CN114788687A - 一种帕金森肌强直症状量化评估方法和装置 - Google Patents
一种帕金森肌强直症状量化评估方法和装置 Download PDFInfo
- Publication number
- CN114788687A CN114788687A CN202210715591.5A CN202210715591A CN114788687A CN 114788687 A CN114788687 A CN 114788687A CN 202210715591 A CN202210715591 A CN 202210715591A CN 114788687 A CN114788687 A CN 114788687A
- Authority
- CN
- China
- Prior art keywords
- conduction layer
- user
- neural conduction
- data
- neural
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 206010061533 Myotonia Diseases 0.000 title claims abstract description 56
- 230000001537 neural effect Effects 0.000 claims abstract description 125
- 239000013598 vector Substances 0.000 claims abstract description 89
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 208000024891 symptom Diseases 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000003274 myotonic effect Effects 0.000 claims abstract description 7
- 208000027089 Parkinsonian disease Diseases 0.000 claims description 26
- 206010034010 Parkinsonism Diseases 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000036461 convulsion Effects 0.000 claims description 12
- 238000013016 damping Methods 0.000 claims description 12
- 230000007831 electrophysiology Effects 0.000 claims description 11
- 238000002001 electrophysiology Methods 0.000 claims description 11
- 210000001364 upper extremity Anatomy 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000007830 nerve conduction Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 15
- 210000002310 elbow joint Anatomy 0.000 description 8
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000001272 neurogenic effect Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 208000018737 Parkinson disease Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003183 myoelectrical effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001573498 Compacta Species 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001713 cholinergic effect Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 230000003291 dopaminomimetic effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Rheumatology (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种帕金森肌强直症状量化评估方法和装置，涉及医疗检测与评估技术领域，所述方法包括：获取预处理的用户的多模态检测数据；基于预处理的用户的多模态检测数据，获取用户运动模式；在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。本发明可实现帕金森患者肌强直症状客观、全面的精准量化评估。
Description
技术领域
本发明涉及医疗检测与评估技术领域，尤其涉及一种帕金森肌强直症状量化评估方法和装置。
背景技术
帕金森病是全球第二大常见的中枢神经系统退行性疾病，是指中脑黑质致密部多巴胺能神经元的变性坏死及纹状体多巴胺含量的降低，造成脑内多巴胺能和胆碱能系统功能的紊乱，从而引发多种临床症状的疾病。常见临床症状中，帕金森病患者通常存在由主动肌和拮抗肌肌张力增高导致的肌强直症状，对患者的日常活动能力及生活自理能力造成极大的影响。因此，对帕金森患者的肌强直症状的严重程度进行及时的量化评估对制定治疗方案及评价治疗效果具有重要意义。
现有技术中，在临床工作中，医生通常以一定的速度牵拉患者的肢体或者躯干关节做往复的被动运动，根据患者在被动牵拉运动中产生的阻力大小进行肌强直症状判定，整个过程以医生观察为主、辅助一些定性或宏观的测量数据，结合分级量表评分完成评估，对于帕金森患者肌强直症状的评估结果易受医生主观经验的影响，导致评估结果存在偏差，无法实现帕金森患者肌强直症状客观、全面的量化评估。
发明内容
本发明提供一种帕金森肌强直症状量化评估方法和装置，用以解决现有技术中评估结果易受医生主观经验而导致偏差的缺陷，实现帕金森患者肌强直症状客观、全面的精准量化评估。
本发明提供一种帕金森肌强直症状量化评估方法，包括：
获取预处理的用户的多模态检测数据；
基于所述预处理的用户的多模态检测数据，获取用户运动模式；
在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
将串联的所述神经传导层预测向量和所述非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
根据本发明提供的一种帕金森肌强直症状量化评估方法，所述获取预处理的用户的多模态检测数据，包括：
获取用户的多模态检测数据，并基于所述多模态检测数据进行数字化转换，所述多模态检测数据包括运动学数据、生物力学数据和电生理学数据；
对数字化转换的多模态检测数据进行预处理；
基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，所述运动片段基于所述运动学数据变化获取。
根据本发明提供的一种帕金森肌强直症状量化评估方法，所述对数字化转换的多模态检测数据进行预处理，包括：
对所述运动学数据进行滤波和归一化；
对所述生物力学数据进行滤波和归一化；
对所述电生理学数据进行整流和滤波，获取所述电生理学数据的包络数据。
根据本发明提供的一种帕金森肌强直症状量化评估方法，所述基于所述预处理的用户的多模态检测数据，获取用户运动模式，包括：
将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，所述用户运动模式包括正常运动模式和异常运动模式，所述长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层。
根据本发明提供的一种帕金森肌强直症状量化评估方法，所述在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量，包括：
基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，所述时频分布特征包括瞬时频率和谱熵信息；
基于所述时频分布特征的平均绝对偏差值，获取神经传导层输入向量；
将所述神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，所述神经传导层量化评估模型基于前馈神经网络进行构建。
根据本发明提供的一种帕金森肌强直症状量化评估方法，所述在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量，包括：
基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；
基于所述虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；
基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；
将拼接的所述均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；
将所述非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，所述非神经传导层量化评估模型基于机器学习算法构建。
本发明还提供一种帕金森肌强直症状量化评估装置，包括：
第一获取模块，用于获取预处理的用户的多模态检测数据；
第二获取模块，用于基于所述预处理的用户的多模态检测数据，获取用户运动模式；
第三获取模块，用于在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
第四获取模块，用于在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
第五获取模块，用于将串联的所述神经传导层预测向量和所述非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述帕金森肌强直症状量化评估方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述帕金森肌强直症状量化评估方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述帕金森肌强直症状量化评估方法。
本发明提供的一种帕金森肌强直症状量化评估方法和装置，通过获取多模态检测数据，并对电生理学数据分析处理，基于运动片段判别用户的运动模式，在运动模式异常情况下，分别基于神经传导层量化评估模型和非神经传导层量化评估模型，分别对用户的神经性数据和非神经性数据进行独立分析，并利用机器学习算法对不同的量化分析结果进行融合，输出量化评估值实现对用户异常程度的全面量化评估，通过对多模态检测数据的多层级联数据分析，获取用户运动的异常程度评估值，提高评估精准度，减小因医生主观经验导致的偏差，为用户帕金森肌强直症状的严重程度判定提供全面、客观的理论支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之一；
图2是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之二；
图3是本发明提供的帕金森肌强直症状量化评估装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图2描述本发明的帕金森肌强直症状量化评估方法。
本发明提供一种帕金森肌强直症状量化评估方法，图1是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之一，如图1所示，该方法包括：
步骤110、获取预处理的用户的多模态检测数据。
可选地，本发明提供的帕金森肌强直症状量化评估方法，适用于满足以下标准的帕金森患者：
（1）、符合英国脑库帕金森病诊断标准（UK PD Society Brain Bank criteria）；
（2）、帕金森患者Hoehn -Yahr分级范围为1.0-2.5级，病程年限范围为0.2-5.0年；
（3）、患者无严重认知功能障碍，能配合检查和完成试验；
（4）、无其他已确诊的影响肢体活动的疾病。
可选地，获取预处理的用户的多模态检测数据的方法，包括：
获取用户的多模态检测数据，并基于多模态检测数据进行数字化转换，多模态检测数据包括运动学数据、生物力学数据和电生理学数据；
对数字化转换的多模态检测数据进行预处理；
基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，运动片段基于运动学数据变化获取。
可选地，多模态检测数据的获取方法包括但不限于：
通过采集设备，通过对用户上肢的被动牵拉运动，通过多个多种类型的传感器，采集用户的多模态检测数据。其中，用户进行被动牵拉运动的设备包括但不限于：支撑架和牵拉手柄，支撑架包括但不限于可旋转式支架，牵拉手柄滑动设于支撑架上；传感器包括但不限于：至少一个角度传感器、至少一个力矩传感器和至少一个肌电传感器。
示例地，以一个角度传感器、一个力矩传感器和三个肌电传感器为例，角度传感器和力矩传感器与用户的肘关节同轴，保证关节角度、角速度、力矩数据采集的准确性，三个肌电传感器分别直接设于用户的旋前圆肌、肱二头肌和肱三头肌，采集三个通道的表面肌电信号。用户可穿戴该采集设备，保持放松坐立姿态，在测试人员的辅助下，完成上肢的被动牵拉运动，通过角度传感器采集的运动学传感器和通过力矩传感器采集的生物力学数据均通过A/D转换器进行模数转换，实现两种数据的同步数字化，且采集的三种数据通过USB端口上传至上位机进行进一步的定量分析。
可选地，对数字化转换的多模态检测数据进行预处理的方法，包括：
对运动学数据进行滤波和归一化；
对生物力学数据进行滤波和归一化；
对电生理学数据进行整流和滤波，获取电生理学数据的包络数据。
示例地，对多模态检测数据进行以下预处理：
（1）、运动学数据：采用6Hz的巴特沃思低通滤波器，对角度传感器采集到的肘关节角度进行滤波，并通过差分计算，计算获取肘关节角速度和角加速度，并分别对角度、角速度和角加速度进行归一化处理。
（2）、生物力学数据：采用截止频率为20Hz的巴特沃思低通滤波器对力矩传感器采集的数据进行低通滤波，并进行归一化处理。
（3）、电生理学数据：采用截止频率分别为10Hz和200Hz的巴特沃思带通滤波器，分别对三个肌电传感器采集的表面肌电信号（sEMG）进行处理，去除直流偏置和高频噪声，并进行全波整流和低通滤波，以获得各表面肌电信号的包络线。
（4）、牵拉运动分段处理：根据用户的关节角度变化，设立运动片段，其中，运动片段的初始时刻为用户上臂与前臂屈曲程度最大的时间点，运动片段的终止时刻为上臂和前臂伸展程度最大的时间点，并以此为依据，对运动学数据、生物力学数据和电生理学数据进行分段。
步骤120、基于预处理的用户的多模态检测数据，获取用户运动模式。
可选地，图2是本发明提供的帕金森肌强直症状量化评估方法的流程示意图之二，如图2所示，该方法包括：
将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，用户运动模式包括正常运动模式和异常运动模式，长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层；
在正常运动模式的情况下，则结束评估过程；
在异常运动模式的情况下，则量化评估异常程度。
可选地，将获取的电生理学数据作为长短时记忆神经网络分类器的输入向量
，
通过输入层归一化后，输入隐藏层，并将隐藏层的输出向量输入全连接层，并通过softmax
层和分类层，通过分类层输出当前牵拉运动片段所属类别值，用于表示用户的运动模式，当
前牵拉运动片段所属类别值包括-1和+1。若分类层输出为-1，则表示用户的运动模式正常，
并结束量化评估过程；若分类层输出为+1，则表示用户的运动模式异常，即用户的运动存在
异常的肌肉僵直现象，即存在肌强直症状，需要对肌强直症状的严重程度进行量化评估。
可选地，隐藏层包括多个LSTM单元，示例地，可选取由100个LSTM单元构成的隐藏层，隐藏层的计算公式如式（1）所示：
其中，
表示隐藏层的输入门，
表示隐藏层的遗忘门，
表示当前时刻t的细胞
状态，
表示当前时刻t的隐藏层输出，
表示隐藏层的输出门，
、
、
、
均表示
相关权重系数，
、
、
、
均表示偏置项，
表示双曲正切激活函数。
步骤130、在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量。
可选地，如图2所示，神经传导层预测向量的获取方法包括：
基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，时频分布特征包括瞬时频率和谱熵信息；
基于时频分布特征的平均绝对偏差值，获取神经传导层输入向量；
将神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，神经传导层量化评估模型基于前馈神经网络进行构建。
可选地，在神经传导层面，利用短时傅里叶变换方法，从用户旋前圆肌、肱二头肌、肱三头肌的表面肌电信号（sEMG）中提取瞬时频率和谱熵信息，用于量化用户异常肌肉激活模式的时频分布特征，并基于瞬时频率和谱熵信息，分别提取三个表面肌电信号（sEMG）的平均绝对偏差值，平均绝对偏差值的计算公式如式（2）所示：
其中，
表示当前牵拉运动片段中的采样点数目，
表示第c个表面肌电信号
（sEMG）的时频分布特征，
表示时间，IF表示瞬时频率，SE表示谱熵信息。
可选地，在获取时频分布特征的基础上，将分别基于3个表面肌电信号的瞬时频率和谱熵信息获取的共计6个平均绝对偏差值确定为神经传导层量化评估模型的输入向量，输入向量如式（3）所示：
可选地，基于前馈神经网络构建神经传导层量化评估模型，神经传导层量化评估模型包括但不限于：输入层、隐藏层和输出层，并经输出层输出基于概率分布的神经传导层预测向量，预测向量如式（4）所示：
示例地，神经传导层量化评估模型中，输入层、隐藏层和输出层包含的节点数目分别为6、10、1。
步骤140、在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量。
可选地，非神经传导层预测向量的获取方法包括：
基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；
基于虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；
基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；
将拼接的均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；
将非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，非神经传导层量化评估模型基于机器学习算法构建。
可选地，基于运动学数据，计算被动牵拉运动虚拟最小急动度轨迹与实际运动轨迹之间的偏差，用于量化用户肌强直症状中肢体关节及肌腱等力学特性的病理改变，且可以自适应的规划运动片段对应的虚拟最小急动度轨迹，虚拟最小急动度轨迹与实际运动轨迹之间的偏差如式（5）所示：
其中，
表示运动片段中最大伸展位的肘关节角度，
表示运动片段中最大屈曲
位的肘关节角度，
表示运动片段的时长。
基于虚拟最小急动度轨迹与实际运动轨迹之间的偏差，提取均值特征和标准差特
征，均值特征
计算公式如式（6）所示，标准差特征
如式（7）所示：
其中，
表示实际运动轨迹的时间长度中的采样点数目，
表示虚拟轨迹和实
际轨迹之间的时序偏差。
可选地，构建用户上肢被动牵拉运动过程中的机械状模型，机械阻抗模型如式（8）所示：
其中，
表示生物力学数据预处理后得到的关节扭矩，
表示肘关节的角度，
表示肘关节的角速度，
表示肘关节的角加速度，
表示平衡位置的关节角度值，
表示上肢的惯量特征，
表示上肢的阻尼特征，
表示上肢的刚度成分系数。
可选地，采用递推最小二乘法获取上肢的惯量特征
、阻尼特征
和刚度成分系
数
，计算公式如式（9）-式（11）所示：
其中，
，
,
表示遗忘系数，且
，
表示协
方差矩阵，
表示增益项量。
可选地，将均值特征
、标准差特征
、惯量特征
、阻尼特征
和刚度成分系数
确定为非神经传导层输入向量，非神经传导层输入向量的维度不作限定，还可包括除均
值特征
、标准差特征
、惯量特征
、阻尼特征
和刚度成分系数
以外的特征，本发明
中示例的非神经传导层输入向量的维度为5维。非神经传导层输入向量如式（12）所示：
可选地，采用支持向量机回归算法构建非神经传导层量化评估模型，支持向量机回归算法中采用sigmoid函数作为核函数生成后验概率，输出基于概率分布的非神经传导层预测向量，非神经传导层预测向量如式（13）所示：
步骤150、将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
可选地，基于神经传导层预测向量和非神经传导层预测向量，构建融合模型输入
向量
，融合模型输入向量
如式（14）所示：
可选地，基于随机森铃算法构建融合模型，并将融合模型输入向量
输入融合模
型，输出用户运动模式异常程度的量化评估值，融合模型如式（15）所示：
其中，
表示评估过程中被动牵拉运动的完成次数，
表示用户运动模式异常程
度的量化评估值，且异常程度的量化评估值
越接近于0，则表明用户运动异常程度越轻，
即用户的肌强直症状严重程度越低，为用户的肌强直症状的严重症状判定提供客观定量评
价。
本发明提供的一种帕金森肌强直症状量化评估方法，通过获取多模态检测数据，并对电生理学数据分析处理，基于运动片段判别用户的运动模式，在运动模式异常情况下，分别基于神经传导层量化评估模型和非神经传导层量化评估模型，分别对用户的神经性数据和非神经性数据进行独立分析，并利用机器学习算法对不同的量化分析结果进行融合，输出量化评估值实现对用户异常程度的全面量化评估，通过对多模态检测数据的多层级联数据分析，获取用户运动的异常程度评估值，提高评估精准度，减小因医生主观经验导致的偏差，为用户帕金森肌强直症状的严重程度判定提供全面、客观的理论支撑。
下面对本发明提供的帕金森肌强直症状量化评估装置进行描述，下文描述的帕金森肌强直症状量化评估装置与上文描述的帕金森肌强直症状量化评估方法可相互对应参照。
本发明还提供一种帕金森肌强直症状量化评估装置，图3是本发明提供的帕金森肌强直症状量化评估装置的结构示意图，如图3所示，帕金森肌强直症状量化评估装置200包括：第一获取模块201、第二获取模块202、第三获取模块203、第四获取模块204和第五获取模块205、其中：
第一获取模块201，用于获取预处理的用户的多模态检测数据；
第二获取模块202，用于基于预处理的用户的多模态检测数据，获取用户运动模式；
第三获取模块203，用于在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
第四获取模块204，用于在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
第五获取模块205，用于将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
本发明提供的一种帕金森肌强直症状量化评估装置，通过获取多模态检测数据，并对电生理学数据分析处理，基于运动片段判别用户的运动模式，在运动模式异常情况下，分别基于神经传导层量化评估模型和非神经传导层量化评估模型，分别对用户的神经性数据和非神经性数据进行独立分析，并利用机器学习算法对不同的量化分析结果进行融合，输出量化评估值实现对用户异常程度的全面量化评估，通过对多模态检测数据的多层级联数据分析，获取用户运动的异常程度评估值，提高评估精准度，减小因医生主观经验导致的偏差，为用户帕金森肌强直症状的严重程度判定提供全面、客观的理论支撑。
可选地，第一获取模块201，具体用于：
获取用户的多模态检测数据，并基于多模态检测数据进行数字化转换，多模态检测数据包括运动学数据、生物力学数据和电生理学数据；
对数字化转换的多模态检测数据进行预处理；
基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，运动片段基于运动学数据变化获取。
可选地，第一获取模块201，具体用于：
对运动学数据进行滤波和归一化；
对生物力学数据进行滤波和归一化；
对电生理学数据进行整流和滤波，获取电生理学数据的包络数据。
可选地，第二获取模块202，具体用于：
将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，用户运动模式包括正常运动模式和异常运动模式，长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层。
可选地，第三获取模块203，具体用于：
基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，时频分布特征包括瞬时频率和谱熵信息；
基于时频分布特征的平均绝对偏差值，获取神经传导层输入向量；
将神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，神经传导层量化评估模型基于前馈神经网络进行构建。
可选地，第四获取模块204，具体用于：
基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；
基于虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；
基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；
将拼接的均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；
将非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，非神经传导层量化评估模型基于机器学习算法构建。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备300可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行帕金森肌强直症状量化评估方法，该方法包括：
获取预处理的用户的多模态检测数据；
基于预处理的用户的多模态检测数据，获取用户运动模式；
在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取量化评估值。
此外，上述的存储器330中的逻辑指令可以通过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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的帕金森肌强直症状量化评估方法，该方法包括：
获取预处理的用户的多模态检测数据；
基于预处理的用户的多模态检测数据，获取用户运动模式；
在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的帕金森肌强直症状量化评估方法，该方法包括：
获取预处理的用户的多模态检测数据；
基于预处理的用户的多模态检测数据，获取用户运动模式；
在用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
在用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
将串联的神经传导层预测向量和非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种帕金森肌强直症状量化评估方法，其特征在于，包括：
获取预处理的用户的多模态检测数据；
基于所述预处理的用户的多模态检测数据，获取用户运动模式；
在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
将串联的所述神经传导层预测向量和所述非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
2.根据权利要求1所述的帕金森肌强直症状量化评估方法，其特征在于，所述获取预处理的用户的多模态检测数据，包括：
获取用户的多模态检测数据，并基于所述多模态检测数据进行数字化转换，所述多模态检测数据包括运动学数据、生物力学数据和电生理学数据；
对数字化转换的多模态检测数据进行预处理；
基于运动片段，对预处理的数字化转换的多模态检测数据进行分段处理，其中，所述运动片段基于所述运动学数据变化获取。
3.根据权利要求2所述的帕金森肌强直症状量化评估方法，其特征在于，所述对数字化转换的多模态检测数据进行预处理，包括：
对所述运动学数据进行滤波和归一化；
对所述生物力学数据进行滤波和归一化；
对所述电生理学数据进行整流和滤波，获取所述电生理学数据的包络数据。
4.根据权利要求2所述的帕金森肌强直症状量化评估方法，其特征在于，所述基于所述预处理的用户的多模态检测数据，获取用户运动模式，包括：
将预处理的电生理学数据输入长短时记忆神经网络分类器，获取基于运动片段的用户运动模式，其中，所述用户运动模式包括正常运动模式和异常运动模式，所述长短时记忆神经网络分类器包括输入层、隐藏层、全连接层、softmax层和分类层。
5.根据权利要求2-4中任一项所述的帕金森肌强直症状量化评估方法，其特征在于，所述在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量，包括：
基于短时傅里叶变换方法，获取电生理学数据的时频分布特征，所述时频分布特征包括瞬时频率和谱熵信息；
基于所述时频分布特征的平均绝对偏差值，获取神经传导层输入向量；
将所述神经传导层输入向量输入预先构建的神经传导层量化评估模型，获取神经传导层预测向量，其中，所述神经传导层量化评估模型基于前馈神经网络进行构建。
6.根据权利要求5所述的帕金森肌强直症状量化评估方法，其特征在于，所述在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量，包括：
基于运动学数据，确定用户运动中虚拟最小急动度轨迹与实际运动轨迹之间的偏差；
基于所述虚拟最小急动度轨迹与实际运动轨迹之间的偏差，获取均值特征和标准差特征；
基于生物学数据，利用机械阻抗模型，获取上肢的惯量特征、阻尼特征和刚度成分系数；
将拼接的所述均值特征、标准差特征、惯量特征、阻尼特征和刚度成分系数确定为非神经传导层输入向量；
将所述非神经传导层输入向量输入预先构建的非神经传导层量化评估模型，获取非神经传导层预测向量，其中，所述非神经传导层量化评估模型基于机器学习算法构建。
7.一种帕金森肌强直症状量化评估装置，其特征在于，包括：
第一获取模块，用于获取预处理的用户的多模态检测数据；
第二获取模块，用于基于所述预处理的用户的多模态检测数据，获取用户运动模式；
第三获取模块，用于在所述用户运动模式异常情况下，基于神经传导层量化评估模型，获取神经传导层预测向量；
第四获取模块，用于在所述用户运动模式异常情况下，基于非神经传导层量化评估模型，获取非神经传导层预测向量；
第五获取模块，用于将串联的所述神经传导层预测向量和所述非神经传导层预测向量输入融合模型，获取帕金森肌强直症状的量化评估值。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述帕金森肌强直症状量化评估方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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6任一项所述帕金森肌强直症状量化评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210715591.5A CN114788687B (zh) | 2022-06-23 | 2022-06-23 | 一种帕金森肌强直症状量化评估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210715591.5A CN114788687B (zh) | 2022-06-23 | 2022-06-23 | 一种帕金森肌强直症状量化评估方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114788687A true CN114788687A (zh) | 2022-07-26 |
| CN114788687B CN114788687B (zh) | 2022-09-27 |
Family
ID=82463063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210715591.5A Active CN114788687B (zh) | 2022-06-23 | 2022-06-23 | 一种帕金森肌强直症状量化评估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114788687B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106109174A (zh) * | 2016-07-14 | 2016-11-16 | 燕山大学 | 一种基于肌电反馈式阻抗自适应的康复机器人控制方法 |
| 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 |
| CN111382679A (zh) * | 2020-02-25 | 2020-07-07 | 上海交通大学 | 帕金森病步态运动障碍严重程度的评估方法、系统及设备 |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN112233785A (zh) * | 2020-07-08 | 2021-01-15 | 华南理工大学 | 一种帕金森症的智能识别方法 |
| 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 |
| CN113317763A (zh) * | 2021-06-30 | 2021-08-31 | 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 |
| US20210386359A1 (en) * | 2020-06-10 | 2021-12-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Estimation of Parkinson's Disease Gait Impairment Severity from Videos Using MDS-UPDRS |
| WO2022015043A1 (ko) * | 2020-07-14 | 2022-01-20 | 고려대학교 산학협력단 | 신경질환 양방향 모니터링 시스템 |
| 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 |
| US20220133211A1 (en) * | 2019-02-28 | 2022-05-05 | Adamant Health Oy | Measurement unit and monitoring system for monitoring indicator of parkinson's disease in person |
-
2022
- 2022-06-23 CN CN202210715591.5A patent/CN114788687B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106109174A (zh) * | 2016-07-14 | 2016-11-16 | 燕山大学 | 一种基于肌电反馈式阻抗自适应的康复机器人控制方法 |
| US20220133211A1 (en) * | 2019-02-28 | 2022-05-05 | Adamant Health Oy | Measurement unit and monitoring system for monitoring indicator of parkinson's disease in person |
| 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 |
| CN111382679A (zh) * | 2020-02-25 | 2020-07-07 | 上海交通大学 | 帕金森病步态运动障碍严重程度的评估方法、系统及设备 |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| US20210386359A1 (en) * | 2020-06-10 | 2021-12-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Estimation of Parkinson's Disease Gait Impairment Severity from Videos Using MDS-UPDRS |
| CN112233785A (zh) * | 2020-07-08 | 2021-01-15 | 华南理工大学 | 一种帕金森症的智能识别方法 |
| WO2022015043A1 (ko) * | 2020-07-14 | 2022-01-20 | 고려대학교 산학협력단 | 신경질환 양방향 모니터링 시스템 |
| 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 |
| CN113317763A (zh) * | 2021-06-30 | 2021-08-31 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114788687B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109157231B (zh) | 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 | |
| EP3692904B1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
| Burns et al. | Upper limb movement classification via electromyographic signals and an enhanced probabilistic network | |
| Wang et al. | Multi-class motor imagery EEG decoding for brain-computer interfaces | |
| Farago et al. | A review of techniques for surface electromyography signal quality analysis | |
| JP2020536693A (ja) | 人工知能自己学習に基づく心電図自動解析方法及び装置 | |
| CN110013250B (zh) | 一种抑郁症自杀行为的多模式特征信息融合预测方法 | |
| Surangsrirat et al. | Support vector machine classification of Parkinson's disease and essential tremor subjects based on temporal fluctuation | |
| Singh et al. | A review of EMG techniques for detection of gait disorders | |
| Thanawattano et al. | Temporal fluctuation analysis of tremor signal in Parkinson's disease and Essential tremor subjects | |
| CN115568866A (zh) | 一种神经损伤的评价系统及其方法 | |
| JP2018515181A (ja) | 脳深部刺激手術用の手首固縮評価装置 | |
| Alaskar et al. | Prediction of Parkinson disease using gait signals | |
| Asanza et al. | EEG signal clustering for motor and imaginary motor tasks on hands and feet | |
| 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 | |
| Kaur et al. | Using virtual reality to examine the neural and physiological anxiety-related responses to balance-demanding target-reaching leaning tasks | |
| Legaria-Santiago et al. | Computer models evaluating hand tremors in Parkinson's disease patients | |
| Adem et al. | Classification of Parkinson's disease using EMG signals from different upper limb movements based on multiclass support vector machine | |
| Sharma et al. | Novel eeg based schizophrenia detection with iomt framework for smart healthcare | |
| Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
| CN114788687B (zh) | 一种帕金森肌强直症状量化评估方法和装置 | |
| CN115670481B (zh) | 意识关联康复机器臂运动意愿提取及协同控制方法 | |
| Dubey et al. | A neural network approach for ECG classification | |
| CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
| CN111297366A (zh) | 基于日常生活用品的辅助疾病诊断的数据处理方法和诊断装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |