CN114224296A - 基于可穿戴式传感装置的帕金森运动症状量化评估方法 - Google Patents

基于可穿戴式传感装置的帕金森运动症状量化评估方法 Download PDF

Info

Publication number
CN114224296A
CN114224296A CN202210039936.XA CN202210039936A CN114224296A CN 114224296 A CN114224296 A CN 114224296A CN 202210039936 A CN202210039936 A CN 202210039936A CN 114224296 A CN114224296 A CN 114224296A
Authority
CN
China
Prior art keywords
layer
user
tremor
data
parkinson
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.)
Granted
Application number
CN202210039936.XA
Other languages
English (en)
Other versions
CN114224296B (zh
Inventor
何炳蔚
解相杰
张月
洪文尧
阴翔宇
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202210039936.XA priority Critical patent/CN114224296B/zh
Publication of CN114224296A publication Critical patent/CN114224296A/zh
Application granted granted Critical
Publication of CN114224296B publication Critical patent/CN114224296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/103—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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
    • A61B5/4023—Evaluating sense of balance
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

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

Abstract

本发明涉及一种基于可穿戴式传感装置的帕金森运动症状量化评估方法。该方法包括初始化传感器、获取帕金森患者多项典型运动症状原始数据、对原始数据进行预处理、提取特征数据、以及借助训练过的神经网络量化帕金森患者的每一项运动症状，并基于此量化结果进行综合评估。本发明提出的基于可穿戴式传感装置的帕金森运动症状量化评估方法，可以实现在无专业医生陪同的情况下对用户的各项帕金森运动症状进行有标准地量化，并对用户的帕金森病情或恢复情况作出综合评估，让用户在日常生活中居家就能实现帕金森病情的监测。同时，本发明方法提出的系统装置原理简单，使用方便，安全性高，实时性优，精度高，适用范围广泛。

Description

基于可穿戴式传感装置的帕金森运动症状量化评估方法
技术领域
本发明涉及柔性电子、数据分析以及医疗监测领域，特别涉及一种基于可穿戴式传感装置的帕金森运动症状量化评估方法。
背景技术
帕金森病是一种慢性中枢神经系统退化性失调的疾病，会对患者的运动、语言和其他功能造成损害。据统计，2020年全世界患病人数已超过1000万，其中65岁人群患病率为2％。我国有超过300万帕金森患者，其中65岁以上中老年人发病率为1.7％，患病人数约占全球患者总数的三分之一。帕金森已是继恶性肿瘤、心脑血管疾病之后中老年的第三杀手，严重影响患者的生活，随着疾病恶化最终患者僵卧在床，生活不能自理，给家庭和社会带来沉重的负担，成为亟需关注的社会问题。
目前，药物治疗是治疗早期帕金森的主要手段，但是经过一段时间治疗后，会逐渐出现症状波动和异动症等并发症，所以需要长期的运动症状监测。至今帕金森运动症状监测及相应量化评估仍然是其诊疗中的一个难题，特别是我国帕金森仍处于“认知度低、就诊率低、诊断率低”的“三低”状态。而且在患者治疗过程中，由于没有持久有效监测药效的手段，在药物治疗中对病人的用药剂量大多也依据经验判断，因此急需开发一款可以持续监测帕金森运动症状的设备来解决上述问题。
帕金森患者的主要运动症状为震颤、运动迟缓、肌肉僵直和平衡障碍。其中，手部的静止性震颤是主要的临床症状之一，大约70％的帕金森患者有手部静止性震颤症状，特征为患者的手指在静止状态下不自主地抖动，典型患者的症状表现为搓丸样的震颤，震颤的频率多为4-6Hz。同样以震颤为主要症状的疾病还有特发性震颤，主要表现为手、头部及身体其他部位的姿势性和运动性震颤，震颤的频率为5-8Hz。由于两种疾病临床上表现出大量相似症状，即使由运动障碍专家进行诊断，临床误诊率仍然很高：大约20％的帕金森震颤会被诊断为特发性震颤；反之，大约25％的特发性震颤会被诊断为帕金森震颤。尤其是在病情早期阶段，鉴别两种疾病更为困难。早期对症治疗对抑制病情的恶化尤为重要。目前，帕金森症状的严重程度及其治疗效果主要由神经科医生参照统一帕金森病评定量表等评价标准，辅以电生理以及影像检查手段或者凭经验和感觉进行诊断。这种诊断方式不可避免地存在以下弊端：(1)对医师专业技能要求高；(2)敏感性低，不易发现患者的轻微症状；(3)难以消除不同评估者主观差异造成的影响；(4)不利于对患者的病情进行纵向观察；(5)缺乏客观评价标准，容易造成误诊。
帕金森患者的另一主要症状为肌肉僵直。临床上针对此症状的常规诊断方法主要为手写评估测试。该测试要求患者执行一系列特定图案的书写任务，如阿基米德曲线、米字临摹、随意图画、书写不同长度的词语等。帕金森患者由于肌肉僵硬以及运动迟缓，绘制的图案对比标准图案会有较大的偏差，而特发性震颤患者由于姿势型震颤更是难以完成图案绘制的任务，偏差相比帕金森患者更大，医生常常通过观察患者绘制的图案对患者病理及病情做出判断。虽然该方法简单方便，且为临床医生广泛采用，但仍有不足之处：(1)该方法不适用于前驱期运动症状尚不明显的帕金森患者的诊断；(2)无法量化反映患者运动迟缓等症状；(3)无法如实反映患者病情。患者在完成绘制任务时，常常因为心理紧张而使病情表现得比实际更加严重；(4)无法提供量化数据，难以据此对患者病情以及康复情况做出理性判断。
除了上述以外，帕金森病对患者威胁最大的就是伴发的各种行为障碍。其中平衡障碍最为关键，这关系到了帕金森患者的基本生活和行走能力。传统的闭目直立实验只能观察受检者有无站立不稳或倾倒，并不能对患者的平衡障碍程度以及治疗后的恢复情况进行量化，存在一定的不准确性。
目前已有一些研究者采用可穿戴设备来量化帕金森运动症状，但是这些研究多针对某一运动症状开展的，无法综合评价帕金森病情。
发明内容
本发明的目的在于提供一种基于可穿戴式传感装置的帕金森运动症状量化评估方法，本发明方法可以实现在无专业医生陪同的情况下对用户的各项帕金森运动症状进行有标准地量化，并对用户的帕金森病情或恢复情况作出综合评估，让用户在日常生活中居家就能实现帕金森病情的监测；同时，本发明提出的系统装置原理简单，使用方便，安全性高，实时性优，精度高，适用范围广泛。
为实现上述目的，本发明的技术方案是：一种基于可穿戴式传感装置的帕金森运动症状量化评估方法，包括如下步骤：
步骤一、在人体手腕、手指以及脚腕处布置好传感器，摆放好柔性触觉传感器，对传感器进行初始化，设置检测参数；
步骤二、用户利用各传感器同时检测各项测试任务，完成对用户的静止性、姿势性和运动性震颤，肌肉僵直以及平衡障碍数据的采集，并通过连接的计算机向用户实时显示各项运动数据；
步骤三、对采集到的原始序列数据进行预处理；
步骤四、提取预处理后的序列数据以及绘图数据的特征，分别合成新的序列数据和绘图的特征数据谱图；
步骤五、将新的序列数据以及绘图的特征数据谱图输入至已经训练好的神经网络中，对用户的各项帕金森运动症状进行量化评分，并在采集完所有运动症状后依据预先设定好的各项权值对用户的帕金森病情或恢复情况进行综合评估。
在本发明一实施例中，步骤一具体为：用户将震颤检测装置通过魔术贴固定于手腕和手指上，将平衡障碍检测装置通过魔术贴固定于脚腕上，保证用户运动时自身与检测装置之间无相对位移，将肌肉僵直检测用的柔性触觉传感器与配套的手写笔平放于桌面上，开启准备好的各传感器，确认各传感器已与计算机通过蓝牙连接完毕，将加速度量程设置为±16g/s2，陀螺仪量程设置为2000deg/s，带宽设置为188Hz，回传速率设置为50Hz，最后，执行自动校准功能，以补偿由于温度和在仪器影响区运行的其他电气设备的任何辐射而引起的漂移。
在本发明一实施例中，步骤二具体为：用户确定好所有设备处于开启状态并且和计算机的连接状态良好后，依次进行如下任务：
任务一：用户启动计算机上对应程序并进入静止性震颤检测模式后，端坐于椅子上，双手放松并自然搭在大腿上，保持姿势不变1分钟；
任务二：用户操作计算机上对应程序进入姿势性震颤检测模式后，继续端坐于椅子上，双手向前平举并保持与地面平行，保持姿势不变一分钟；
任务三：用户操作计算机上对应程序进入平衡障碍检测模式后，进行昂白实验，即垂直站立，两脚并拢，两手于胸前互扣，并向两侧牵拉，紧闭双眼，保持姿势不变一分钟；
任务四：用户操作计算机上对应程序进入肌肉僵直检测模式后，按任务进行绘图，即端坐于桌前，使用配套的手写笔在柔性触觉传感器上绘制规定的图案；
在用户进行任务期间，震颤检测装置和平衡障碍检测装置中内置的陀螺仪和加速度计以50Hz的频率读取、记录用户完成任务时相应部位的实时角度、角速度和角加速度的变化，肌肉僵直检测用柔性触觉传感器以50Hz的频率实时读取用户绘图时落笔的坐标以及压力大小，利用单片机采集数据并通过蓝牙将数据传输到计算机，计算机再实时把获取的数据以图象形式实时反馈给用户。
在本发明一实施例中，步骤三具体为：计算机将实时获取的角度、角速度和角加速度原始数据存储至固定文件中，删除所有的采集到的前5s和后5s的数据以排除用户在测试准备与结束时多余的动作造成的噪声干扰，仅保留中间50s的信号进行数据处理；帕金森患者的震颤频率通常为4–6Hz，而同样以震颤为典型症状的特发性震颤患者的震颤频率通常为5–8Hz，因此需要对低于3Hz的低频伪迹和高于9Hz的高频伪迹进行过滤；选用基于切比雪夫最佳一致逼近的非递归型FIR带通滤波器对保留的信号进行滤波，其上截止频率为9Hz，下截止频率为3Hz。
在本发明一实施例中，步骤四具体为：计算机将预处理后的信号数据和绘图数据传输并存储于指定文件中，再对存储的数据进行特征提取，具体如下：
1)提取预处理后序列数据的时域特征，其中包括：
(1)时域震颤幅度的均值μ，计算公式为：
Figure BDA0003468581010000041
其中，xi为第i个峰值；N为一组信号的峰值个数；
(2)时域震颤幅度的标准差σ，计算公式为：
Figure BDA0003468581010000042
(3)时域震颤幅度的均方根RMS，计算公式为：
Figure BDA0003468581010000043
(4)时域震颤幅度的偏度S，计算公式为：
Figure BDA0003468581010000044
(5)时域震颤幅度的峰度K，计算公式为：
Figure BDA0003468581010000045
2)提取预处理后序列数据的频域特征，其中包括：
(1)谱距离；
(2)频谱基频；
(3)频谱最大频率；
(4)频谱中频；
(5)频谱最大峰值；
(6)频谱能量值E，计算公式为：
Figure BDA0003468581010000051
其中，其中E为能量值，f表示频点，P(f)为信号能量谱密度；a、b分别为震颤的频率范围边界值；
3)提取绘图数据的特征，其中包括：
(1)平均速度；
(2)平均加速度；
(3)笔画数；
(4)平均压力；
(5)患者所绘图与标准图案平均偏移距离。
提取的时域特征和频域特征作为新的序列数据，作为用于识别序列的复合神经网络的输入；提取的绘图数据的特征以进度条的形式与绘图数据生成标准大小的特征数据谱图，作为用于识别图像的卷积神经网络的输入。
在本发明一实施例中，步骤五具体为：计算机将新的序列数据输入到事先训练好的复合神经网络中，将生成的绘图的特征数据谱图输入至事先训练好的卷积神经网络中，程序通过分析神经网络的输出结果对用户的每一项帕金森运动症状进行评分，并依据预先设定好的各项运动症状所占权值对用户的帕金森病情或恢复情况进行综合评估。
在本发明一实施例中，复合神经网络由一维卷积神经网络和长短期记忆神经网络LSTM组成，一维卷积神经网络架构由一个包含30个长度为20的滤波器的卷积层、一个最大池化层、一个包含30个长度为10的滤波器的卷积层、一个最大池化层和最后一个全连接层组成，一维卷积神经网络末端的全连接层附加到LSTM，LSTM是循环神经网络RNN的一种，其隐藏层的激活计算如下：
Figure BDA0003468581010000052
Figure BDA0003468581010000053
其中
Figure BDA0003468581010000054
为网络的隐藏层向量，
Figure BDA0003468581010000055
是将输入连接到第n个隐藏层的权重矩阵，
Figure BDA0003468581010000056
是将第x个隐藏层连接到第y个隐藏层的权重矩阵，b是偏差，H是隐藏层函数，隐藏层函数h不仅采用t处的输入，还采用t-1处的输入来学习输入之间的依赖关系，输出序列计算如下：
Figure BDA0003468581010000061
LSTM的关键就是细胞状态，LSTM有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力，除了循环神经网络中的经典分类之外，LSTM还包含遗忘、忽略和选择门，以便更好地学习数据之间的依赖关系，LSTM的输入it、遗忘ft、输出ot和选择门ct的公式以及每个细胞的最终输出ht如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中，σ()表示Sigmoid函数，it、ft、ot和ct分别为为输入门、遗忘门、输出门和选择门的输出，ht为细胞的最终输出，ct-1为前一个细胞选择门的输出，也是前一个细胞状态，Wxy为不同门相互连接的权重矩阵，b为偏差。
在本发明一实施例中，卷积神经网络由输入层、卷积层、输出层、全连接层和输出层组成，一开始卷积层从输入层接收一个2D输入图像，并使用3×50个3×10步长的卷积滤波器来融合来图像的局部信息；图像通过一个卷积层之后，第二个卷积层从先前的特征图中提取更高级特征；卷积层使用整流线性单元函数ReLU作为激活函数；在每个卷积层之后，添加具有30％损失函数的dropout层以规避过拟合；最后，全连接FC层统一所有先前训练的神经元，并将softmax分类器连接到FC层以量化严重性，并由输出层输出分类结果。
在本发明一实施例中，所述震颤检测装置包括固定于手腕上的第一震颤检测单元、固定于手指上的第二震颤检测单元，第一/第二震颤检测单元均设置有便于固定手腕/手指的魔术贴；所述平衡障碍检测装置设置有便于固定脚腕的魔术贴；所述第一/第二震颤检测单元均采用MPU-6050芯片，以采集用户手腕/手指的角度、角速度以及角加速度信号，所述第一/第二震颤检测单元还包括与MPU-6050芯片连接的HC06蓝牙模块；所述平衡障碍检测装置采用MPU-6050芯片，以采集用户脚腕的角度、角速度以及角加速度信号，所述平衡障碍检测装置还包括与MPU-6050芯片连接的HC06蓝牙模块。
在本发明一实施例中，所述柔性触觉传感器包括两个CD74HC406716通道模拟多路复用器，传感阵列模块和一个Arduino UNO单片机，所述传感阵列模块通过两个CD74HC406716通道模拟多路复用器与Arduino UNO单片机连接；所述传感阵列模块包括从上到下依次层叠的电极层、传感层、支撑层、传感层、电极层；所述电极层是以PET为基底，以石墨烯为印刷材料，通过丝网印刷而成；所述传感层由16×16＝256个长×宽×高＝5×5×1mm的长方体传感单元组成，它是控制预定比例的CNT材料与PDMS材料混合，控制相应的固化时间，在制定好的模板中固化而成的；所述支撑层是3d打印制成，一共有16×16＝256个边长为4mm的正方形孔位，打印材料为树脂，是绝缘材料。
相较于现有技术，本发明具有以下有益效果：本发明提出的一种基于可穿戴式传感装置的帕金森运动症状量化评估系统，可以实现在无专业医生陪同的情况下对用户的各项帕金森运动症状进行有标准地量化，并对用户的帕金森病情或恢复情况作出综合评估，让用户在日常生活中居家就能实现帕金森病情的监测。同时，本发明方法所提装置原理简单，使用方便，安全性高，实时性优，精度高，适用范围广泛。
附图说明
图1是本发明方法所使用的量化评估装置示意图；
图2是柔性触觉传感器的内部电路原理图；
图3是柔性触觉传感器的阵列传感部分(即传感阵列模块)结构图；
图4是任务一、任务二和任务三的标准姿势示意图；
图5是帕金森患者与正常人的静止性震颤时域信号与频域信号对比示意图；
图6是滤波前后静止性震颤时域信号与频域信号对比示意图；
图7是绘图数据与提取特征共同生成的特征数据谱图；
图8是长短期记忆他人工神经网络神经网络示意图；
图9是卷积神经网络示意图；
图10是本发明方法流程图；
附图标记说明：1、2-震颤检测装置，3-平衡障碍检测装置，4-柔性触觉传感器，5-计算机，6-CD74HC406716通道模拟多路复用器，7-阵列传感部分，8-Arduino UNO单片机，9-电极层，10-支撑层，11-传感层。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1-10所示，本发明一种基于可穿戴式传感装置的帕金森运动症状量化评估方法，包括如下步骤：
步骤一、在人体手腕、手指以及脚腕处布置好传感器，摆放好柔性触觉传感器，对传感器进行初始化，设置检测参数；
步骤二、用户利用各传感器同时检测各项测试任务，完成对用户的静止性、姿势性和运动性震颤，肌肉僵直以及平衡障碍数据的采集，并通过连接的计算机向用户实时显示各项运动数据；
步骤三、对采集到的原始序列数据进行预处理；
步骤四、提取预处理后的序列数据以及绘图数据的特征，分别合成新的序列数据和绘图的特征数据谱图；
步骤五、将新的序列数据以及绘图的特征数据谱图输入至已经训练好的神经网络中，对用户的各项帕金森运动症状进行量化评分，并在采集完所有运动症状后依据预先设定好的各项权值对用户的帕金森病情或恢复情况进行综合评估。
图1为本发明所使用的量化评估装置示意图，在步骤一中，用户利用传感装置上的魔术贴将固定于手腕的震颤检测装置1、固定于手指的震颤检测装置2、固定于脚腕的平衡障碍检测装置3佩戴好，保证用户运动时自身与检测装置之间无相对位移，将肌肉僵直检测用的柔性触觉传感器4与配套的手写笔平放于桌面上，震颤检测装置1和2共用一个电源，电源置于装置1中，装置2通过两根导线连接装置1中电源的正负极，装置1-4均内置有蓝牙模块，开启装置，确认装置已与用于接收和处理数据的计算机5通过蓝牙连接完毕，将加速度量程设置为±16g/s2，陀螺仪量程设置为2000deg/s，带宽设置为188Hz，回传速率设置为50Hz，最后，执行装置的自动校准功能，以补偿由于温度和在仪器影响区运行的其他电气设备的任何辐射发射而引起的漂移。
柔性触觉传感器4的内部电路原理图如图2所示，其包括两个CD74HC406716通道模拟多路复用器6，阵列传感部分7和一个Arduino UNO单片机8组成。单片机通过控制自身8个引脚的高低电平进而控制两个复用器各自16个通道的通断，再利用电阻并联分压原理，用自身的模拟输入引脚A0采集16×16＝256个传感坐标的电阻值。
柔性触觉传感器4的阵列传感部分7如图3所示，它由电极层9、传感层10和支撑层11组成。电极层是以PET为基底，以石墨烯为印刷材料，首先在绘图软件中绘制电路图形，再制成相应的模具丝网印刷而成。传感层每层是由16×16＝256个长×宽×高＝5×5×1mm的长方体传感单元组成，它是控制一定比例的CNT材料与PDMS材料混合，控制相应的固化时间，在制定好的模板中固化而成的。支撑层则是3d打印制成，一共有16×16＝256个边长为4mm的正方形孔位，打印材料为树脂，是绝缘材料。当柔性触觉传感器表面不受力时，由于绝缘支撑层的存在，传感器的电阻为无穷大；当用户在传感器上绘图时，传感器表面受到压力，上下两层传感层中对应受力的一对传感单元透过支撑层对应的孔位相互接触，并且受力越大接触面积越大即电阻越小，通过图2中电路的处理便可以检测确定用户绘图时落笔的坐标与力度大小。
在步骤二中，用户确定好所有设备的处于开启状态并且和电脑的连接状态良好后，依次进行如下任务：
任务一：用户启动计算机上对应的程序并进入静止性震颤检测模式后，端坐于椅子上，双手放松并自然搭在大腿上，保持姿势不变1分钟(如图4a)。
任务二：用户操作电脑对应程序进入姿势性震颤检测模式后，继续端坐于椅子上，双手向前平举并保持与地面平行，保持姿势不变一分钟(如图4b)。
任务三：用户操作相关程序进入平衡障碍检测模式后，进行昂白实验，即垂直站立，两脚并拢，两手于胸前互扣，并向两侧牵拉，紧闭双眼，保持姿势不变一分钟(如图4c)。
任务四：用户操作对应程序进入肌肉僵直检测模式后，按任务进行绘图，即端坐于桌前，使用配套的手写笔在柔性阵列压力传感器上绘制规定的图案。
在用户进行任务期间，震颤检测装置和平衡障碍检测装置中内置的陀螺仪和加速度计以50Hz的频率读取、记录用户完成任务时相应部位的实时角度、角速度和角加速度的变化，肌肉僵直检测用柔性阵列压力传感器以50Hz的频率实时读取用户绘图时落笔的坐标以及压力大小，利用单片机采集数据并通过蓝牙装置将数据传输到计算机，计算机再实时把获取的数据以图象形式实时反馈给用户。图5为帕金森患者与正常人的静止性震颤时域信号与频域信号对比。
在步骤三中：计算机将实时获取的角度、角速度和角加速度原始数据存储至固定文件中，删除所有的采集到的前5s和后5s的数据以排除用户在测试准备与结束时多余的动作造成的噪声干扰，仅保留中间50s的信号进行数据处理。帕金森患者的震颤频率通常为4–6Hz，而同样以震颤为典型症状的特发性震颤患者的震颤频率通常为5–8Hz，因此需要对低于3Hz的低频伪迹和高于9Hz的高频伪迹进行过滤。选用基于切比雪夫最佳一致逼近的非递归型(FIR)带通滤波器对保留的信号进行滤波，其上截止频率为9Hz，下截止频率为3Hz，切比雪夫最佳一致逼近的基本思想是，对于给定区间[a，b]上的连续函数f(x)，在所有n次多项式的集合中，寻找一个多项式，使其在[a，b]上对f(x)的偏差和其他一切属于集合的多项式对f(x)的偏差相比是最小的，利用切比雪夫逼近理论设计FIR数字滤波器时，满足最佳一致逼近的滤波器又具有等纹波性质。图6为滤波前后的静止性震颤时域信号与频域信号对比，滤波后低于3Hz的低频伪迹和高于9Hz的高频伪迹已被消除。
在步骤四中：计算机将预处理后的信号数据和绘图数据传输并存储于指定文件中，再对存储的数据进行特征提取，所做的工作包括；
1)提取预处理后序列数据的时域特征，其中包括：
(1)时域震颤幅度的均值μ，计算公式为：
Figure BDA0003468581010000101
其中，xi为第i个峰值；N为一组信号的峰值个数；
(2)时域震颤幅度的标准差σ，计算公式为：
Figure BDA0003468581010000102
(3)时域震颤幅度的均方根RMS，计算公式为：
Figure BDA0003468581010000103
(4)时域震颤幅度的偏度S，计算公式为：
Figure BDA0003468581010000104
(5)时域震颤幅度的峰度K，计算公式为：
Figure BDA0003468581010000105
2)提取预处理后序列数据的频域特征，其中包括：
(1)谱距离；
(2)频谱基频；
(3)频谱最大频率；
(4)频谱中频；
(5)频谱最大峰值；
(6)频谱能量值E，计算公式为：
Figure BDA0003468581010000111
其中，其中E为能量值，f表示频点，P(f)为信号能量谱密度；a、b分别为震颤的频率范围边界值；
3)提取绘图数据的特征，其中包括：
(1)平均速度；
(2)平均加速度；
(3)笔画数；
(4)平均压力；
(5)患者所绘图与标准图案平均偏移距离。
提取的时域特征和频域特征作为新的序列数据，作为用于识别序列的复合神经网络的输入；提取的绘图数据的特征以进度条的形式与绘图数据生成标准大小的特征数据谱图(如图7)，作为用于识别图像的卷积神经网络的输入。
在步骤五中：计算机将合成的序列数据输入到事先训练好的复合神经网络中，将生成的用户绘图的图像输入至事先训练好的卷积神经网络中，程序通过分析神经网络的输出结果对用户的每一项帕金森运动症状进行评分，并依据预先设定好的各项运动症状所占权值对用户的帕金森病情或恢复情况进行综合评估。
其中，处理震颤数据和平衡障碍数据的复合神经网络结构如图8所示。采集到一维时序信号后，一维卷积再次对合成的序列数据的特征提取，一维卷积神经网络由两层卷积层、两层池化层和一个全连接层组成，其后连接长短期记忆人工神经网络(LSTM)，一维卷积神经网络的输出将作为LSTM的输入，LSTM是循环神经网络(RNN)的一种，它在处理时域信号上有着独特的优势，最后LSTM输出用户该项检测的病情结果。
处理绘图数据的卷积神经网络如图9所示。它由输入层、卷积层、池化层、全连接层和输出层组成。其中，卷积层用于对图像进行特征的提取，而池化层的作用则是将提取的特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。最后，全连接层则用于将前面经过卷积后高度抽象化的特征进行整合，然后归一化，对各种分类情况都输出概率。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.一种基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，包括如下步骤：
步骤一、在人体手腕、手指以及脚腕处布置好传感器，摆放好柔性触觉传感器，对传感器进行初始化，设置检测参数；
步骤二、用户利用各传感器同时检测各项测试任务，完成对用户的静止性、姿势性和运动性震颤，肌肉僵直以及平衡障碍数据的采集，并通过连接的计算机向用户实时显示各项运动数据；
步骤三、对采集到的原始序列数据进行预处理；
步骤四、提取预处理后的序列数据以及绘图数据的特征，分别合成新的序列数据和绘图的特征数据谱图；
步骤五、将新的序列数据以及绘图的特征数据谱图输入至已经训练好的神经网络中，对用户的各项帕金森运动症状进行量化评分，并在采集完所有运动症状后依据预先设定好的各项权值对用户的帕金森病情或恢复情况进行综合评估。
2.根据权利要求1所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，步骤一具体为：用户将震颤检测装置通过魔术贴固定于手腕和手指上，将平衡障碍检测装置通过魔术贴固定于脚腕上，保证用户运动时自身与检测装置之间无相对位移，将肌肉僵直检测用的柔性触觉传感器与配套的手写笔平放于桌面上，开启准备好的各传感器，确认各传感器已与计算机通过蓝牙连接完毕，将加速度量程设置为±16g/s2，陀螺仪量程设置为2000deg/s，带宽设置为188Hz，回传速率设置为50Hz，最后，执行自动校准功能，以补偿由于温度和在仪器影响区运行的其他电气设备的任何辐射而引起的漂移。
3.根据权利要求2所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，步骤二具体为：用户确定好所有设备处于开启状态并且和计算机的连接状态良好后，依次进行如下任务：
任务一：用户启动计算机上对应程序并进入静止性震颤检测模式后，端坐于椅子上，双手放松并自然搭在大腿上，保持姿势不变1分钟；
任务二：用户操作计算机上对应程序进入姿势性震颤检测模式后，继续端坐于椅子上，双手向前平举并保持与地面平行，保持姿势不变一分钟；
任务三：用户操作计算机上对应程序进入平衡障碍检测模式后，进行昂白实验，即垂直站立，两脚并拢，两手于胸前互扣，并向两侧牵拉，紧闭双眼，保持姿势不变一分钟；
任务四：用户操作计算机上对应程序进入肌肉僵直检测模式后，按任务进行绘图，即端坐于桌前，使用配套的手写笔在柔性触觉传感器上绘制规定的图案；
在用户进行任务期间，震颤检测装置和平衡障碍检测装置中内置的陀螺仪和加速度计以50Hz的频率读取、记录用户完成任务时相应部位的实时角度、角速度和角加速度的变化，肌肉僵直检测用柔性触觉传感器以50Hz的频率实时读取用户绘图时落笔的坐标以及压力大小，利用单片机采集数据并通过蓝牙将数据传输到计算机，计算机再实时把获取的数据以图象形式实时反馈给用户。
4.根据权利要求3所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，步骤三具体为：计算机将实时获取的角度、角速度和角加速度原始数据存储至固定文件中，删除所有的采集到的前5s和后5s的数据以排除用户在测试准备与结束时多余的动作造成的噪声干扰，仅保留中间50s的信号进行数据处理；帕金森患者的震颤频率通常为4–6Hz，而同样以震颤为典型症状的特发性震颤患者的震颤频率通常为5–8Hz，因此需要对低于3Hz的低频伪迹和高于9Hz的高频伪迹进行过滤；选用基于切比雪夫最佳一致逼近的非递归型FIR带通滤波器对保留的信号进行滤波，其上截止频率为9Hz，下截止频率为3Hz。
5.根据权利要求1所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，步骤四具体为：计算机将预处理后的信号数据和绘图数据传输并存储于指定文件中，再对存储的数据进行特征提取，具体如下：
1)提取预处理后序列数据的时域特征，其中包括：
(1)时域震颤幅度的均值μ，计算公式为：
Figure FDA0003468579000000021
其中，xi为第i个峰值；N为一组信号的峰值个数；
(2)时域震颤幅度的标准差σ，计算公式为：
Figure FDA0003468579000000022
(3)时域震颤幅度的均方根RMS，计算公式为：
Figure FDA0003468579000000023
(4)时域震颤幅度的偏度S，计算公式为：
Figure FDA0003468579000000031
(5)时域震颤幅度的峰度K，计算公式为：
Figure FDA0003468579000000032
2)提取预处理后序列数据的频域特征，其中包括：
(1)谱距离；
(2)频谱基频；
(3)频谱最大频率；
(4)频谱中频；
(5)频谱最大峰值；
(6)频谱能量值E，计算公式为：
Figure FDA0003468579000000033
其中，其中E为能量值，f表示频点，P(f)为信号能量谱密度；a、b分别为震颤的频率范围边界值；
3)提取绘图数据的特征，其中包括：
(1)平均速度；
(2)平均加速度；
(3)笔画数；
(4)平均压力；
(5)患者所绘图与标准图案平均偏移距离。
提取的时域特征和频域特征作为新的序列数据，作为用于识别序列的复合神经网络的输入；提取的绘图数据的特征以进度条的形式与绘图数据生成标准大小的特征数据谱图，作为用于识别图像的卷积神经网络的输入。
6.根据权利要求1所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，步骤五具体为：计算机将新的序列数据输入到事先训练好的复合神经网络中，将生成的绘图的特征数据谱图输入至事先训练好的卷积神经网络中，程序通过分析神经网络的输出结果对用户的每一项帕金森运动症状进行评分，并依据预先设定好的各项运动症状所占权值对用户的帕金森病情或恢复情况进行综合评估。
7.根据权利要求6所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，复合神经网络由一维卷积神经网络和长短期记忆神经网络LSTM组成，一维卷积神经网络架构由一个包含30个长度为20的滤波器的卷积层、一个最大池化层、一个包含30个长度为10的滤波器的卷积层、一个最大池化层和最后一个全连接层组成，一维卷积神经网络末端的全连接层附加到LSTM，LSTM是循环神经网络RNN的一种，其隐藏层的激活计算如下：
Figure FDA0003468579000000041
Figure FDA0003468579000000042
其中
Figure FDA0003468579000000043
为网络的隐藏层向量，
Figure FDA0003468579000000044
是将输入连接到第n个隐藏层的权重矩阵，
Figure FDA0003468579000000045
是将第x个隐藏层连接到第y个隐藏层的权重矩阵，b是偏差，H是隐藏层函数，隐藏层函数h不仅采用t处的输入，还采用t-1处的输入来学习输入之间的依赖关系，输出序列计算如下：
Figure FDA0003468579000000046
LSTM的关键就是细胞状态，LSTM有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力，除了循环神经网络中的经典分类之外，LSTM还包含遗忘、忽略和选择门，以便更好地学习数据之间的依赖关系，LSTM的输入it、遗忘ft、输出ot和选择门ct的公式以及每个细胞的最终输出ht如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中，σ()表示Sigmoid函数，it、ft、ot和ct分别为为输入门、遗忘门、输出门和选择门的输出，ht为细胞的最终输出，ct-1为前一个细胞选择门的输出，也是前一个细胞状态，Wxy为不同门相互连接的权重矩阵，b为偏差。
8.根据权利要求7所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，卷积神经网络由输入层、卷积层、输出层、全连接层和输出层组成，一开始卷积层从输入层接收一个2D输入图像，并使用3×50个3×10步长的卷积滤波器来融合来图像的局部信息；图像通过一个卷积层之后，第二个卷积层从先前的特征图中提取更高级特征；卷积层使用整流线性单元函数ReLU作为激活函数；在每个卷积层之后，添加具有30％损失函数的dropout层以规避过拟合；最后，全连接FC层统一所有先前训练的神经元，并将softmax分类器连接到FC层以量化严重性，并由输出层输出分类结果。
9.根据权利要求2所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，所述震颤检测装置包括固定于手腕上的第一震颤检测单元、固定于手指上的第二震颤检测单元，第一/第二震颤检测单元均设置有便于固定手腕/手指的魔术贴；所述平衡障碍检测装置设置有便于固定脚腕的魔术贴；所述第一/第二震颤检测单元均采用MPU-6050芯片，以采集用户手腕/手指的角度、角速度以及角加速度信号，所述第一/第二震颤检测单元还包括与MPU-6050芯片连接的HC06蓝牙模块；所述平衡障碍检测装置采用MPU-6050芯片，以采集用户脚腕的角度、角速度以及角加速度信号，所述平衡障碍检测装置还包括与MPU-6050芯片连接的HC06蓝牙模块。
10.根据权利要求1所述的基于可穿戴式传感装置的帕金森运动症状量化评估方法，其特征在于，所述柔性触觉传感器包括两个CD74HC406716通道模拟多路复用器，传感阵列模块和一个Arduino UNO单片机，所述传感阵列模块通过两个CD74HC406716通道模拟多路复用器与ArduinoUNO单片机连接；所述传感阵列模块包括从上到下依次层叠的电极层、传感层、支撑层、传感层、电极层；所述电极层是以PET为基底，以石墨烯为印刷材料，通过丝网印刷而成；所述传感层由16×16＝256个长×宽×高＝5×5×1mm的长方体传感单元组成，它是控制预定比例的CNT材料与PDMS材料混合，控制相应的固化时间，在制定好的模板中固化而成的；所述支撑层是3d打印制成，一共有16×16＝256个边长为4mm的正方形孔位，打印材料为树脂，是绝缘材料。
CN202210039936.XA 2022-01-13 2022-01-13 基于可穿戴式传感装置的帕金森运动症状量化评估系统 Active CN114224296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210039936.XA CN114224296B (zh) 2022-01-13 2022-01-13 基于可穿戴式传感装置的帕金森运动症状量化评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210039936.XA CN114224296B (zh) 2022-01-13 2022-01-13 基于可穿戴式传感装置的帕金森运动症状量化评估系统

Publications (2)

Publication Number Publication Date
CN114224296A true CN114224296A (zh) 2022-03-25
CN114224296B CN114224296B (zh) 2023-07-21

Family

ID=80746450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210039936.XA Active CN114224296B (zh) 2022-01-13 2022-01-13 基于可穿戴式传感装置的帕金森运动症状量化评估系统

Country Status (1)

Country Link
CN (1) CN114224296B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114788687A (zh) * 2022-06-23 2022-07-26 中国科学院自动化研究所 一种帕金森肌强直症状量化评估方法和装置
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
CN116487025A (zh) * 2023-03-30 2023-07-25 华中科技大学同济医学院附属协和医院 一种帕金森病患者磁共振成像的功能性脑连接分析方法
WO2024012330A1 (zh) * 2022-07-11 2024-01-18 华为技术有限公司 一种用于评估帕金森病情的电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111513724A (zh) * 2020-05-28 2020-08-11 长春理工大学 适用于帕金森患者手功能康复监测与评估的可穿戴装置
CN111933273A (zh) * 2020-03-03 2020-11-13 和人人工知能科技有限公司 基于人工智能的帕金森病诊断装置及方法
US20200375501A1 (en) * 2019-05-31 2020-12-03 Georgetown University Assessing diseases by analyzing gait measurements
WO2021026552A1 (en) * 2019-08-06 2021-02-11 The Johns Hopkins University Platform to detect patient health condition based on images of physiological activity of a patient
CN112674760A (zh) * 2020-12-22 2021-04-20 山东农业大学 一种基于可穿戴传感器的帕金森病上肢运动检测方法
CN113012815A (zh) * 2021-04-06 2021-06-22 西北工业大学 一种基于多模态数据的帕金森健康风险评估方法
CN113272911A (zh) * 2018-08-28 2021-08-17 纽优柔斯普林有限公司 一种用于诊断和治疗疾病的医疗设备和方法
CN113747831A (zh) * 2019-06-05 2021-12-03 腾讯美国有限责任公司 基于用户设备的帕金森病检测

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113272911A (zh) * 2018-08-28 2021-08-17 纽优柔斯普林有限公司 一种用于诊断和治疗疾病的医疗设备和方法
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
US20200375501A1 (en) * 2019-05-31 2020-12-03 Georgetown University Assessing diseases by analyzing gait measurements
CN113747831A (zh) * 2019-06-05 2021-12-03 腾讯美国有限责任公司 基于用户设备的帕金森病检测
WO2021026552A1 (en) * 2019-08-06 2021-02-11 The Johns Hopkins University Platform to detect patient health condition based on images of physiological activity of a patient
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
CN111933273A (zh) * 2020-03-03 2020-11-13 和人人工知能科技有限公司 基于人工智能的帕金森病诊断装置及方法
CN111513724A (zh) * 2020-05-28 2020-08-11 长春理工大学 适用于帕金森患者手功能康复监测与评估的可穿戴装置
CN112674760A (zh) * 2020-12-22 2021-04-20 山东农业大学 一种基于可穿戴传感器的帕金森病上肢运动检测方法
CN113012815A (zh) * 2021-04-06 2021-06-22 西北工业大学 一种基于多模态数据的帕金森健康风险评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
林英杰: "帕金森病异常步态深度学习模型研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技》, no. 12 *
沈天毓 等: "利用可穿戴设备对帕金森病患者运动功能进行量化评估", 《生物医学工程学杂志》, vol. 35, no. 02 *
谈巧玲 等: "可穿戴传感步态模式深度学习融合判别模型", 《计算机系统应用》, vol. 30, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114788687A (zh) * 2022-06-23 2022-07-26 中国科学院自动化研究所 一种帕金森肌强直症状量化评估方法和装置
WO2024012330A1 (zh) * 2022-07-11 2024-01-18 华为技术有限公司 一种用于评估帕金森病情的电子设备
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
CN116487025A (zh) * 2023-03-30 2023-07-25 华中科技大学同济医学院附属协和医院 一种帕金森病患者磁共振成像的功能性脑连接分析方法

Also Published As

Publication number Publication date
CN114224296B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN114224296B (zh) 基于可穿戴式传感装置的帕金森运动症状量化评估系统
Preece et al. A comparison of feature extraction methods for the classification of dynamic activities from accelerometer data
US10335080B2 (en) Biomechanical activity monitoring
CN109157231A (zh) 基于情绪刺激任务的便携式多通道抑郁倾向评估系统
Patel et al. A novel approach to monitor rehabilitation outcomes in stroke survivors using wearable technology
CN102138860B (zh) 一种智能化脑损伤患者手功能康复训练设备
Roy et al. A combined sEMG and accelerometer system for monitoring functional activity in stroke
Zhang et al. Learning effective spatial–temporal features for sEMG armband-based gesture recognition
Alves et al. Uncovering patterns of forearm muscle activity using multi-channel mechanomyography
Totty et al. Muscle activation and inertial motion data for noninvasive classification of activities of daily living
Ma et al. sEMG-based trunk compensation detection in rehabilitation training
US20190320944A1 (en) Biomechanical activity monitoring
Meng et al. Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm
Song et al. Proposal of a wearable multimodal sensing-based serious games approach for hand movement training after stroke
Nawaz et al. Hand gestures classification using electrical impedance tomography images
Falih et al. Classification of EMG signals from forearm muscles as automatic control using Naive Bayes
Skaramagkas et al. Multi-modal Deep Learning Diagnosis of Parkinson’s Disease-A Systematic Review
Ahamad System architecture for brain-computer interface based on machine learning and internet of things
Rigas et al. Real-time quantification of resting tremor in the Parkinson's disease
Li et al. Quantitative assessment of hand motor function for post-stroke rehabilitation based on HAGCN and multimodality fusion
CN110693510A (zh) 一种注意力缺陷多动障碍辅助诊断装置及其使用方法
CN113456060B (zh) 一种运动功能特征参数的提取装置
CN112674760A (zh) 一种基于可穿戴传感器的帕金森病上肢运动检测方法
CN112674762A (zh) 一种基于可穿戴惯性传感器的帕金森震颤评估装置
Umasha et al. Ayurvedic Naadi Measurement and Diagnostic System

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