据本公开的第一场景，健康护理专业人员能够使用UPDRS评分系统定量地评估帕金森病，且在需要时长期评估帕金森病。根据本公开的另一场景，用户可周期性地执行对运动功能障碍的早期征兆的评估。
模型是使用基于单向LSTM的DNN的端到端深度学习模型，DNN利用按相继顺序的运动传感器时间序列数据。
应用架构遵循模型-视图-视图模型(MVVM)，其中数据模型不同于上述DNN模型。DNN模型用于在应用生命周期期间的推理，且在数据模型和DNN模型之间提供通信，其中数据模型和DNN模型都馈送给观看者模型。观看者模型配置成通过数据绑定来服务于用户界面(UI)。DNN模型可存储在云和/或本地移动设备上。
例如，以10hz-50hz的可调节速率实时记录运动传感器数据，且可以在用户设备上在本地分析运动传感器数据，或者通过云服务远程分析运动传感器数据。作为示例，在评估传感器数据之后提供0-4的分数。该分数与MDS-UPDRS，即用于帕金森病状态评估的帕金森运动评定量表相关。
根据一个实施例，利用用户设备的内置陀螺仪传感器和加速度计以及预定手势和运动引导来记录传感器数据。
帕金森病的定量和持续监测对于帕金森病护理者来说仍然是一个挑战。本公开允许通过易于取得且易于使用的应用来实现患者管理，这使得健康监测成为可能且方便。
本公开给改进的治疗计划提供一些见解，并最终改善帕金森病患者的生活质量。本公开提供一种基于AI的移动应用，用户可利用该移动应用在帕金森病筛查之前评估运动功能。DNN模型的成功可进一步扩展用于促进全面诊断的应用。可采用该应用的MVVM设计来随着时间的推移输送更好的DNN模型，最终使移动设备成为可靠且易于使用的健康监测工具，从而能够填补进行在线诊断的新兴市场。
图1是本申请描述的实施例的概略图。如图1所示，用户设备100(例如，移动电话)可确定与用户设备100的用户相关联的统一帕金森病评定量表(UPDRS)值。例如，用户设备100可执行应用，该应用允许用户设备100确定与操纵用户设备100的用户相关联的UPDRS值。
用户可对应于正在针对帕金森病进行测试、正在针对帕金森病的症状进行监测等的人。在这种情况下，用户设备100可通过确定用户的UPDRS值来执行允许对用户进行评估的应用。
如图1所示，用户设备100的传感器(例如，加速度计、陀螺仪等)可基于用户设备的用户操纵用户设备100而生成传感器数据110。例如，用户设备100可经由输出组件(例如，显示器、扬声器等)提供如下提示，该提示指示用户以特定方式操纵用户设备100。作为特定示例，该提示可指示用户保持电话相对静止、执行预定手势或动作等。响应于用户操纵用户设备100，用户设备100的传感器可生成传感器数据。
进一步如图1所示，用户设备100的处理器可确定是否满足测量条件120。例如，测量条件可对应于已过去的时间的阈值量、所生成的传感器数据的阈值量、所执行的预定手势、所生成的准确传感器数据的阈值量、所完成的一组提示等。如图1所示，作为一个特定示例，测量条件可对应于从用户设备100开始测量传感器数据、从用户使应用程序执行、从传感器开始生成数据等起，过去了15秒。
进一步如图1所示，用户设备100的处理器可基于传感器数据和深度神经网络(DNN)模型来确定UPDRS值130。例如，用户设备100可将所生成的传感器数据输入到DNN模型，并基于模型的输出来确定UPDRS值130。UPDRS值130可包括运动障碍协会(MDS)UPDRS值，且可包括来自1、2、3、4等的值。
用户设备100可从基于云的平台(例如，服务器)接收训练的模型，并存储该模型。以这种方式，用户设备100可通过减少执行计算成本昂贵的计算的需要来节省处理器和/或存储器资源。基于云的平台可利用机器学习技术来分析数据并生成模型。例如，基于云的平台可分析数百万数据点、数十亿数据点、数万亿数据点等，并生成将传感器数据和UPDRS值相关联的模型。以这种方式，用户设备100可接收该模型，并结合允许确定UPDRS值130的应用利用该模型。
进一步如图1所示，用户设备100的处理器可提供UPDRS值130，以允许基于UPDRS值130对用户进行评估。例如，用户设备100可经由输出组件(例如，用户接口)提供信息，该信息识别UPDRS值130以允许用户、医生、护理者、医疗人员等识别UPDRS值。
在其他情况下，用户设备100可经由网络实时地给一组其他设备提供UPDRS值130。在一些实现方式中，用户设备100可以以标准化格式提供UPDRS值130，以允许基于UPDRS值来更新各种数据库和记录。
用户设备100可使用标准化技术来标准化UPDRS值130，使得一组设备均可利用UPDRS值130。
用户设备100可收集用户的医疗信息，并将医疗信息转换和合并成标准化格式。此外，用户设备100可生成与标准化格式相关联的UPDRS值130。用户设备100可将标准化的UPDRS值130存储在一组基于网络的存储设备(例如，基于云的平台)中，且每当生成、更新UPDRS值等时生成消息，该消息可通知健康护理提供者、医生、医疗人员、患者等。
此外，用户设备100可实时地(例如，基本上与UPDRS值130的生成同时)给一组设备提供UPDRS值130，以允许一组设备实时地更新和/或利用UPDRS值130。以这种方式，一组设备的各用户可立即访问用户的最新UPDRS值130。
以这种方式，且与不同医疗提供者相关联的非标准化医疗信息相比，本文的一些实现方式允许实时地生成标准化医疗信息和/或UPDRS值130并给多个不同设备提供标准化医疗信息和/或UPDRS值130，从而允许不同用户共享医疗信息和/或UPDRS值130。
此外，以这种方式，本文的一些实现方式允许实时地提供完整且准确的医疗信息和/或UPDRS值130。与多个不同的医疗人员具有不完整或不准确的医疗或诊断信息的情况相比，本文的一些实现方式允许在医疗人员之间传播且容易共享完整且准确的医疗信息和UPDRS值130。
图2是可实现本申请描述的系统和/或方法的示例环境200的图。如图2所示，环境200可包括用户设备210、平台220和网络230。环境200的设备可通过有线连接、无线连接或者有线连接和无线连接的组合来互连。
用户设备210包括能够接收、生成、存储、处理和/或提供与平台220相关联的信息的一个或多个设备。例如，用户设备210可包括计算设备(例如，台式计算机、膝上型计算机、平板计算机、手持式计算机、智能扬声器、服务器等)、移动电话(例如，智能电话、无线电话等)、可穿戴设备(例如，一对智能眼镜或智能手表)或类似设备。在一些实现方式中，用户设备210可从平台220接收信息和/或向平台220发送信息。
平台220包括能够确定与用户设备的用户相关联的统一帕金森病评定量表(UPDRS)值的一个或多个设备，如在本文的其他地方所描述的。在一些实现方式中，平台220可包括云服务器或一组云服务器。在一些实现方式中，平台220可设计成模块化平台，使得某些软件组件可根据特定需要而换入或换出。因此，平台220可容易地和/或快速地针对不同用途来重新配置。
在一些实现方式中，如图所示，平台220可托管在云计算环境222中。应注意，虽然本文描述的实现方式将平台220描述成托管在云计算环境222中，但是在一些实现方式中，平台220不基于云(即，可以在云计算环境之外实现)或者可部分地基于云。
云计算环境222包括托管平台220的环境。云计算环境222可提供不需要终端用户(例如，用户设备210)知道托管平台220的系统和/或设备的物理位置和配置的计算、软件、数据访问、存储等服务。如图所示，云计算环境222可包括一组计算资源224(这一组计算资源统称为“计算资源224”，单独一个计算资源称为“计算资源224”)。
计算资源224包括一个或多个个人计算机、工作站计算机、服务器设备或其他类型的计算和/或通信设备。在一些实现方式中，计算资源224可控制平台220。云资源可包括在计算资源224中运行的计算实例、在计算资源224中提供的存储设备、由计算资源224提供的数据传输设备等。在一些实现方式中，计算资源224可通过有线连接、无线连接或者有线连接和无线连接的组合与其他计算资源224通信。
进一步如图2所示，计算资源224包括一组云资源，例如一个或多个应用(“APP”)224-1、一个或多个虚拟机(“VM”)224-2、虚拟化存储器(“VS”)224-3、一个或多个管理程序(“HYP”)224-4等。
应用224-1包括可提供给用户设备210和/或传感器设备220或者由用户设备210和/或传感器设备220访问的一个或多个软件应用。应用224-1可消除在用户设备210上安装和运行软件应用的需要。例如，应用224-1可包括与平台220相关联的软件和/或能够通过云计算环境222提供的任何其他软件。在一些实现方式中，一个应用224-1可通过虚拟机224-2向一个或多个其他应用224-1发送信息/从一个或多个其他应用224-1接收信息。
虚拟机224-2包括运行程序的机器(例如，计算机)的软件实现，类似于物理机。根据虚拟机224-2对任何实际机器的对应程度和用途，虚拟机224-2可以是系统虚拟机或过程虚拟机。系统虚拟机可提供支持完整操作系统(“OS”)的运行的完整系统平台。过程虚拟机可运行单个程序，且可支持单个过程。在一些实现方式中，虚拟机224-2可代表用户(例如，用户设备210)运行，且可管理云计算环境222的基础设施，例如数据管理、同步或长时间数据传输。
虚拟化存储器224-3包括在计算资源224的存储系统或设备内使用虚拟化技术的一个或多个存储系统和/或一个或多个设备。在一些实现方式中，在存储系统的环境中，虚拟化的类型可包括块虚拟化和文件虚拟化。块虚拟化可指的是逻辑存储与物理存储的抽象化(或分离)，使得可以在不考虑物理存储或异构结构的情况下访问存储系统。分离可允许存储系统的管理员在管理员如何管理终端用户的存储方面具有灵活性。文件虚拟化可消除以文件级别访问的数据与物理地存储文件的位置之间的依赖性。这可使得存储器使用、服务器整合和/或无干扰文件迁移性能得到优化。
管理程序224-4可提供硬件虚拟化技术，硬件虚拟化技术允许多个操作系统(例如，“客户操作系统”)在主控计算机例如计算资源224上同时运行。管理程序224-4可给客户操作系统呈现虚拟操作平台，且可管理客户操作系统的运行。各操作系统的多个实例可共享虚拟化硬件资源。
网络230包括一个或多个有线网络和/或无线网络。例如，网络230可包括蜂窝网络(例如，第五代(5G)网络、长期演进(LTE)网络、第三代(3G)网络、码分多址(CDMA)网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网(例如，公共交换电话网(PSTN))、专用网络、自组织网络、内部网、因特网、基于光纤的网络等，和/或这些或其他类型网络的组合。
图2所示的设备和网络的数量和布置作为示例来提供。在实践中，可存在额外的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或与图2所示的设备和/或网络不同地布置的设备和/或网络。此外，图2所示的两个或更多个设备可以在单个设备内实现，或者图2所示的单个设备可实现为多个分布式设备。另外或者替代地，环境200的一组设备(例如，一个或多个设备)可执行被描述成由环境200的另一组设备执行的一个或多个功能。
图3是设备300的示例组件的图。设备300可对应于用户设备210和/或平台220。如图3所示，设备300可包括总线310、处理器320、存储器330、存储组件340、输入组件350、输出组件360和通信接口370。
总线310包括允许设备300的组件之间进行通信的组件。处理器320以硬件、固件或者硬件和软件的组合来实现。处理器320是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或另一类型的处理组件。在一些实现方式中，处理器320包括能够被编程以执行功能的一个或多个处理器。存储器330包括随机存取存储器(RAM)、只读存储器(ROM)和/或另一类型的动态或静态存储设备(例如，闪存、磁性存储器和/或光学存储器)，其存储供处理器320使用的信息和/或指令。
存储组件340存储与设备300的操作和使用相关的信息和/或软件。例如，存储组件340可包括硬盘(例如，磁盘、光盘、磁光盘和/或固态盘)、光碟(CD)、数字通用盘(DVD)、软盘、盒式磁带、磁带和/或另一类型的非暂时性计算机可读介质、以及相应的驱动器。
输入组件350包括允许设备300接收信息的组件，该信息例如通过用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)输入。另外或者替代地，输入组件350可包括用于感测信息的传感器(例如，全球定位系统(GPS)组件、加速度计、陀螺仪和/或致动器)。输出组件360包括提供来自设备300的输出信息的组件(例如，显示器、扬声器和/或一个或多个发光二极管(LED))。
通信接口370包括类似收发器的组件(例如，收发机和/或单独的接收机和发射机)，其使得设备300能够与其他设备通信，例如通过有线连接、无线连接或者有线连接和无线连接的组合与其他设备通信。通信接口370可允许设备300从另一设备接收信息和/或向另一设备提供信息。例如，通信接口370可包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。
设备300可执行本文描述的一个或多个过程。设备300可响应于处理器320运行由诸如存储器330和/或存储组件340的非暂时性计算机可读介质存储的软件指令，来执行这些过程。在本文中，计算机可读介质定义为非暂时性存储器设备。存储器设备包括单个物理存储设备内的存储器空间或者分布在多个物理存储设备上的存储器空间。
软件指令可通过通信接口370从另一计算机可读介质读入存储器330和/或存储组件340中，或者从另一设备读入存储器330和/或存储组件340中。当运行时，存储在存储器330和/或存储组件340中的软件指令可使得处理器320执行本文描述的一个或多个过程。另外或者替代地，可使用硬连线电路来代替软件指令或者与软件指令组合，来执行本文描述的一个或多个过程。因此，本文描述的实现方式不限于硬件电路和软件的任何特定组合。
图3所示的组件的数量和布置作为示例来提供。在实践中，设备300可包括额外的组件、更少的组件、不同的组件、或与图3所示的组件不同地布置的组件。另外或者替代地，设备300的一组组件(例如，一个或多个组件)可执行被描述成由设备300的另一组组件执行的一个或多个功能。
图4是用于确定与用户设备的用户相关联的统一帕金森病评定量表(UPDRS)值的示例过程400的流程图。在一些实现方式中，可由用户设备210执行图4的一个或多个过程块。在一些实现方式中，可由与用户设备210分离或包括用户设备210的另一设备或一组设备(例如，平台220)执行图4的一个或多个过程块。
如图4所示，过程400可包括由用户设备的传感器基于用户设备的用户操纵用户设备而生成传感器数据(框410)。
进一步如图4所示，过程400可包括由用户设备的处理器确定是否满足测量条件(框420)。
进一步如图4所示，如果不满足测量条件(框420-否)，则过程400可包括生成额外的传感器数据(返回框410)。
进一步如图4所示，如果满足测量条件(框420-是)，则过程400可包括由用户设备的处理器基于传感器数据和深度神经网络(DNN)模型来确定UPDRS值(框430)。
进一步如图4所示，过程400可包括由用户设备的处理器提供UPDRS值，以允许基于UPDRS值对用户进行评估(框440)。
虽然图4示出了过程400的示例块，但是在一些实现方式中，过程400可包括额外的块、更少的块、不同的块、或与图4所描绘的块不同地布置的块。另外或者替代地，可并行地执行过程400的两个或更多个块。
前述公开内容提供了说明和描述，但是不旨在穷举或将实现方式限制为所公开的精确形式。可根据上述公开内容进行修改和变化，或者可从实现方式的实践中获得修改和变化。
如本文所使用的，术语“组件”旨在广义地解释为硬件、固件或者硬件和软件的组合。
显然，本文描述的系统和/或方法可以以不同形式的硬件、固件或者硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实现方式。因此，在本文中未参考特定的软件代码来描述系统和/或方法的操作和行为-应理解，软件和硬件可设计成实现基于本文的描述的系统和/或方法。
即使在权利要求中记载和/或在说明书中公开特征的特定组合，这些组合并不旨在限制可能的实现方式的公开。实际上，这些特征中的许多特征可以以未在权利要求中具体记载和/或在说明书中公开的方式组合。虽然下面列出的每个从属权利要求可仅直接从属于一个权利要求，但是可能的实现方式的公开包括每个从属权利要求与权利要求集中的每一个其他权利要求的组合。
除非本身明确地描述，否则本文使用的元素、动作或指令不应理解为至关重要或必要的。此外，如本文所使用的，冠词“一”和“一个”旨在包括一个或多个项目，且可与“一个或多个”互换地使用。此外，如本文所使用的，术语“集”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关项目和不相关项目的组合等)，且可与“一个或多个”互换地使用。在意图仅是一个项目的情况下，使用术语“一”或类似的语言。此外，如本文所使用的，术语“具有”、“有”、“含有”或类似术语旨在是开放式术语。此外，短语“基于”的意思旨在是“至少部分地基于”，除非另有明确说明。

Claims (20)

1.一种用于确定与用户设备的用户相关联的统一帕金森病评定量表UPDRS值的方法，所述方法由所述用户设备执行，所述方法包括：
由所述用户设备的传感器基于所述用户设备的用户操纵所述用户设备而生成传感器数据；
在基于所述用户设备的用户操纵所述用户设备而生成所述传感器数据之后，由所述用户设备的处理器基于所述传感器数据和深度神经网络DNN模型来确定所述UPDRS值；以及
在确定所述UPDRS值之后，由所述用户设备的所述处理器提供所述UPDRS值，以允许基于所述UPDRS值对所述用户进行评估。
2.根据权利要求1所述的方法，其特征在于，所述传感器是加速度计。
3.根据权利要求1所述的方法，其特征在于，所述传感器是陀螺仪。
4.根据权利要求1所述的方法，其特征在于，所述UPDRS值是运动障碍协会MDS UPDRS值。
5.根据权利要求1所述的方法，其特征在于，所述UPDRS值是零、一、二、三或四中的至少一个。
6.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
从服务器设备接收所述DNN模型；
其中，由所述用户设备基于所述传感器数据和DNN模型来确定所述UPDRS值，包括：基于从所述服务器设备接收所述DNN模型来确定所述UPDRS值。
7.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
经由所述用户设备的输出组件提供对预定手势的提示；
其中，由所述用户设备的传感器基于所述用户设备的用户操纵所述用户设备而生成传感器数据，包括：基于经由所述用户设备的输出组件提供对所述预定手势的提示，而生成所述传感器数据。
8.一种用户设备，包括：
至少一个存储器，配置成存储程序代码；
至少一个处理器，配置成读取所述程序代码并按照所述程序代码的指令进行操作，所述程序代码包括：
接收代码，配置成使得所述至少一个处理器从所述用户设备的传感器接收基于所述用户设备的用户操纵所述用户设备而生成的传感器数据；
确定代码，配置成使得所述至少一个处理器在接收到基于所述用户设备的用户操纵所述用户设备而生成的所述传感器数据之后，基于所述传感器数据和深度神经网络DNN模型来确定统一帕金森病评定量表UPDRS值；以及
提供代码，配置成使得所述至少一个处理器在确定所述UPDRS值之后，提供所述UPDRS值，以允许基于所述UPDRS值对所述用户进行评估。
9.根据权利要求8所述的用户设备，其特征在于，所述传感器是加速度计。
10.根据权利要求8所述的用户设备，其特征在于，所述传感器是陀螺仪。
11.根据权利要求8所述的用户设备，其特征在于，所述UPDRS值是运动障碍协会MDSUPDRS值。
12.根据权利要求8所述的用户设备，其特征在于，所述UPDRS值是零、一、二、三或四中的至少一个。
13.根据权利要求8所述的用户设备，其特征在于，
所述接收代码，进一步配置成使得所述至少一个处理器从服务器设备接收所述DNN模型；以及
所述确定代码，进一步配置成使得所述至少一个处理器基于从所述服务器设备接收所述DNN模型，而基于所述传感器数据和所述DNN模型来确定所述UPDRS值。
14.根据权利要求8所述的用户设备，其特征在于，
所述提供代码，进一步配置成使得所述至少一个处理器经由所述用户设备的输出组件提供对预定手势的提示；以及
所述接收代码，进一步配置成基于经由所述用户设备的输出组件提供对所述预定手势的提示，而从所述用户设备的传感器接收所述传感器数据。
15.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质存储指令，所述指令包括一个或多个指令，所述一个或多个指令在由用户设备的一个或多个处理器执行时，使得所述一个或多个处理器：
从所述用户设备的传感器接收基于所述用户设备的用户操纵所述用户设备而生成的传感器数据；
在接收到基于所述用户设备的用户操纵所述用户设备而生成的所述传感器数据之后，基于所述传感器数据和深度神经网络DNN模型来确定统一帕金森病评定量表UPDRS值；以及
在确定所述UPDRS值之后，提供所述UPDRS值，以允许基于所述UPDRS值对所述用户进行评估。
16.根据权利要求15所述的非暂时性计算机可读介质，其特征在于，所述传感器是加速度计。
17.根据权利要求15所述的非暂时性计算机可读介质，其特征在于，所述传感器是陀螺仪。
18.根据权利要求15所述的非暂时性计算机可读介质，其特征在于，所述UPDRS值是运动障碍协会MDS UPDRS值。
19.根据权利要求15所述的非暂时性计算机可读介质其特征在于，所述一个或多个指令，进一步配置成使得所述一个或多个处理器：
从服务器设备接收所述DNN模型；以及
使得所述一个或多个处理器基于所述传感器数据和DNN模型来确定所述UPDRS值的所述一个或多个指令，配置成进一步使得所述一个或多个处理器：基于从所述服务器设备接收所述DNN模型而确定所述UPDRS值。
20.根据权利要求15所述的非暂时性计算机可读介质，其特征在于，所述UPDRS值是零、一、二、三或四中的至少一个。
CN202080030139.4A 2019-06-05 2020-03-27 基于用户设备的帕金森病检测 Pending CN113747831A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/431,828 US11607167B2 (en) 2019-06-05 2019-06-05 User device based parkinson disease detection
US16/431,828 2019-06-05
PCT/US2020/025282 WO2020247047A1 (en) 2019-06-05 2020-03-27 User device based parkinson disease detection

Publications (1)

Publication Number Publication Date
CN113747831A true CN113747831A (zh) 2021-12-03

Family

ID=73651855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080030139.4A Pending CN113747831A (zh) 2019-06-05 2020-03-27 基于用户设备的帕金森病检测

Country Status (5)

Country Link
US (1) US11607167B2 (zh)
EP (1) EP3934521A4 (zh)
JP (1) JP2022525750A (zh)
CN (1) CN113747831A (zh)
WO (1) WO2020247047A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224296A (zh) * 2022-01-13 2022-03-25 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113693561B (zh) * 2021-08-26 2023-08-25 深圳平安智慧医健科技有限公司 基于神经网络的帕金森病预测设备、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130123684A1 (en) * 2008-10-14 2013-05-16 Great Lakes Neurotechnologies Inc. Method and system for tuning of movement disorder therapy devices
US9289603B1 (en) * 2012-09-10 2016-03-22 Great Lakes Neuro Technologies Inc. Movement disorder therapy system, devices and methods, and methods of remotely tuning
CN109480858A (zh) * 2018-12-29 2019-03-19 中国科学院合肥物质科学研究院 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法
US20190110736A1 (en) * 2017-10-17 2019-04-18 Beneufit, Inc. Measuring body movement in movement disorder disease
US20190110754A1 (en) * 2017-10-17 2019-04-18 Satish Rao Machine learning based system for identifying and monitoring neurological disorders

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8702629B2 (en) 2005-03-17 2014-04-22 Great Lakes Neuro Technologies Inc. Movement disorder recovery system and method for continuous monitoring
US9414776B2 (en) 2013-03-06 2016-08-16 Navigated Technologies, LLC Patient permission-based mobile health-linked information collection and exchange systems and methods
JP2016106948A (ja) * 2014-12-09 2016-06-20 シャープ株式会社 歩数計測装置、歩行機能判定装置および歩数計測システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130123684A1 (en) * 2008-10-14 2013-05-16 Great Lakes Neurotechnologies Inc. Method and system for tuning of movement disorder therapy devices
US9289603B1 (en) * 2012-09-10 2016-03-22 Great Lakes Neuro Technologies Inc. Movement disorder therapy system, devices and methods, and methods of remotely tuning
US20190110736A1 (en) * 2017-10-17 2019-04-18 Beneufit, Inc. Measuring body movement in movement disorder disease
US20190110754A1 (en) * 2017-10-17 2019-04-18 Satish Rao Machine learning based system for identifying and monitoring neurological disorders
CN109480858A (zh) * 2018-12-29 2019-03-19 中国科学院合肥物质科学研究院 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224296A (zh) * 2022-01-13 2022-03-25 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估方法
CN114224296B (zh) * 2022-01-13 2023-07-21 福州大学 基于可穿戴式传感装置的帕金森运动症状量化评估系统

Also Published As

Publication number Publication date
US20200383625A1 (en) 2020-12-10
EP3934521A1 (en) 2022-01-12
WO2020247047A1 (en) 2020-12-10
US11607167B2 (en) 2023-03-21
JP2022525750A (ja) 2022-05-19
EP3934521A4 (en) 2022-07-13

Similar Documents

Publication Publication Date Title
US10623932B2 (en) Detecting trigger conditions to dynamically update a model based on sensor data in a fog computing environment
CA3091957C (en) Consumer application for mobile assessment of functional capacity and falls risk
US11076798B2 (en) System and method for non-invasive and non-contact measurement in early therapeutic intervention
US20160128618A1 (en) Diagnostic apparatus using habit, diagnosis management apparatus, and diagnostic method using same
US10861593B1 (en) Utilizing a machine learning model to identify unhealthy online user behavior and to cause healthy physical user behavior
US20220245812A1 (en) Platform to detect patient health condition based on images of physiological activity of a patient
CN113747831A (zh) 基于用户设备的帕金森病检测
US11672467B2 (en) User device based Parkinson's disease detection
US11763944B2 (en) System and method for clinical decision support system with inquiry based on reinforcement learning
KR102166440B1 (ko) 치매정도 진단을 위한 균형감각분석 시스템 및 방법
KR102172037B1 (ko) 소아의 adhd정도 진단을 위한 활동량 분석 시스템 및 방법
WO2022212324A1 (en) Improved health management through causal relationship based feedback on behavior and health metrics captured by iot
US11103142B2 (en) System and method for predicting vertebral artery dissection
US20230170095A1 (en) Gait-based mobility analysis
KR102575980B1 (ko) 신경계 관련 질병의 판단 및 진행속도 추정을 위한 환자의 환자정보와 보행정보를 처리하는 방법 및 장치
Ollero et al. Mobile health system for evaluation of breast cancer patients during treatment and recovery phases
US20200327992A1 (en) Artificial intelligence aided bug bite and transmitted disease identification
KR20190009102A (ko) 사용자 능력을 증강시키는 증강 휴먼 서비스 제공 방법 및 그 시스템
Băjenaru et al. Clinically-validated technologies for older adults' quality of life self-management: vINCI ecosystem
Forkan et al. MobDL: A framework for profiling deep learning models: A case study using mobile digital health applications
EP3339810A1 (en) Detecting trigger conditions to dynamically update a model based on sensor data in a fog computing environment
Reyes Ortiz et al. Human activity dataset generation
Howe Cloud-Enabled Health Monitoring on an Android Device

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
CB03 Change of inventor or designer information

Inventor after: Han Lianyi

Inventor after: Tang Hui

Inventor after: Xie Yucheng

Inventor after: Lin Siyao

Inventor after: Qian Zhen

Inventor after: Huo Zhimin

Inventor after: Fan Wei

Inventor before: Han Lianyi

Inventor before: Tan Hui

Inventor before: Xie Yucheng

Inventor before: Lin Siyao

Inventor before: Qian Zhen

Inventor before: Huo Zhimin

Inventor before: Fan Wei

CB03 Change of inventor or designer information