CN113855570B - 帕金森病服药提醒方法、系统、电子设备及存储介质 - Google Patents
帕金森病服药提醒方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113855570B CN113855570B CN202111160741.2A CN202111160741A CN113855570B CN 113855570 B CN113855570 B CN 113855570B CN 202111160741 A CN202111160741 A CN 202111160741A CN 113855570 B CN113855570 B CN 113855570B
- Authority
- CN
- China
- Prior art keywords
- tremor
- data
- tremor data
- parkinsonian
- frequency
- 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.)
- Active
Links
- 239000003814 drug Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000018737 Parkinson disease Diseases 0.000 title claims description 21
- 206010044565 Tremor Diseases 0.000 claims abstract description 496
- 208000027089 Parkinsonian disease Diseases 0.000 claims abstract description 83
- 206010034010 Parkinsonism Diseases 0.000 claims abstract description 83
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims description 106
- 239000013598 vector Substances 0.000 claims description 49
- 230000009467 reduction Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 31
- 239000012634 fragment Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 26
- 229940079593 drug Drugs 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000002688 persistence Effects 0.000 abstract 1
- 230000009471 action Effects 0.000 description 13
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002161 motor neuron Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61J—CONTAINERS SPECIALLY ADAPTED FOR MEDICAL OR PHARMACEUTICAL PURPOSES; DEVICES OR METHODS SPECIALLY ADAPTED FOR BRINGING PHARMACEUTICAL PRODUCTS INTO PARTICULAR PHYSICAL OR ADMINISTERING FORMS; DEVICES FOR ADMINISTERING FOOD OR MEDICINES ORALLY; BABY COMFORTERS; DEVICES FOR RECEIVING SPITTLE
- A61J7/00—Devices for administering medicines orally, e.g. spoons; Pill counting devices; Arrangements for time indication or reminder for taking medicine
- A61J7/04—Arrangements for time indication or reminder for taking medicine, e.g. programmed dispensers
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Developmental Disabilities (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及智慧医疗,提供一种帕金森病服药提醒方法,通过捕捉病人在日常活动中的震颤数据进行帕金森病症评价并作出是否需要服药的判定;并且不需要帕金森病人进行固定的测量程序,具有提高帕金森病震颤检测的实时性和持续性的技术效果。
Description
技术领域
本发明涉及智慧医疗技术领域,涉及一种帕金森病服药提醒方法、系统、电子设备及计算机可读存储介质。
背景技术
帕金森病作为一种常见的神经系统变性疾病,在老年人群中较为多见。帕金森病在临床上的主要表现为静止性震颤,运动迟缓,姿势步态障碍等。对于这一疾病主要的治疗手段为药物治疗,即使采用手术方式进行治疗,术后仍需要服用各类药物。而药物治疗需要根据患者的病情评级来进行开具处方,因为帕金森病的检测仪器较为昂贵。
随着智慧医疗的兴起,通过采用内置惯性传感器的手机为帕金森病的监测与评级提供辅助建议,可以支持疾病辅助诊断、健康管理、远程会诊等功能;其中,通过被测试者手持内置惯性传感器的手机,完成预设的目标动作;手机通过内置的加速传感器和陀螺仪记录患者测试过程中的震颤幅度、频率等信息;进而通过所获取的震颤幅度以及频率信息对待测试患者进行帕金森评级。虽然减少了检测成本,但是,存在的弊端如下:1)在测试过程中要求患者做出动作幅度较大的目标动作,以便采集患者的的震颤数据;但是,患者大都是行动不便的老年人,完成测试的目标动作对其而言有较大难度;2)检测时间大约5分钟,对于震颤收据的收集比较片面,不利于进行精准的帕金森评级;3)无法准确获取需要服药的节点,导致服药不及时。
因此,亟需一种精准有效的帕金森病服药提醒方法。
发明内容
本发明提供一种帕金森病服药提醒方法、系统、电子设备及计算机可读存储介质,用于解决现有技术中帕金森病震颤监测困难的问题。
为实现上述目的,本发明提供的一种帕金森病服药提醒方法,方法包括:
按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;
将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;
对帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据;
按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;
根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警。
进一步,优选的,对所获取的震颤数据进行降噪预处理的步骤包括:
将所获取的待检测者的震颤数据经过傅里叶变换处理分解为多个子带,获得所述各子带的频率信息;
利用滑动窗和设定阈值频率对各子带的频率信息进行有效频率信号判定;其中,将在预设频率范围内的子带作为有效频率信号,将超出设定阈值频率范围的子带作为无效频率信号;
保留所述有效频率信号,去除所述无效频率信号,得到所述降噪处理后的震颤数据。
进一步,优选的,所述震颤数据筛选模型的训练方法包括:
按照预设的时间间隔采集震颤数据,形成用于训练所述震颤数据筛选模型的震颤数据集,利用交叉验证法将震颤数据集分为训练子集和检测子集;其中,所述震颤数据分为含帕金森震颤的帕金森震颤数据以及不含帕金森震颤的生理震颤数据;
利用所述训练子集对原始的震颤数据筛选模型进行训练,利用所述检测子集对训练后的震颤数据筛选模型进行测试获得帕金森震颤预测值;将所述帕金森震颤预测值与真实值放入对应的损失函数中,利用反向传播算法对震颤数据筛选模型的各个参数进行优化,直至所述震颤数据筛选模型收敛,获得训练好的震颤数据筛选模型。
进一步,优选的,所述将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据的方法包括:
通过震颤数据筛选模型的pdkit工具包对降噪处理后的震颤数据进行特征提取和标签标注,形成36维的特征向量;
将所述特征向量输入震颤数据筛选模型的基于CART算法的分类回归树模型,筛选获得重要特征向量;
利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据。
进一步,优选的,利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据的方法,包括:
获取重要特征向量的特征值以及所述重要特征向量对所述震颤数据集的基尼系数;
筛选基尼系数最小的特征值以及所述基尼系数最小的特征值对应的重要特征向量;将所述基尼系数最小的特征值作为最优特征值;
根据所述最优特征值,将震颤数据集划分最优特征值子集,对所述最优特征值子集进行递归;
直至所述最优特征值子集的基尼系数小于预设基尼系数阈值,则停止递归;
利用所述最优特征值子集获得含有帕金森震颤的震颤数据,将所获得的含有帕金森震颤的震颤数据作为第一震颤数据。
进一步,优选的,所述震颤数据通过内置加速度传感器和陀螺仪的手环采集得到的。
进一步,优选的,所述进行服药示警之后,还包括:
将存在递增趋势的震颤数据片段通过所述手环进行展示。
为了解决上述问题,本发明还提供一种帕金森病服药提醒系统,所述系统包括:
震颤数据获取单元,用于按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;
帕金森震颤筛选单元,将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;
对帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据;
震颤数据片段获取单元,用于按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;
帕金森服药判定单元,用于根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势;
服药示警单元,用于对于存在递增趋势的所述震颤数据片段的震颤幅度与频率数据,则进行帕金森服药示警。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的帕金森病服药提醒方法中的步骤。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的帕金森病服药提醒方法。
本发明解决了按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;对第一帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警;具有的有益效果如下:1)不需要帕金森病人进行固定的测量程序以及完成难度较大的目标动作,即可实现对待检测帕金森病人的震颤数据采集,达到了通过捕捉待检测者日常活动动作即可完成震颤数据采集的技术效果;2)通过获取待检测者的时间序列的震颤数据,提高了所采集的待检测者数据的连续性和实时性,解决了现有技术中震颤数据收集较片面的弊端;3)通过对第一帕金森震颤数据、第二帕金森数据以及存在递增趋势的震颤数据片段的层层递进筛选,实现了帕金森病患服药节点的准确获取,进而达到及时服药提醒的技术效果。
附图说明
图1为本发明一实施例提供的帕金森病服药提醒方法的流程示意图;
图2为本发明一实施例提供的帕金森病服药提醒系统的模块示意图;
图3为本发明一实施例提供的实现帕金森病服药提醒方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
震颤是人身体某一个或者多个功能区肌肉的节律性、不自主振动,是运动神经元异常同步化的结果。在现有技术中,对于针对帕金森震颤的数据采集过程中,需要患者做出如单侧翻腕动作、双侧翻腕动作、单侧摆臂动作、双侧摆臂动作等规范式动作以提高数据采集的有效性。但是,在本发明提供的帕金森病服药提醒方法中,数据采集并不需要区分采集模式,不需要患者做出规范式动作,仅需采集日常生活的数据,提取日常生活动作中的震颤数据进行分析即可。
参照图1所示,为本发明一实施例提供的帕金森病服药提醒方法的流程示意图。该方法可以由一个系统执行,该系统可以由软件和/或硬件实现。
在本实施例中,通过收集病人的日常活动数据,捕捉帕金森病人在日常活动中的震颤,进行服药提醒;帕金森病服药提醒方法包括S110~S150:
S110、按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理。
降噪预处理的方式为通过设置一定的窗宽,进行滑窗滤波,去除日常低频活动造成的传感器数据的波动。也就是说,通过设定窗宽利用滑窗滤波对于4~7Hz之外的数据进行降噪处理。其中,由于帕金森震颤为4~7Hz的信号,故需要关注的数据为4~7Hz的数据。对所获取的震颤数据进行降噪预处理的步骤包括:
S111、将所获取待检测者的震颤数据经过傅里叶变换处理分解为多个子带,获得所述各子带的频率信息;
S112、利用滑动窗和设定阈值频率对各子带的频率信息进行有效频率信号判定;其中,将在预设频率范围内的子带作为有效频率信号,将超出设定阈值频率范围的子带作为无效频率信号。
具体地说,预设频率范围为3.5~7.5Hz;滑窗滤波所使用的算法为滑动平均算法,可以获得数据的基线或者说趋势性信息。由于趋势性信息是一种低频的信号,并不是本申请所需的3.5~7.5Hz的数据,所以在原始数据中减去这一趋势性数据,进行去噪。通过这种处理方式,在当前场景下,能够实现过滤低频运动(拿东西,闲逛等)引入的噪声。
S113、保留有效频率信号,去除无效频率信号。也就是说,保留有效运动的频率信息,滤除低频运动的频率信息,即过滤低频运动引入的噪声;低频运动如,拿东西,闲逛等等。
S120、将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据。
所述震颤数据筛选模型的训练方法包括:按照预设的时间间隔采集震颤数据,形成用于训练所述震颤数据筛选模型的震颤数据集,利用交叉验证法将震颤数据集分为训练子集和检测子集;其中,所述震颤数据分为含帕金森震颤的帕金森震颤数据以及不含帕金森震颤的生理震颤数据;利用所述训练子集对原始的震颤数据筛选模型进行训练,利用所述检测子集对训练后的震颤数据筛选模型进行测试获得帕金森震颤预测值;将所述帕金森震颤预测值与真实值放入对应的损失函数中,利用反向传播算法对震颤数据筛选模型的各个参数进行优化,直至所述震颤数据筛选模型收敛,获得训练好的震颤数据筛选模型也就是说,大量采集震颤数据,将含震颤的震颤数据进行含震颤人工标注,将不含震颤的震颤数据进行不含震颤人工标注;将标注后的震颤数据组成震颤数据集。至于预设时间,可以将采集的间隔时间设置为5分钟,即每条震颤数据的时长均为5分钟。需要说明的是,将震颤数据形成数据集之前,也需要通过滑窗滤波对震颤数据进行预处理。另外,在对构建的分类模型进行训练和测试的过程中,即对于一组震颤数据样本,随机将其划分相等数量的10份,然后,每次取其中一份作为测试子集,其余9份作为分类器训练子集。共做10次训练和则试,即每份子集都参与了测试。
在一个具体的实施例中,将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据的方法,包括通过震颤数据筛选模型的pdkit工具包对降噪处理后的震颤数据进行特征提取和标签标注,形成36维的特征向量;将所述特征向量输入震颤数据筛选模型的基于CART算法的分类回归树模型,筛选获得重要特征向量;利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据。
需要说明的是,pdkit工具包中包括FFT变换以及相关系数计算,所述特征向量包括38列,第1列为序号,第2列为标签,剩余的36列为特征。特征包括频域幅值最高点幅值,频域幅值最高点频率,自相关系数,偏相关系数等。
在一个具体的实施例中,利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据的方法,包括:获取重要特征向量的特征值以及所述重要特征向量对震颤数据集的基尼系数;
筛选基尼系数最小的特征值以及所述基尼系数最小的特征值对应的重要特征向量;将所述基尼系数最小的特征值作为最优特征值;根据所述最优特征值,将震颤数据集划分最优特征值子集,对所述最优特征值子集进行递归;直至所述最优特征值子集的基尼系数小于预设基尼系数阈值,则停止递归;利用所述最优特征值子集获得含有帕金森震颤的震颤数据,将所获得的含有帕金森震颤的震颤数据作为第一震颤数据。
需要说明的是,分类回归树CART(lassification and RegessionTree)是Breiman等提出的一种决策树构建算法,并不断进行了改进。基本原理是通过对由测试变量和目标变量构成的训练数据集的循环二分形成二叉树形式的决策树结构。其特点是充分利用二叉树的结构(Binary Tree-structured),即根节点包含所有样本,在一定的分割规则下根节点被分割成两个子节点,这个过程又在子节点上重复进行,成为一个回归过程直至不可再分成子节点为止。
也就是说,利用递归地选择最优特征,并用最优特征对数据集进行分割。开始时,构建根结点,选择最优特征,该特征有几种值就分割为几个子集,每个子集分别递归调用此方法,返回结点,返回的结点就是上一层的子结点。直到所有特征都已经用完,或者数据集只有一维特征为止。决策树学习对震颤数据具有很好的鲁棒性,而且学习得到的决策树还能被表示为多条if-then形式的决策规则,因此具有很强的可读性和可解释性。
总之,使用基于CART算法的决策树规则提取震颤信息,并分析不同特征的震颤信息间的叠加处理,剔除震颤信息中的生理震颤信息,成功提取帕金森震颤信息。通过利用CART算法进行震颤信息中提取帕金森震颤信息,可有效地提高帕金森震颤信息监测的精确度。
S130、对第一帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据。
在一个具体的实施例中,如果当前5分钟片段已被分类为震颤片段(根据训练好的CART树),那么当前片段中存在震颤信号;对当前片段的数据进行FFT变换(傅里叶变换),即可获得数据在频域上的分布。在频域上,处于4~7Hz之间幅值最高点的幅值与频率即为病人的震颤幅度与频率(记为A,f)。若A,f超过某一阈值,则认为在当前片段,病人存在较为明显的帕金森震颤。
S140、按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据。
S150、根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警。
具体地说,服药提醒主要关注已被标记为震颤数据片段的震颤数据。通过对这些震颤数据片段进行震动幅度,频率以及间隔的分析,确定当前是否提醒病人进行服药。对于每个5min的震动片段,通过频域分析(FFT)获得病人震颤的幅度与频率。若震颤的幅度与频率超过某一阈值,则认为在当前片段,病人存在较为明显的帕金森震颤。同时,关注病人整体的震颤趋势,若多个连续片段病人均存在明显的帕金森震颤,且震颤幅度保持不变或存在上升趋势,则为病人进行服药提醒。
关于病人整体震颤趋势,分析多个连续片段的A,f值。例如,在11:00,可以获得过去30分钟的数据(10:30-10:35,10:35-10:40,10:40-10:45,10:45-10:50,10:50-10:55,10:55-11:00)。若这六个片段均被标记为有震颤,则对这六个片段计算A,f。获得如下数据((A1,f1),(A2,f2),(A3,f3),(A4,f4),(A5,f5),(A6,f6))。若A1,f超过某一阈值,且A1<=A2<=A3<=A4<=A5<=A6,f1<=f2<=f3<=f4<=f5<=f6,则认为多个连续片段病人均存在明显的震颤,且震颤幅度保持不变或存在上升趋势,则为病人进行服药提醒。
在一个具体的实施例中,所述震颤数据通过内置加速度传感器和陀螺仪的手环采集得到的。利用手环作为终端载体,实现上述帕金森震颤信息识别方法。
其中,手环也可以将采集到的有效数据,通过蓝牙等无线传输或者有线传输方式,传输到病人的手机端或者电脑端进行展示,也可以传输到医生端。通过从病人日常生活的传感器数据中提取由帕金森造成的手部震颤数据,进行数据捕捉以及数据分析,进而给出服药提醒。
帕金森病患者可以实现病情监测、就诊指导、自我评估、知识科普以及病友交流;医生可以通过所述帕金森病运动障碍症状监测平台实现病程管理、科学研究,医学科研工作者可以通过所述帕金森病运动障碍症状监测平台,长期或者广泛跟踪帕金森病患者,获得研究支持。医患双方通过本发明的帕金森病服药提醒方法在非直接接触情况下构建联系,进行信息交互,可用于症状初发期即前期帕金森病的自我评估和诊断、中期帕金森病的病况跟踪及辅助治疗。
作为本实施例的改进,进行服药示警的同时,将存在递增趋势的震颤数据片段通过所述手环进行展示。同时,通过手环收集的服药前后震颤的变化情况,可以在手机端进行展示。这一数据可以提供给专业的医生,或帮助病人判断服药对震颤的抑制效果,并选择合适的药量。
在一种可能的实现方式中,在服务端进行展示的可以为自然语言文本,也可以为电子化的医疗记录;所述自然语言文本为医疗文本,所述医疗文本可以是医疗电子记录(Electronic Healthcare Record),电子化的个人健康记录,包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录。而服务终端,可以是智能手机、平板电脑、pad、PC端或者智能手环等,在手机上实现可以依靠APP或者微信小程序。具体地告警方式可以为震动或者响铃。
综上,本发明的一种帕金森病服药提醒方法通过按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;对第一帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警;本发明的帕金森病服药提醒方法不需要帕金森病人进行固定的测量程序,而是通过捕捉病人在日常活动中的震颤数据进行评级;通过长时间佩戴手环进行检测,检测有着实时性的优势,能够持续监测帕金森病人的震颤程度,及时进行服药提醒;而且能够收集记录帕金森病人的历史震颤数据,通过趋势分析进行服药提醒,也可以帮助了解病人服药前后的震颤变化。
如图2所示,本发明提供一种帕金森病服药提醒系统200,本发明可以安装于电子设备中。根据实现的功能,该帕金森病服药提醒系统200可以包括震颤数据获取单元210、帕金森震颤筛选单元220、震颤数据片段获取单元230、帕金森服药判定单元240以及服药示警单元250。本发明所述单元也可以称之为模块,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
震颤数据获取单元210,用于按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;
帕金森震颤筛选单元220,将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;
对帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据;
震颤数据片段获取单元230,用于按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;
帕金森服药判定单元240,用于根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势;
服药示警单元250,用于对于存在递增趋势的所述震颤数据片段的震颤幅度与频率数据,则进行帕金森服药示警通过识别患者及患者的震颤数据,通过震颤数据确定患者的帕金森病程度,进一步的,可以配合触摸屏选择或者简单的语音交互来完成和医生连线沟通,从而更加准确的确定患者的病情诊断工作。病患的疾病相关数据采集过程更加自然高效,明显降低了用户的使用难度。同时,通过根据患者的选择自动更新病患姿态库,能够使医生获得更多的患者病症信息,从而便于医生对病情做出精准的判断。
本发明的帕金森病服药提醒系统200是一种人工智能医疗辅助装置,通过长时间佩戴手环进行检测,检测有着实时性的优势,能够持续监测帕金森病人的震颤程度,及时进行服药提醒;而且能够收集记录帕金森病人的历史震颤数据,通过趋势分析进行服药提醒,也可以达到帮助了解病人服药前后的震颤变化的技术效果。
如图3所示,本发明提供一种帕金森病服药提醒方法的电子设备3。
该电子设备3可以包括处理器30、存储器31和总线,还可以包括存储在存储器31中并可在所述处理器30上运行的计算机程序,如帕金森病服药提醒程序32。存储器31还可以既包括人工智能医疗的帕金森病服药提醒系统的内部存储单元也包括外部存储设备。存储器31不仅可以用于存储安装于人工智能医疗辅助装置的应用软件及各类数据,例如人工智能医疗辅助程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
其中,所述存储器31至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备3的内部存储单元,例如该电子设备3的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备3的外部存储设备,例如电子设备3上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括电子设备3的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备3的应用软件及各类数据,例如帕金森病服药提醒程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器30在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块(例如帕金森病服药提醒程序等),以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备3的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器30逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备3还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备3与其他电子设备之间建立通信连接。
可选地,该电子设备3还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备3中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备3中的所述存储器31存储的帕金森病服药提醒程序32是多个指令的组合,在所述处理器30中运行时,可以实现:按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;对第一帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警。
进一步,优选的,对所获取的震颤数据进行降噪预处理的步骤包括:
将所获取待检测者的震颤数据经过傅里叶变换处理分解为多个子带,获得所述各子带的频率信息;利用滑动窗和设定阈值频率对各子带的频率信息进行有效频率信号判定;其中,将在预设频率范围内的子带作为有效频率信号,将超出设定阈值频率范围的子带作为无效频率信号;保留所述有效频率信号,去除所述无效频率信号,得到所述降噪处理后的震颤数据。
进一步,优选的,所述震颤数据筛选模型的训练方法包括:按照预设的时间间隔采集震颤数据,形成用于训练所述震颤数据筛选模型的震颤数据集,利用交叉验证法将震颤数据集分为训练子集和检测子集;其中,所述震颤数据分为含帕金森震颤的帕金森震颤数据以及不含帕金森震颤的生理震颤数据;利用所述训练子集对原始的震颤数据筛选模型进行训练,利用所述检测子集对训练后的震颤数据筛选模型进行测试获得帕金森震颤预测值;将所述帕金森震颤预测值与真实值放入对应的损失函数中,利用反向传播算法对震颤数据筛选模型的各个参数进行优化,直至所述震颤数据筛选模型收敛,获得训练好的震颤数据筛选模型。
进一步,优选的,将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据的方法,包括通过震颤数据筛选模型的pdkit工具包对降噪处理后的震颤数据进行特征提取和标签标注,形成36维的特征向量;将所述特征向量输入震颤数据筛选模型的基于CART算法的分类回归树模型,筛选获得重要特征向量;利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据。
进一步,优选的,利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据的方法,包括:获取重要特征向量的特征值以及所述重要特征向量对震颤数据集的基尼系数;筛选基尼系数最小的特征值以及所述基尼系数最小的特征值对应的重要特征向量;将所述基尼系数最小的特征值作为最优特征值;根据所述最优特征值,将震颤数据集划分最优特征值子集,对所述最优特征值子集进行递归;直至所述最优特征值子集的基尼系数小于预设基尼系数阈值,则停止递归;利用所述最优特征值子集获得含有帕金森震颤的震颤数据,将所获得的含有帕金森震颤的震颤数据作为第一震颤数据。
进一步,优选的,所述震颤数据通过内置加速度传感器和陀螺仪的手环采集得到的。
进一步,优选的,进行服药示警的同时,将存在递增趋势的震颤数据片段通过所述手环进行展示。
具体地,所述处理器30对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。需要强调的是,为进一步保证上述帕金森病服药提醒程序的私密和安全性,上述数据库高可用处理数据存储于本服务器集群所处区块链的节点中。
进一步地,所述电子设备3集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质,所述存储介质可以是非易失性的,也可以是易失性的,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现:按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;对第一帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警。
进一步,优选的,对所获取的震颤数据进行降噪预处理的步骤包括:
将所获取待检测者的震颤数据经过傅里叶变换处理分解为多个子带,获得所述各子带的频率信息;利用滑动窗和设定阈值频率对各子带的频率信息进行有效频率信号判定;其中,将在预设频率范围内的子带作为有效频率信号,将超出设定阈值频率范围的子带作为无效频率信号;保留所述有效频率信号,去除所述无效频率信号,得到所述降噪处理后的震颤数据。
进一步,优选的,所述震颤数据筛选模型的训练方法包括:按照预设的时间间隔采集震颤数据,形成用于训练所述震颤数据筛选模型的震颤数据集,利用交叉验证法将震颤数据集分为训练子集和检测子集;其中,所述震颤数据分为含帕金森震颤的帕金森震颤数据以及不含帕金森震颤的生理震颤数据;利用所述训练子集对原始的震颤数据筛选模型进行训练,利用所述检测子集对训练后的震颤数据筛选模型进行测试获得帕金森震颤预测值;将所述帕金森震颤预测值与真实值放入对应的损失函数中,利用反向传播算法对震颤数据筛选模型的各个参数进行优化,直至所述震颤数据筛选模型收敛,获得训练好的震颤数据筛选模型。
进一步,优选的,将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据的方法,包括通过震颤数据筛选模型的pdkit工具包对降噪处理后的震颤数据进行特征提取和标签标注,形成36维的特征向量;将所述特征向量输入震颤数据筛选模型的基于CART算法的分类回归树模型,筛选获得重要特征向量;利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据。
进一步,优选的,利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据的方法,包括:获取重要特征向量的特征值以及所述重要特征向量对震颤数据集的基尼系数;筛选基尼系数最小的特征值以及所述基尼系数最小的特征值对应的重要特征向量;将所述基尼系数最小的特征值作为最优特征值;根据所述最优特征值,将震颤数据集划分最优特征值子集,对所述最优特征值子集进行递归;直至所述最优特征值子集的基尼系数小于预设基尼系数阈值,则停止递归;利用所述最优特征值子集获得含有帕金森震颤的震颤数据,将所获得的含有帕金森震颤的震颤数据作为第一震颤数据。
进一步,优选的,所述震颤数据通过内置加速度传感器和陀螺仪的手环采集得到的。
进一步,优选的,进行服药示警的同时,将存在递增趋势的震颤数据片段通过所述手环进行展示。
具体地,所述计算机程序被处理器执行时具体实现方法可参考实施例帕金森病服药提醒方法中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种帕金森病服药提醒方法,其特征在于,方法包括:
按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;
将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;所述震颤数据筛选模型的训练方法包括:按照预设的时间间隔采集震颤数据,形成用于训练所述震颤数据筛选模型的震颤数据集,利用交叉验证法将震颤数据集分为训练子集和检测子集;其中,所述震颤数据分为含帕金森震颤的帕金森震颤数据以及不含帕金森震颤的生理震颤数据;利用所述训练子集对原始的震颤数据筛选模型进行训练,利用所述检测子集对训练后的震颤数据筛选模型进行测试获得帕金森震颤预测值;将所述帕金森震颤预测值与真实值放入对应的损失函数中,利用反向传播算法对震颤数据筛选模型的各个参数进行优化,直至所述震颤数据筛选模型收敛,获得训练好的震颤数据筛选模型;
所述将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据的方法,包括:通过震颤数据筛选模型的pdkit工具包对降噪处理后的震颤数据进行特征提取和标签标注,形成36维的特征向量;将所述特征向量输入震颤数据筛选模型的基于CART算法的分类回归树模型,筛选获得重要特征向量;利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据;
利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据的方法,包括:获取重要特征向量的特征值以及所述重要特征向量对所述震颤数据集的基尼系数;筛选基尼系数最小的特征值以及所述基尼系数最小的特征值对应的重要特征向量;将所述基尼系数最小的特征值作为最优特征值;根据所述最优特征值,将震颤数据集划分最优特征值子集,对所述最优特征值子集进行递归;直至所述最优特征值子集的基尼系数小于预设基尼系数阈值,则停止递归;利用所述最优特征值子集获得含有帕金森震颤的震颤数据;将所获得的含有帕金森震颤的震颤数据作为第一震颤数据;
对第一帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据;
按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;
根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势,若存在,则进行服药示警。
2.如权利要求1所述的帕金森病服药提醒方法,其特征在于,对所获取的震颤数据进行降噪预处理的步骤包括:
将所获取的待检测者的震颤数据经过傅里叶变换处理分解为多个子带,获得所述各子带的频率信息;
利用滑动窗和设定阈值频率对各子带的频率信息进行有效频率信号判定;其中,将在预设频率范围内的子带作为有效频率信号,将超出设定阈值频率范围的子带作为无效频率信号;
保留所述有效频率信号,去除所述无效频率信号,得到所述降噪处理后的震颤数据。
3.如权利要求1所述的帕金森病服药提醒方法,其特征在于,
所述震颤数据通过内置加速度传感器和陀螺仪的手环采集得到的。
4.如权利要求3所述的帕金森病服药提醒方法,其特征在于,所述进行服药示警之后,还包括:
将存在递增趋势的震颤数据片段通过所述手环进行展示。
5.一种帕金森病服药提醒系统,其特征在于,所述系统包括:
震颤数据获取单元,用于按照预设的时间间隔获取待检测者的震颤数据,并对所获取的震颤数据进行降噪预处理;
帕金森震颤筛选单元,将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据;
所述震颤数据筛选模型的训练方法包括:按照预设的时间间隔采集震颤数据,形成用于训练所述震颤数据筛选模型的震颤数据集,利用交叉验证法将震颤数据集分为训练子集和检测子集;其中,所述震颤数据分为含帕金森震颤的帕金森震颤数据以及不含帕金森震颤的生理震颤数据;利用所述训练子集对原始的震颤数据筛选模型进行训练,利用所述检测子集对训练后的震颤数据筛选模型进行测试获得帕金森震颤预测值;将所述帕金森震颤预测值与真实值放入对应的损失函数中,利用反向传播算法对震颤数据筛选模型的各个参数进行优化,直至所述震颤数据筛选模型收敛,获得训练好的震颤数据筛选模型;
所述将降噪处理后的震颤数据输入预先训练的震颤数据筛选模型,输出第一帕金森震颤数据的方法,包括:通过震颤数据筛选模型的pdkit工具包对降噪处理后的震颤数据进行特征提取和标签标注,形成36维的特征向量;将所述特征向量输入震颤数据筛选模型的基于CART算法的分类回归树模型,筛选获得重要特征向量;利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据;
利用基于基尼系数的震颤数据筛选模型的目标函数对重要特征向量进行分类,获得第一帕金森震颤数据的方法,包括:获取重要特征向量的特征值以及所述重要特征向量对所述震颤数据集的基尼系数;筛选基尼系数最小的特征值以及所述基尼系数最小的特征值对应的重要特征向量;将所述基尼系数最小的特征值作为最优特征值;根据所述最优特征值,将震颤数据集划分最优特征值子集,对所述最优特征值子集进行递归;直至所述最优特征值子集的基尼系数小于预设基尼系数阈值,则停止递归;利用所述最优特征值子集获得含有帕金森震颤的震颤数据;将所获得的含有帕金森震颤的震颤数据作为第一震颤数据;
对帕金森震颤数据进行傅里叶变换获得频域分布信息;利用所述频域分布信息获取震颤幅度与震颤频率;筛选所述震颤数据的震颤幅度与震颤频率大于明显帕金森震颤阈值的第一帕金森震颤数据作为第二帕金森震颤数据;
震颤数据片段获取单元,用于按照时间序列获取含有第二帕金森震颤数据的相邻的震颤数据,形成连续的震颤数据片段;并提取所述震颤数据片段的震颤幅度与频率数据;
帕金森服药判定单元,用于根据所述震颤数据片段的震颤幅度与频率数据判定震颤是否存在递增趋势;
服药示警单元,用于对于存在递增趋势的所述震颤数据片段的震颤幅度与频率数据,则进行帕金森服药示警。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任一所述的帕金森病服药提醒方法中的步骤。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的帕金森病服药提醒方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160741.2A CN113855570B (zh) | 2021-09-30 | 2021-09-30 | 帕金森病服药提醒方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160741.2A CN113855570B (zh) | 2021-09-30 | 2021-09-30 | 帕金森病服药提醒方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113855570A CN113855570A (zh) | 2021-12-31 |
CN113855570B true CN113855570B (zh) | 2023-07-14 |
Family
ID=79001164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160741.2A Active CN113855570B (zh) | 2021-09-30 | 2021-09-30 | 帕金森病服药提醒方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113855570B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10758732B1 (en) * | 2012-09-10 | 2020-09-01 | Great Lakes Neurotechnologies Inc. | Movement disorder therapy and brain mapping system and methods of tuning remotely, intelligently and/or automatically |
US9924899B2 (en) * | 2013-09-09 | 2018-03-27 | Alexis Pracar | Intelligent progression monitoring, tracking, and management of parkinson's disease |
WO2019036749A1 (en) * | 2017-08-24 | 2019-02-28 | Adams Warwick Russell | SYSTEM FOR DETECTING PARKINSON EARLY DISEASE AND OTHER NEUROLOGICAL DISEASES AND MOVEMENT DISORDERS |
CN109276255B (zh) * | 2018-11-27 | 2023-02-28 | 平安科技(深圳)有限公司 | 一种肢体震颤检测方法及装置 |
CN110522455A (zh) * | 2019-09-26 | 2019-12-03 | 安徽中医药大学 | 一种基于深度学习的wd震颤等级评估方法 |
KR102399118B1 (ko) * | 2019-10-28 | 2022-05-17 | 주식회사 인포쉐어 | 파킨슨병을 진단하는 애플리케이션이 설치되는 스마트단말 |
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 |
CN113317763B (zh) * | 2021-06-30 | 2024-03-19 | 平安科技(深圳)有限公司 | 基于多模态的帕金森病检测装置及计算机可读存储介质 |
-
2021
- 2021-09-30 CN CN202111160741.2A patent/CN113855570B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113855570A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Enabling stroke rehabilitation in home and community settings: a wearable sensor-based approach for upper-limb motor training | |
Yang et al. | Using PPG signals and wearable devices for atrial fibrillation screening | |
Rasheed et al. | A generative model to synthesize EEG data for epileptic seizure prediction | |
Papadopoulos et al. | Detecting parkinsonian tremor from IMU data collected in-the-wild using deep multiple-instance learning | |
JP2022084673A (ja) | 脳症/せん妄のスクリーニングおよびモニタリングのための装置、システムおよび方法 | |
Zhong | Internet of things sensors assisted physical activity recognition and health monitoring of college students | |
Kaczor et al. | Objective measurement of physician stress in the emergency department using a wearable sensor | |
US20170065229A1 (en) | Neural oscillation monitoring system | |
Kaur et al. | Artificial intelligence in epilepsy | |
WO2018227239A1 (en) | Mental state indicator | |
Kelly et al. | Automatic prediction of health status using smartphone-derived behavior profiles | |
Tucker et al. | A data mining methodology for predicting early stage Parkinson's disease using non-invasive, high-dimensional gait sensor data | |
CN114224343B (zh) | 认知障碍检测方法、装置、设备及存储介质 | |
Dong et al. | A two-layer ensemble method for detecting epileptic seizures using a self-annotation bracelet with motor sensors | |
CN113693561B (zh) | 基于神经网络的帕金森病预测设备、装置和存储介质 | |
US20240050006A1 (en) | System and method for prediction and control of attention deficit hyperactivity (adhd) disorders | |
CN117877734A (zh) | 一种精神障碍患者危险级别判断系统 | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
CN113855570B (zh) | 帕金森病服药提醒方法、系统、电子设备及存储介质 | |
US20230329587A1 (en) | System And Method For Assessing Neuro Muscular Disorder By Generating Biomarkers From The Analysis Of Gait | |
Chen et al. | An auxiliary diagnostic system for Parkinson’s disease based on wearable sensors and genetic algorithm optimized random forest | |
Yang et al. | Loneliness forecasting using multi-modal wearable and mobile sensing in everyday settings | |
Can | Stressed or just running? Differentiation of mental stress and physical activityby using machine learning | |
CN114864094A (zh) | 重症监护室智能控制方法、设备及介质 | |
Montassar et al. | Agitated Behaviors Detection in Children with ASD Using Wearable Data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |