CN115336979B - 基于可穿戴设备的多任务震颤自动检测方法及其检测设备 - Google Patents

基于可穿戴设备的多任务震颤自动检测方法及其检测设备 Download PDF

Info

Publication number
CN115336979B
CN115336979B CN202211005659.7A CN202211005659A CN115336979B CN 115336979 B CN115336979 B CN 115336979B CN 202211005659 A CN202211005659 A CN 202211005659A CN 115336979 B CN115336979 B CN 115336979B
Authority
CN
China
Prior art keywords
acceleration
gyroscope
magnetometer
factor
tremor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211005659.7A
Other languages
English (en)
Other versions
CN115336979A (zh
Inventor
麻琛彬
张政波
宗睿
范勇
李梦伟
李丽轩
杨文静
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.)
Chinese PLA General Hospital
Original Assignee
Chinese PLA General Hospital
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 Chinese PLA General Hospital filed Critical Chinese PLA General Hospital
Publication of CN115336979A publication Critical patent/CN115336979A/zh
Application granted granted Critical
Publication of CN115336979B publication Critical patent/CN115336979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/68—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
    • 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

Landscapes

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

Abstract

本申请提出一种基于可穿戴设备的多任务震颤自动检测设备，其包括：IMU可穿戴设备、计算设备；IMU可穿戴设备包括九轴惯性传感器；指定动作为CRST任务，包括静息性震颤、姿势性震颤以及动作性震颤的任务：计算设备用于运行PTRS模块和SQS模块；PTRS模块由MSSE‑ResNet构成，通过融合多通道原始传感序列中的时间‑空间信息和多尺度特征，从而自动识别多种CRST任务的姿态；PTRS模块的输入为震颤数据的原始时间序列及其信号矢量幅值序列，输出为CRST任务；SQS模块包括特征选择层和分类器，用于评估震颤严重程度；SQS模块的输入为所述CRST任务以及自所述原始时间序列及其信号矢量幅值序列获得的特征全集,输出为该CRST任务对应的震颤严重等级。

Description

基于可穿戴设备的多任务震颤自动检测方法及其检测设备
技术领域
本申请涉及模式识别，尤其涉及基于可穿戴设备的多任务震颤评估。
背景技术
特发震颤(ET)是一种具有特征性运动症状的退行性神经系统疾病，为常染色体显性遗传病，又称家族性或良性特发性震颤，是最常见的锥体外系疾病，也是最常见的震颤病症。约60％病人有家族史。特发性震颤是单一症状性疾病，姿势性震颤是本病的唯一临床表现。所谓姿势性震颤，是指肢体维持一定姿势时引发的震颤，在肢体完全放松时震颤自然消失。本病的震颤常见于手，其次为头部震颤，极少的病人出现下肢震颤。
目前的临床评估主要是基于专家咨询，结合审查病人的主诉，非常依赖医生的专业知识和诊断经验。通过可穿戴传感器技术结合机器学习方法进行客观量化的研究具有很好的应用潜力。本发明方法利用可穿戴传感器，在标准化的场景中可以自动评定ET患者的症状严重程度。
将可穿戴式传感器应用于早期震颤评估中是当前学术界和工业界的一个研究热点。可穿戴传感器可以用于人体的高精度跟踪、长期生理信号监测等，这种非植入式监测已用于临床患者运动异常的评估中。本发明方法区别于在日常活动中长期收集患者震颤活动数据的方法，是通过收集高维全面的姿态数据，应用于规范的临床场景下，为医生提供高精度、低误差的疾病严重程度分数，以提供医疗级的辅助诊断。
即使是为数不多的用于连续监测ADL中ET震颤严重程度的医疗级可穿戴系统，如Kinesia HomeViewTM，也需要患者每小时使用平板电脑按照提示重复标准化的震颤评估动作。另外，使用一个名为PsyMateTM的经验抽样法应用程序，需要用户填写问卷。这些操作反而增加了患者的使用负担，干扰了日常生活。此外，在相关研究中显示，由于自由活动下容易混合其他类型的震颤和运动干扰。算法的性能在日常监测数据与实验室记录的数据上有很大差异，ADL相关研究算法的稳健性难以提高，不适合作为实验室检查的参考。
然而，现有的技术方案大都采用加速度计直接采集震颤信号，这种方案的缺陷在于容易混入活动中的运动成分，而且传感器累积误差和环境噪声也使测量的信号不可靠。此外，在早期病症阶段，肢体的震颤是非常轻微的，从加速度计采集的信号中很难提取其特征，容易被误认为是噪声信号而丢弃。
再者，当前的已有的震颤自动量化系统的算法是初级的，并未实现全自动的功能，不便于部署在真实的临床环境中。大部分已有研究仅适用于单个的实验室检查任务模式，而临床诊断不能仅仅依靠单一的任务，因此为了避免此类问题，个别研究会通过人工分离出相应的实验室检查任务信号，或者分别存放多种实验室检查任务的数据，然后再设计精细的分类器用于震颤评估。但是这种系统会耗费大量的人力，需要人工对复杂的信号进行筛选，或者通过记录的时间戳从长期连续监测的运动信号中分离出关注的信号段。此外，设计的系统也会耗费大量的时间，得出结果较为滞后，不能满足实时检测分析的临床需求。因此，本发明额外提出一种全自动的端到端的深度网络，针对不同实验室检查任务以进行姿态辨识的粗粒度分类，从而代替冗杂的人工切分信号的过程，具有部署于临床以进行实时分析的潜力。
发明专利CN201410381634.6公开了一种用于帕金森病人主要症状定量检测的可穿戴系统，该发明通过可穿戴式智能手套获取指尖和手腕部位的加速度和角加速度，并通过特征描述震颤程度和肌肉僵直状态。尽管能够更快速地收集大量的参考数据，但由于功耗和数据存储的限制，他们的模型性能仍有很大的发展空间，往往采样率和信号维度较低。而且由于直接采用惯性数据，容易受患者本身姿态和日常运动的干扰，从而影响系统识别效果。
发明专利CN201410833652.3公开了一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法，指定动作下拇指震颤数据采集、食指震颤数据采集及统一帕金森病评分量表UPDRS打分、震颤数据近似熵与震颤数据之间的互近似熵计算，但该方法并未提供解决传感器长期记录产生的累积误差的解决方案，收集的数据维度也不足以支持更加准确的诊断模型，因此对早期轻微震颤识别效果较弱，距离应用于实际的临床场景仍然有较大差距。
发明内容
鉴于上述问题，本申请旨在提出一种基于可穿戴设备的多任务震颤自动检测设备，其包括：
IMU可穿戴设备、计算设备；
IMU可穿戴设备包括九轴惯性传感器；九轴惯性传感器用于布置在受试者的双手手背上以获取受试者在指定动作下的震颤数据，该震颤数据包括三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据；该指定动作为CRST任务，包括静息性震颤、姿势性震颤以及动作性震颤的任务：
计算设备用于运行PTRS模块和SQS模块；
PTRS模块由MSSE-ResNet构成，通过融合多通道原始传感序列中的时间-空间信息和多尺度特征，从而自动识别多种CRST任务的姿态；PTRS模块的输入为震颤数据的原始时间序列及其信号矢量幅值序列，输出为CRST任务；
SQS模块包括特征选择层和分类器，用于评估震颤严重程度；SQS模块的输入为所述CRST任务以及自所述原始时间序列及其信号矢量幅值序列获得的特征全集，输出为该CRST任务对应的震颤严重等级；
所述特征全集包括加速度、陀螺仪、磁力计的最大峰值、最小峰值、平均值、峰-峰幅值、平均整流值、方差、标准差、峰度、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值功率、峰值功率比例、功率主峰值、样本熵、近似熵、模糊熵。
优选地，所述CRST任务包括：静息姿态、翼搏位姿势、手臂伸展位、对指位、指鼻动作；
SQS模块中，对应于静息姿态，其特征选择层为Embedded模型，分类器为Tree模型；
对应于翼搏位姿势，其特征选择层为Filter模型，分类器为RUSBoost模型；
对应于手臂伸展位，其特征选择层为Mutual-info模型，分类器为KNN模型；
对应于对指位，其特征选择层为Embedded模型，分类器为KNN模型；
对应于指鼻动作，其特征选择层为Mutual-info模型，分类器为KNN模型。
优选地，对应于静息姿态，特征选择层选择的特征为：加速度的最小值(A_Min)、加速度的平均值(A_Mean)、加速度的峰值功率(A_PeakP)、加速度的方差(A_Var)、加速度的标准差(A_Std)、加速度的峰度(A_Kurt)、加速度的均方根(A_RMS)、加速度的峰值因子(A_CF)、陀螺仪的最大值(G_Max)、陀螺仪的裕度因子(G_LF)、磁力计的最大值(M_Max)、磁力计的最小值(M_Min)、磁力计的平均值(M_Mean)、磁力计的标准差(M_Std)、磁力计的波形因子(M_SF)、磁力计的脉冲因子(M_IF)；
对应于翼搏位姿势，特征选择层选择的特征为：加速度的最大值(A_Max)、加速度的最小值(A_Min)、加速度的峰值功率(A_PeakP)、加速度的峰值因子(A_CF)、加速度的脉冲因子(A_IF)、陀螺仪的最大值(G_Max)、陀螺仪的最小值(G_Min)、陀螺仪的平均值(G_Mean)、陀螺仪的峰值功率(G_PeakP)、陀螺仪的平均整流值(G_Arv)、陀螺仪的标准差(G_Std)、陀螺仪的均方根(G_RMS)、磁力计的最大值(M_Max)、磁力计的最小值(M_Min)、磁力计的峰值功率(M_PeakP)；
对应于手臂伸展位，特征选择层选择的特征为：加速度的最大值(A_Max)、加速度的最小值(A_Min)、加速度的峰值功率(A_PeakP)、加速度的峰值因子(A_CF)、加速度的脉冲因子(A_IF)、陀螺仪的最大值(G_Max)、陀螺仪的最小值(G_Min)、陀螺仪的平均值(G_Mean)、陀螺仪的峰值功率(G_PeakP)、陀螺仪的平均整流值(G_Arv)、陀螺仪的均方根(G_RMS)、磁力计的最大值(M_Max)、磁力计的最小值(M_Min)、磁力计的平均值(M_Mean)、磁力计的均方根(M_RMS)；
对应于对指位，特征选择层选择的特征为：加速度的平均值(A_Mean)、加速度的峰值功率(A_PeakP)、加速度的方差(A_Var)、加速度的标准差(A_Std)、加速度的均方根(A_RMS)、加速度的峰值因子(A_CF)、加速度的裕度因子(A_LF)、陀螺仪的最大值(G_Max)、陀螺仪的峰值功率(G_PeakP)、陀螺仪的方差(G_Var)、陀螺仪的波形因子(G_SF)、陀螺仪的脉冲因子(G_IF)、磁力计的最大值(M_Max)、磁力计的最小值(M_Min)、磁力计的平均值(M_Mean)、磁力计的均方根(M_RMS)、磁力计的峰值因子(M_CF)；
对应于指鼻动作，特征选择层选择的特征为：加速度的最大值(A_Max)、加速度的最小值(A_Min)、加速度的平均值(A_Mean)、加速度的峰值功率(A_PeakP)、加速度的平均整流值(A_Arv)、加速度的方差(A_Var)、加速度的均方根(A_RMS)、加速度的峰值因子(A_CF)、加速度的脉冲因子(A_IF)、加速度的裕度因子(A_LF)、陀螺仪的最大值(G_Max)、陀螺仪的最小值(G_Min)、陀螺仪的峰值功率(G_PeakP)、磁力计的最大值(M_Max)、磁力计的最小值(M_Min)、磁力计的峰值功率(M_PeakP)。
优选地，MSSE-ResNet包括：骨架网络，用于学习共享的低级特征；多分支的子网络，使用不同尺度的卷积核感知多尺度的时间特征；SE模块，融合不同通道之间的特征谱图。
本申请还提出一种基于可穿戴设备的多任务震颤自动评估模型，其包括：
PTRS模块和SQS模块；
PTRS模块由MSSE-ResNet构成，通过融合多通道原始传感序列中的时间-空间信息和多尺度特征，从而自动识别多种CRST任务的姿态；PTRS模块的输入为震颤数据的原始时间序列及其信号矢量幅值序列，输出为CRST任务；
SQS模块包括特征选择层和分类器，用于评估震颤严重程度；SQS模块的输入为所述CRST任务以及自所述原始时间序列及其信号矢量幅值序列获得的特征全集，输出为该CRST任务对应的震颤严重等级；
所述特征全集包括加速度、陀螺仪、磁力计的最大峰值、最小峰值、平均值、峰-峰幅值、平均整流值、方差、标准差、峰度、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值功率、峰值功率比例、功率主峰值、样本熵、近似熵、模糊熵。
本申请中，端到端的姿态辨识深度网络结合简化特征和算法定义的策略，可以广泛应用于不同场景的应用形式和性能要求。然而，过低维度的原始数据采集可能会限制系统技术的预期升级。对更高诊断精度的需求可以从更规范的数据采集、更高的传感分辨率和多模态信号通道中获益。因此，应用于实验室诊断的震颤信号采集系统最好使用多个传感器。这将增加可用的数据，有助于提高获取信息的数量和质量。另外，通过两阶段的系统可实现全自动的震颤量化评估，避免了冗杂的人工处理过程。
附图说明
图1为本申请中使用的可穿戴设备的结构和实验演示。
图2为本发明提出的多任务震颤自动评估系统的数据分析流程。
图3为基于MSSE-ResNet的评估震颤的CRST任务的深度学习分类网络架构示意图。
图4为根据加速度信号的矢量振幅(截取的15s信号段)计算的功率谱密度函数。
图5为分类器的ROC曲线。
图6为最优分类算法的混淆矩阵。
具体实施方式
本发明利用自主研发的基于惯性传感单元(IMU)的可穿戴设备，提供了一种运动障碍类疾病多任务震颤自动评估方法，可同时获得包括静息震颤、姿势震颤以及动作震颤三种不同震颤任务的评分。
本发明方法的具体步骤为：
(1)在人体手部部署传感器，通过上位机对传感器进行初始化，消除传感器零飘，并进行初始标定，设置传感器采样频率；通过部署的传感器采集人体手部的姿态信号。具体地，利用基于九轴IMU的可穿戴设备采集患者在多个震颤任务的诱发动作下的双手的手部震颤数据；同时利用CRST量表对患者指定动作的完成情况进行打分；为后期追述和评估病情变化以及多名神经科专家盲审打分，在实验室检查的同时由专业的神经科医生全程对患者的动作录像。
优选的，实验室检查全程由一位具有运动障碍专业知识的神经学家指导，并记录了视频数据(CMOS相机，48MP，1920*1080高清，60帧/秒)，以支持三位神经学家的独立评分(相互盲分)。在实验室检查中，患者在手背上佩戴微型姿势传感器，数字信号通过蓝牙连接在主机中无线传输。上位机实时显示信号波形变化，并以文本形式存储在电脑硬盘上。为了确保解决有效的震颤信号，设备的采样频率被设定为100Hz，波特率被设定为每秒115,200Byte。
优选的，由两位专家共同打分，如有评分不一致的情况，需要请第三位专家通过查看录像对评分做出最终裁定。具体的打分过程如下。1)两位神经科医生通过观看视频资料对患者体位性震颤的严重程度进行打分，并获得两份相互盲目的评分表。2)由数据分析工程师统计两位专家的一致分数，对于分数不一致的动作，视频资料由另一位有经验的神经科医生做最终决定，直到获得可靠的分数。这种实验设计也避免了由于系统性偏见造成的训练错误，使机器学习模型更加可靠。
所述IMU包括设备盒、九轴惯性传感器、嵌入式无线模块、锂电池、电源按键、状态指示灯和数据线。嵌入式无线模块、锂电池、电源按键、状态指示灯置于设备盒中，设备盒表面留有电源按键接口和状态指示灯接口，设备盒侧面留有数据线连接接口；九轴惯性传感器与设备盒之间通过数据线连接；锂电池负责嵌入式无线模块和状态指示灯供电；电源按键控制锂电池供电的开与关；九轴惯性传感器固定在患者的双手手背上，用于获取患者在指定动作下的手部的震颤数据，并将震颤数据通过嵌入式无线模块进行传输；所述震颤数据是指利用九轴惯性传感器获取的三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据。
优选的，本发明中使用的可穿戴系统数据采集的核心是惯性传感单元。QFN封装的多芯片(MCM)MPU-9250(InvenSense，美国)，它通过嵌入式微控制器(MSP430)集成了三轴加速计、三轴陀螺仪和三轴磁力计AK8963(AKM半导体，美国)。监测的数字信号通过蓝牙协议(BR-LE4.0-D2)进行无线传输。加速器各轴上的电容分别测量各轴的偏差程度；陀螺仪基于科里奥利效应进行测量，可以测量各轴转动的角速度；磁力计基于霍尔效应收集地磁场的电磁强度，可以估计载体的姿态方位等信息。此外，数据采集系统的主机可用于设置采集频率、校准传感器、可视化采集信号和存储数据(图1的(a))。
所述指定动作包括静息性震颤、姿势性震颤以及动作性震颤的任务。静息性震颤即身体保持静息状态下所产生的病理性震颤症状；姿势性震颤即身体受影响部位主动保持特定姿势时出现的震颤症状；动作性震颤即身体受指定动作下从而诱发的震颤症状。静息性震颤根据CRST标准量表A部分(图1的(b))，要求患者舒适地坐在椅子上，眼睛目视前方，双臂舒展地放在椅臂上，保持静止。姿势性震颤根据CRST标准量表A部分(图1的(c-e))，要求患者舒适地坐在椅子上，眼睛目视前方，双臂外展，手腕轻度伸展，手指分开，然后依次保持三种姿势。1)翼搏位，双臂外展，手臂轻度伸展，手指分开；2)手臂伸展位，双臂伸直，手掌向下；3)对指位，双臂外展，手臂伸直，手掌向下。左右手的食指相对，掌心向内。动作性震颤根据CRST标准量表A部分，要求患者执行指鼻任务。患者舒适地坐在椅子上，眼睛受医生引导，手指先指向指定方向，然后指向鼻尖，来回重复执行动作。
所述利用CRST量表对患者指定动作的完成情况进行打分是指专业医师根据患者指定动作的完成情况，判断患者的静止性震颤的震颤等级，震颤等级分为5个等级，分别为0级，1级，2级，3级，4级。CRST量表表明：姿势性震颤5个等级划分的震颤症状分别表现为：1)无；2)轻度，有时发生；3)幅度中等，动作时发生；4)幅度中等，定动作时发生；5)幅度大，影响进食。
(2)图2显示了本发明提出的多任务震颤自动评估系统的数据分析流程。该系统基于IMU可穿戴设备收集高维的多模态融合的震颤信号。系统通过不同粒度识别的两阶段方式进行：1)姿态任务识别阶段(PTRS,posture task recognition stage)构造端到端的多尺度压缩激活残差网络(MSSE-ResNet,multi-scale squeeze-and-excitation-ResNet)，通过融合多通道原始传感序列中的时间-空间信息和多尺度特征，从而自动识别多种CRST任务的姿态；2)严重程度量化阶段(SQS,severity quantification stage)针对PTRS粗粒度分类得到的精细的CRST任务进行个性化建模，构建多模态震颤特征，设计多种机器学习模型和特征子集，以评估细粒度的震颤严重程度。
(3)进一步地，本发明提出的两阶段评估系统可依据训练和推理阶段总结为算法1和算法2。我们将PTRS作为初始决策阶段的算法(如算法1所示)，主体由端到端的MSSE-ResNet构成。图3为该深度网络的整体架构。输入为IMU原始时间序列及其信号矢量幅值(SVM)序列(参考数据处理部分)，输出为该信号对应的CRST姿态任务类别。所提出的MSSE-ResNet由三个主要部分组成：1)骨架网络学习共享的低级特征；2)多分支的子网络使用不同尺度的卷积核感知多尺度的时间特征；3)通过SE模块融合融合不同通道之间的特征谱图，这种嵌入在ResNet中的轻量级的注意力机制能够高效学习震颤信号中的空间特征。
(4)进一步地，通过PTRS得到该震颤信号所对应的CRST震颤评估任务的类型，即可通过严重程度量化阶段(SQS,severity quantification stage)选择个体化建模的细粒度分类器以对该任务中的震颤症状进行评估(算法2)。结合图2和算法2的伪代码可以看出，SQS的训练阶段可以选择四种特征选择方法和六种机器学习模型以寻找最优的个性化建模结果(表2)，并通过五折交叉验证以保证细粒度分类结果的鲁棒性。对于具有最佳分类性能的模型，采用各种特征选择方法，包括：1)过滤(低方差)：基于低方差阈值的最简单的特征选择方法，消除所有方差太小的特征。2)相互信息选择：根据相互信息的相关性对每个特征进行评分，并选择前六个特征进行建模。3)包裹式(XGBoost)：基于保持法，对于每个要选择的特征子集，在训练集上训练一次基础模型(本实验选择XGBoost，一种基于树模型的Boosting算法，在成本函数中加入正则化，防止过度拟合，同时支持并行操作，推理速度更快)，然后在测试集上根据误差大小选择一个特征子集。4)嵌入式(XGBoost)：使用XGBoost作为基础模型进行训练，根据特征的权重系数，选择前六个特征进行建模。
(5)具体地，数据处理阶段可分为预处理和特征提取。在本发明方法中，对采集到的原始IMU数据进行过滤和切片，并转化为干净的等长序列进行特征提取。在特发震颤患者的实验室检查中，即使按照专业医生的要求严格规范检查动作，人体也会产生有意识的运动，通常表现为信号的低频成分，而高频成分则包括运动间期的震颤和噪声。具体的，实验获得的姿态传感信号包括ET震颤、生理震颤和各种随机噪声。在特征提取之前，需要尽可能地过滤掉特发性震颤以外的干扰信号，如正常肌肉激活引起的细微生理性震颤，其单向震颤振幅通常在150μm左右，频率为8-12Hz。相比之下，ET震颤的振幅会大得多，频率为4-12Hz。因此，我们通过在硬件端集成动态卡尔曼滤波算法，确保在动态环境中稳定的传感信号输出。此外，姿态解算器可以在前端过滤传感元件的随机误差(包括零点偏差、温度漂移、轴间对准误差等)，以确保信号的可靠性并保留震荡信号的高信噪比。虽然可以得到稳定的姿势信号，但在震颤运动过程中，小振幅的人类有意运动和生理性震颤也是混合在一起的。小波变换适用于非平稳信号，在信号突变、压缩重建和去噪等问题上具有良好的时频定位特性。因此，本发明方法选择sym3小波，基于软阈值函数对嘈杂的震颤信号进行两级独立分解，重建有用的病理性震颤信息。
(6)由于采集的前期和后期容易受测试准备和测试停止状态转换的影响，因此按时间轴分别剔除滤波后数据的前后C％的数据，保留按时间轴中心C％至1-C％的数据，以此实现将步骤(2)输出的滤波后含姿态分量和震颤分量的数据截取稳定信号成分；优选的，C％取值为5％。
(7)基于滤波处理后的震颤数据，进行等长的滑窗数据扩增，使震颤数据保持相同的长度，然后计算震颤数据时域幅值变化、频域峰值功率变化以及非线性熵值变化等特征；优选的，为了连续性描述震颤的变化，将滑窗移动步长设置为1s，窗口时长为4s，数据交叠率为75％。
(8)对经过滤波处理后的所有患者指定动作震颤的特征集合以适当的比例随机构建样本训练集和样本测试集；利用步骤(1)中获得的专家评分，对各段数据设置震颤严重程度的标签。
优选的，为了保证训练模型的泛化性，选择数据分割比例为4：1的五折交叉验证。
(9)构建多种机器学习算法的五分类模型，包括支持向量机、集成树算法、决策树、判别分析、朴素贝叶斯模型和K近邻算法，并使用优化方法寻优调参，获得分类最佳的模型。
优选的，选择贝叶斯优化算法寻得概率最优解，然后使用网格搜索进行小范围调参，训练阶段选择五折交叉验证以提高模型的泛化能力。
(10)方法的有效性验证，包括：验证序列学习网络对CRST震颤分类任务的准确性，并验证机器学习分类器结合各特征选择算法对震颤等级量化的性能，综合全面的性能评估指标，给出最优的分类模型。
本发明方法的具体实现原理为：
进一步，所述步骤(4)，首先进行特征前处理工作：为了实现简单有效的状态识别，同时减少对穿戴位置和动作过程的依赖，对每个传感器的三轴序列分别计算信号矢量幅度(SVM)。SVM也可以从宏观角度降低每个IMU信号敏感轴的矢量运算的复杂性。具体的，用三轴加速度数据来说明数据分析和特征提取过程。asvm(i)表示第i个采样点的集合加速度，其计算公式为：
其中ax(i)、ay(i)和az(i)分别为第i个采样点的x、y和z轴上的加速度。对于一个长度为N的采样数据段，最终的SVM加速度序列为asvm＝{asvm(0),asvm(1),...,asvm(N-1)}。
进一步，利用特征前处理之后得到的SVM序列，分别从加速度计信号、陀螺仪信号、磁力计信号中提取静息性震颤的姿态震颤状态的时域、频域和非线性特征描述震颤严重程度，具体如下：
时域特征：运动障碍类疾病震颤在静息状态下的振幅变化较为显著，本发明方法从三通道传感信号(加速度、角速度和角度)的SVM序列中分别提取了20个可解释特征，包括时域、频域和非线性特征。特征参数的具体描述见表1。时域参数都是信号的形态学特征。其中，偏度和峰度分别为信号的三阶标准化矩和四阶标准化矩，其具体公式见式(2-3)。
其中，amean表示加速度的SVM序列asvm的样本平均值。
表1实验阶段各通道传感信号的特征矩阵及其定义
频域特征：信号处理领域的频域分析比时域分析能获得更直观的参数特性。在发明方法中，主要通过使用基于短信号长度的频谱估计，从能量角度获得信号的频率分布。耦合状态造成的误差几乎可以忽略不计，从而提高了信噪比。功率谱密度(PSD)被广泛定义为每单位频段的信号功率，反映了频域的信号功率分布。在频域中，首先计算功率谱，然后提取主震颤频率、峰值功率和震颤稳定指数，这些都是震颤频率的特征。此外，在信号处理中，频域分析比时域分析给出更直观的参数特征。信号带内的峰值功率Pm(fp)被定义为主频区间内的PSD曲线下的面积，并以公式(4)表示计算。
信号处理领域的频域分析比时域分析能获得更直观的参数特性。在发明方法中，主要通过使用基于短信号长度的频谱估计，从能量角度获得信号的频率分布。耦合状态造成的误差几乎可以忽略不计，从而提高了信噪比。功率谱密度(PSD)被广泛定义为每单位频段的信号功率，反映了频域的信号功率分布。表示震颤的加速度信号asvm的功率谱密度PS(f)的计算由公式(3-4)所示
其中fp±fth表示主导频率下的峰值功率的带宽。多项研究认为，峰值功率优于传感器信号在主导频率±0.5Hz周围的一段时间(15s)内的单侧功率谱。是Sdft(f)的复共轭，表示功率信号asvm的离散傅里叶变换，可由公式(5)计算。
进一步从公式(6)中可以计算出功率谱密度(PSD)PS(f)：。
优选的，本发明方法选择Welch方法，即在对整个加速度信号asvm进行分割后，对每个小信号序列进行预处理，加入Blackman窗。频谱估计由分段平均周期图方法完成，从而减少频谱泄漏。
此外，本发明方法计算峰值功率与总功率的比值，用来表示震颤发生占总记录时间的比例关系，完整的功率估计的峰值功率的百分比应该比85％更显著，从而能够确定病人是否处于震颤状态。震颤信号关于PSD估计的峰值功率如图4所示，阴影区表示主频的震颤带。基于功率谱容限跨度的方法被用来寻找峰值功率，阴影区域显示震颤信号的峰值功率。
非线性特征：
本发明方法利用多种熵值度量震颤数据的复杂性。近似熵(ApEn)是一种量化时间序列数据波动的不规则性和不可预测性程度的技术。通过比较频率、有效值和ApEn对量化震颤的贡献可以发现ApEn具有最好的鉴别能力。优选的，嵌入维度选择为m＝2，相似性容忍度为r＝0.1×SD(SD为序列标准差)，ApEn被定义为
其中asvm代表一个连续的15s序列片段，表示在相似性标准r下整个序列中所有m长度子片段的平均相似率，可计算如下：
样本熵(SampEn)在计算序列自相似性概率时不包含其向量的比较，所以它不受数据长度的限制。相比之下，模糊熵提出了一个不明确的隶属度函数，提高了二元过程的相似度测量。这种模糊边界度量通过模糊熵增强了信号的复杂性，使熵的变化更加连续和平稳。表征序列复杂性的熵特征可以充分改善震颤量化模型的性能，所以本发明方法计算了这些非线性特征。
进一步，使用几种机器学习算法开发了具有运动学特征的震颤严重程度自动评分系统。集成树算法、决策树、支持向量机(SVM)、判别分析(DA)、朴素贝叶斯和k-近邻(KNN)算法。构建的支持向量机分类器使用了三个核(线性、多项式和径向基函数(RBF))。KNN分类模型使用1-11之间的奇数作为K值。使用网格搜索和贝叶斯优化算法选择每个模型的最佳全局解决方案。贝叶斯优化算法的集合函数预计每秒钟提高一次，每个模型迭代30个历时以获得最优解。对于超参数较少的模型，可以首选网格搜索方便获得最优解。具体的分类器参数设计如下表所示。
表2机器学习分类器的超参数设置
进一步，本发明方法定义了验证条件以保证分类模型的泛化性。
训练采用五倍交叉验证法来降低分类结果的偏差。在有限的训练集中，五倍交叉验证是最合适的验证方法，可以训练所有的类别，而不会出现过拟合的偏差。本发明方法定义了针对CRST分类的绝对误差以评估自动评分系统的性能。对于机器学习模型其分类误差etest计算如下：
其中，I(·)表示指标函数，yi是三位神经科医生对第i位ET患者的CRST量表的共识得分，是分类器确定的震颤等级。除最小分类误差外，本研究还计算了混淆矩阵的各个分类指数和多个分类的AUC值。
进一步，本发明方法定义了分类模型性能评价方法以全名评估震颤严重程度的分类性能。优选的，本发明方法采用四个主要指标来评价心律失常检测分类结果的性能，包括准确性(ACC)、敏感性(SED)、特异性(SPEC)、精确性(PRE)和F1得分，定义如下(10-14)。
TP、TN、FP和FN表示正确标记的IMU段的数量，正确识别为不对应的等。由于F1得分对FP和FN的权重相同，所以它提供的指标比准确度的偏差要小。相比之下，接收操作特性(ROC)曲线考虑了权衡敏感性和特异性的分类阈值。曲线下面积(AUC)经常被用作数据库分布不均时的评估指标。
本发明方法验证的具体结果为：
(1)PTRS评估结果分析
我们首先讨论根据原始的IMU信号样本的CRST任务分类性能的结果，如表3所示。我们通过实验对比了常用的分类网络，包括1)经典网络，从网络设计空间中寻找到的最优结构——RegNet，具有残差结构的ResNet，2)级联网络，融合时间-空间信息的CNN-LSTM；3)改进的新颖模型，融合注意力机制的Attention-CNN；融合多尺度信息的MS-ResNet以及我们提出的MSSE-ResNet。图5展示了六种深度网络的ROC曲线，可以直观地看出本发明提出的网络具有最高的分类性能。我们发现，本发明提出的MSSE-ResNet网络在所有的性能评估指标中表现最优，超过了其他的深度学习模型。相比于RegNet和原始的CNN-LSTM网络，我们提出的方法在F1 score上分别提升了27.84％和19.78％。ResNet作为主体框架的模型的F1score均在95.20％以上，准确率、敏感度和特异性均在98.07％以上。
实验通过模型参数总量和浮点数运算(FLOPs,floating point operations)衡量算法的复杂度。融合注意力机制的CNN网络作为基本参照模型，具有最少的计算量，但其五分类结果最差，可能是由于浅层网络的学习能力不足导致的欠拟合。相比之下，融合时序特征的CNN-LSTM级联模型虽然增加了参数量，但是计算量不变，F1 score提高了28.13％，结果说明时序的前后关联性对于任务分类具有重要的作用。但其仍然存在欠拟合的问题，而ResNet通过恒等映射的残差结构，能够在学到更细化的特征的同时提高网络精度，也避免了网络退化的问题。实验结果也证明了这一结论，原始的ResNet的F1 score为95.20％，而在ResNet的基础上增加多尺度融合信息，尽管增加了58.63％的参数量，但精确度和F1score分别提升了2.14％和2.77％。具体来说，小尺度卷积滤波器适用于提取信号的振幅和局部统计信息，如姿态传感器捕捉的微小抖动，可能有助于区分姿势性震颤任务中的不同姿势。而具有较大感受野的大尺度的卷积滤波器在编码不同波之间的间隔信息和一些形态学特征方面更有优势，如静息震颤和动作震颤中表现的巨大差别等。所有这些特征对IMU时间序列的粗粒度分类至关重要。例如，动作震颤中加速度计的典型表现是大幅宽间距的周期波形，且在波谷出存在高频抖动的典型震颤表现。我们提出的方法在MS-ResNet中进一步增加了SE模块，其通过关注不同通道间的关系，从而自动分配特征图谱的权重。这种自适应的注意力机制尽管增加了0.79M的参数，但是计算量没有增多，F1 score却提高了1.04％。这些结果都揭示了我们提出的模型的有效性，MSSE-ResNet在没有大幅增加模型复杂度的情况下，对IMU震颤信号所表征的五种CRST任务具有最高的分类性能。
图6中，(a)PTRS算法中MSSE-ResNet的ROC曲线，表示对多传感通道融合信号的CRST任务的分类结果。(b-f)展示五种CRST任务中最优秀的机器学习模型的ROC曲线。依次表示的CRST任务及分类器为：静息姿态选择Full-set-AdaBoost,翼搏位姿势任务选择Full-set-AdaBoost，手臂伸展位姿势任务选择Mutual-info-KNN，对指姿势任务选择Embedded-KNN，指鼻动作任务选择Mutual-info-KNN。
图6中，(a)展示的混淆矩阵能够更加直观地解释MSSE-ResNet的预测表现，可以发现，仅有0.85％的翼搏位姿势任务容易被错误地分类为手臂伸展位任务。这两个动作均为水平举起手臂，因此可能会出现混淆的情况。另外，对指的姿势任务与指鼻的动作任务也容易混淆，可能是因为在举起手指的过程中，震颤严重的患者可能发生剧烈的抖动，导致模型错误地认为发生了动作震颤。
表3基于多模态传感信号的深度学习方法的CRST任务分类性能
(2)SQS评估结果分析
进一步地，在PTRS中取得震颤信号的CRST任务类型的先验之后，需要在SQS中利用融合多模态的运动学参数，进一步构造分类器，以对其震颤严重程度做细粒度的量化。本研究中选择机器学习分类器，这些经典模型具有完备的理论基础，相比深度模型，其具有更高的可解释性，有助于临床医生的理解。
为评估分类器的有效性，本研究使用全部特征集合对分类器进行优化，以选择最高效的机器学习算法。表4展示了针对五种不同的CRST任务进行个性化建模的结果。从结果可以发现，对震颤症状严重程度拟合最优的模型主要是KNN和集成学习算法，各任务的最优F1分数在92.26％～97.18％之间。尤其在姿势震颤任务手臂平举和手臂延展姿势中，KNN和集成学习算法的性能差距仅为1.15％和0.67％。然而，判别分析和NB算法的拟合能力较弱，F1 score很难达到67.22％以上。此外，基于分离超平面原理的SVM算法在高维特征集合上(具有60个特征)表现不是很好，可能是因为核函数映射维度过高导致计算量很大，但其可能会在较小的特征子集上具有更好的分类潜力。
表4每个优化的机器学习方法在五种CRST任务中的分类性能
为进一步优化特征集合，证明运动学参数的有效性，我们使用常用的特征选择方法设计了四种特征子集，并在子集上重点对上述较优的模型进一步优化。表5的实验结果展示了CRST任务中最优分类器的F1 score，粗体为各任务中前两名的结果，加横线为最优的结果。从实验结果可以看出，翼搏位中集成学习算法表现超过其他分类器，类似的，动作震颤任务中KNN也同样优于其他分类器。说明在特定特征子集上，存在不可替代的模型具有最优的量化震颤严重程度的能力。然而，在其他任务中，集成学习和KNN或决策树分类器的结果相近。同样有趣的发现是，SVM算法在手臂伸展位和指鼻动作的任务中均优于决策树算法，尽管后者在静息震颤症状的细粒度分类中达到最优的性能。
为了直观比较不同特征集合下最优模型的性能差距，图5中，(b-c)分别汇总了五种CRST task下特征全集和子集中的前两名模型的ROC曲线。从实验结果可以发现，尽管特征子集具有损失某些有用信息的风险，如两特征集合的最优模型在静息姿态和翼搏位的姿势震颤评估的任务中，AUC分别下降了1.8％和1.8％。然而，在手臂伸展位，对指位和动作震颤评估的任务中，AUC分别提升了2.0％，4.9％和3.9％。结果说明，不同的机器学习分类器可能更适合用于特定的特征子集，模型选择和特征选择相结合能够在提升算法效率的同时进一步提升分类性能。在性能相近的情况下，如果考虑到运算速度，训练成本，我们更推荐KNN算法，其相对集成学习模型，具有较低的过拟合风险，且占用RAM较低，更适合于部署在移动检测平台上。
表5关于基于不同特征子集的细粒度的机器学习分类器的性能表现
经过上述实验，我们汇总了SQS算法在推理阶段中应用的最佳模型的详细性能指标，并在表6中列出最终筛选的有效特征。从所有的CRST任务中筛选的特征子集可以看出，三种传感模态融合的运动学参数似乎均有助于表征震颤的严重程度。例如，在手臂伸展位任务中，基于互信息的特征过滤方法的KNN模型仅使用26.67％的全部特征的子集，将F1score从96.88％提高到了99.00％。进一步地，对于所有的CRST任务，各传感信号中波形时域特征和频域特征似乎必不可少，而衡量复杂度的非线性特征可能作用不大，舍去这些参数反而能极大提高数据预处理的速度。值得注意的是，我们发现有五个特征尤其重要，包括，加速度计的无量纲特征峰值因子和频域特征峰值功率，陀螺仪和磁力计的有量纲特征波形最大值以及磁力计的波形最小值。此外，陀螺仪的峰值功率在除静息姿态任务以外的任务中都有包含。本实验进一步地为磁力计相关特征的有效性提供证据，实验结果表明，多传感通道融合的运动学参数能够有效表征震颤的严重程度。
观察表6中CRST任务的震颤严重程度细粒度量化结果可以发现，准确率在97.37％～99.53％之间，特异性在96.78％～99.68％之间，表明能够很好地识别负样本的严重等级。然而，灵敏度在93.26％～99.01％之间，精确度在94.90％～98.98％之间，表明模型正确识别相应的严重等级的能力仍需要提高。进一步观察图5(b-f)中展示的所述个性化细粒度分类模型的ROC曲线。可以看出，大多数任务的五分类结果的误差较低，但是，对指位任务的细粒度模型将16.39％的等级1样本误分类为正常样本。此外，由于指鼻动作检查中容易混入多种运动干扰，会存在一些错误分类的情况，仍然具有较大的提升空间。
表6关于最佳特征子集和机器学习方法的细粒度预测性能展示
注意，A代表其特征值是由加速度计计算出来的，同样，G和M分别代表陀螺仪和磁力计。
本发明方法创新性地提出了针对ET震颤严重程度的多任务的自动量化评估系统。该系统可用于临床场景下的实验室辅助评估，通过在患者手背部贴附多传感通道信号融合的可穿戴传感器，在神经科医生的指导下执行规范的CRST任务。系统以便利的形式收集静息震颤、姿势性震颤以及动作性震颤相关的客观运动学信息。我们所提出的自动量化系统通过两阶段的方式进行。在PTRS构造端到端的MSSE-ResNet网络，输入高维的传感器时间序列，通过学习融合深度的时间空间信息以及多尺度的特征，直接输出五种CRST任务以标记对应的信号。之后，在SQS中针对各CRST任务进行个性化建模，通过优化的分类器学习震颤信号中有意义的统计学特征，从而进一步对任务中的震颤严重程度进行细粒度地分类。该系统能够高效融合运动学参数的有效信息，直接对实验室收集的震颤检查任务进行分类，也避免了患者回顾带来的主观偏差，从而为临床医生提供客观的辅助诊断信息。
实验依托严格的临床实验范式，纳入了121名ET患者，经过神经科专家委员会的精细评估，建立了高质量的数据库。结果显示，本研究设计的大多数运动学参数可以有效地映射震颤的严重程度。基于深度网络的姿态任务分类F1score为99.02％，基于机器学习模型的症状评分分类F1 score在94.77-99.00％之间。本发明方法在预测多类时仍有较好的AUC，具有目前ET症状自动识别的最佳性能。这些结果表明，所提出的方法适用于应用标准化的实验室检测，帮助临床医生对复杂或早期的ET病例进行自动评分，以帮助决策，提高疾病管理效率。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于可穿戴设备的多任务震颤自动检测设备，其包括：
IMU可穿戴设备、计算设备；
IMU可穿戴设备包括九轴惯性传感器；九轴惯性传感器用于布置在受试者的双手手背上以获取受试者在指定动作下的震颤数据，该震颤数据包括三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据；
计算设备用于运行姿态任务识别阶段PTRS模块和严重程度量化阶段SQS模块；
PTRS模块由多尺度压缩激活残差网络MSSE-ResNet构成，通过融合多通道原始传感序列中的时间-空间信息和多尺度特征，从而自动识别多种CRST任务的姿态类型；PTRS模块的输入为震颤数据的原始时间序列及其信号矢量幅值序列，输出为对应的CRST任务；
SQS模块包括特征选择层和分类器，用于评估震颤严重程度；SQS模块的输入为所述CRST任务以及自所述原始时间序列及其信号矢量幅值序列获得的特征全集，输出为该CRST任务对应的震颤严重等级；
所述特征全集包括加速度、陀螺仪、磁力计的最大峰值、最小峰值、平均值、峰-峰幅值、平均整流值、方差、标准差、峰度、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值功率、峰值功率比例、功率主峰值、样本熵、近似熵、模糊熵；
所述CRST任务包括：静息姿态、翼搏位姿势、手臂伸展位、对指位、指鼻动作；
SQS模块中，对应于静息姿态，其特征选择层为Embedded模型，分类器为Tree模型；
对应于翼搏位姿势，其特征选择层为Filter模型，分类器为RUSBoost模型；
对应于手臂伸展位，其特征选择层为Mutual-info模型，分类器为KNN模型；
对应于对指位，其特征选择层为Embedded模型，分类器为KNN模型；
对应于指鼻动作，其特征选择层为Mutual-info模型，分类器为KNN模型。
2.根据权利要求1所述的基于可穿戴设备的多任务震颤自动检测设备，其特征在于：
对应于静息姿态，特征选择层选择的特征为：加速度的最小值（A_Min）、加速度的平均值（A_Mean）、加速度的峰值功率（A_PeakP）、加速度的方差（A_Var）、加速度的标准差（A_Std）、加速度的峰度（A_Kurt）、加速度的均方根（A_RMS）、加速度的峰值因子（A_CF）、陀螺仪的最大值（G_Max）、陀螺仪的裕度因子（G_LF）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的平均值（M_Mean）、磁力计的标准差（M_Std）、磁力计的波形因子（M_SF）、磁力计的脉冲因子（M_IF）；
对应于翼搏位姿势，特征选择层选择的特征为：加速度的最大值（A_Max）、加速度的最小值（A_Min）、加速度的峰值功率（A_PeakP）、加速度的峰值因子（A_CF）、加速度的脉冲因子（A_IF）、陀螺仪的最大值（G_Max）、陀螺仪的最小值（G_Min）、陀螺仪的平均值（G_Mean）、陀螺仪的峰值功率（G_PeakP）、陀螺仪的平均整流值（G_Arv）、陀螺仪的标准差（G_Std）、陀螺仪的均方根（G_RMS）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的峰值功率（M_PeakP）；
对应于手臂伸展位，特征选择层选择的特征为：加速度的最大值（A_Max）、加速度的最小值（A_Min）、加速度的峰值功率（A_PeakP）、加速度的峰值因子（A_CF）、加速度的脉冲因子（A_IF）、陀螺仪的最大值（G_Max）、陀螺仪的最小值（G_Min）、陀螺仪的平均值（G_Mean）、陀螺仪的峰值功率（G_PeakP）、陀螺仪的平均整流值（G_Arv）、陀螺仪的均方根（G_RMS）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的平均值（M_Mean）、磁力计的均方根（M_RMS）；
对应于对指位，特征选择层选择的特征为：加速度的平均值（A_Mean）、加速度的峰值功率（A_PeakP）、加速度的方差（A_Var）、加速度的标准差（A_Std）、加速度的均方根（A_RMS）、加速度的峰值因子（A_CF）、加速度的裕度因子（A_LF）、陀螺仪的最大值（G_Max）、陀螺仪的峰值功率（G_PeakP）、陀螺仪的方差（G_Var）、陀螺仪的波形因子（G_SF）、陀螺仪的脉冲因子（G_IF）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的平均值（M_Mean）、磁力计的均方根（M_RMS）、磁力计的峰值因子（M_CF）；
对应于指鼻动作，特征选择层选择的特征为：加速度的最大值（A_Max）、加速度的最小值（A_Min）、加速度的平均值（A_Mean）、加速度的峰值功率（A_PeakP）、加速度的平均整流值（A_Arv）、加速度的方差（A_Var）、加速度的均方根（A_RMS）、加速度的峰值因子（A_CF）、加速度的脉冲因子（A_IF）、加速度的裕度因子（A_LF）、陀螺仪的最大值（G_Max）、陀螺仪的最小值（G_Min）、陀螺仪的峰值功率（G_PeakP）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的峰值功率（M_PeakP）。
3.根据权利要求1所述的基于可穿戴设备的多任务震颤自动检测设备，其特征在于：
MSSE-ResNet包括：骨架网络，用于学习共享的低级特征；多分支的子网络，使用不同尺度的卷积核感知多尺度的时间特征；SE模块，融合不同通道之间的特征谱图。
4.一种基于可穿戴设备的多任务震颤自动评估模型，其包括：
姿态任务识别阶段PTRS模块和严重程度量化阶段SQS模块；
PTRS模块由多尺度压缩激活残差网络MSSE-ResNet构成，通过融合多通道原始传感序列中的时间-空间信息和多尺度特征，从而自动识别多种CRST任务的姿态；PTRS模块的输入为震颤数据的原始时间序列及其信号矢量幅值序列，输出为CRST任务；
SQS模块包括特征选择层和分类器，用于评估震颤严重程度；SQS模块的输入为所述CRST任务以及自所述原始时间序列及其信号矢量幅值序列获得的特征全集，输出为该CRST任务对应的震颤严重等级；
所述特征全集包括加速度、陀螺仪、磁力计的最大峰值、最小峰值、平均值、峰-峰幅值、平均整流值、方差、标准差、峰度、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值功率、峰值功率比例、功率主峰值、样本熵、近似熵、模糊熵；
所述CRST任务包括：静息姿态、翼搏位姿势、手臂伸展位、对指位、指鼻动作；
SQS模块中，对应于静息姿态，其特征选择层为Embedded模型，分类器为Tree模型；
对应于翼搏位姿势，其特征选择层为Filter模型，分类器为RUSBoost模型；
对应于手臂伸展位，其特征选择层为Mutual-info模型，分类器为KNN模型；
对应于对指位，其特征选择层为Embedded模型，分类器为KNN模型；
对应于指鼻动作，其特征选择层为Mutual-info模型，分类器为KNN模型。
5.根据权利要求4所述的基于可穿戴设备的多任务震颤自动评估模型，其特征在于：
对应于静息姿态，特征选择层选择的特征为：加速度的最小值（A_Min）、加速度的平均值（A_Mean）、加速度的峰值功率（A_PeakP）、加速度的方差（A_Var）、加速度的标准差（A_Std）、加速度的峰度（A_Kurt）、加速度的均方根（A_RMS）、加速度的峰值因子（A_CF）、陀螺仪的最大值（G_Max）、陀螺仪的裕度因子（G_LF）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的平均值（M_Mean）、磁力计的标准差（M_Std）、磁力计的波形因子（M_SF）、磁力计的脉冲因子（M_IF）；
对应于翼搏位姿势，特征选择层选择的特征为：加速度的最大值（A_Max）、加速度的最小值（A_Min）、加速度的峰值功率（A_PeakP）、加速度的峰值因子（A_CF）、加速度的脉冲因子（A_IF）、陀螺仪的最大值（G_Max）、陀螺仪的最小值（G_Min）、陀螺仪的平均值（G_Mean）、陀螺仪的峰值功率（G_PeakP）、陀螺仪的平均整流值（G_Arv）、陀螺仪的标准差（G_Std）、陀螺仪的均方根（G_RMS）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的峰值功率（M_PeakP）；
对应于手臂伸展位，特征选择层选择的特征为：加速度的最大值（A_Max）、加速度的最小值（A_Min）、加速度的峰值功率（A_PeakP）、加速度的峰值因子（A_CF）、加速度的脉冲因子（A_IF）、陀螺仪的最大值（G_Max）、陀螺仪的最小值（G_Min）、陀螺仪的平均值（G_Mean）、陀螺仪的峰值功率（G_PeakP）、陀螺仪的平均整流值（G_Arv）、陀螺仪的均方根（G_RMS）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的平均值（M_Mean）、磁力计的均方根（M_RMS）；
对应于对指位，特征选择层选择的特征为：加速度的平均值（A_Mean）、加速度的峰值功率（A_PeakP）、加速度的方差（A_Var）、加速度的标准差（A_Std）、加速度的均方根（A_RMS）、加速度的峰值因子（A_CF）、加速度的裕度因子（A_LF）、陀螺仪的最大值（G_Max）、陀螺仪的峰值功率（G_PeakP）、陀螺仪的方差（G_Var）、陀螺仪的波形因子（G_SF）、陀螺仪的脉冲因子（G_IF）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的平均值（M_Mean）、磁力计的均方根（M_RMS）、磁力计的峰值因子（M_CF）；
对应于指鼻动作，特征选择层选择的特征为：加速度的最大值（A_Max）、加速度的最小值（A_Min）、加速度的平均值（A_Mean）、加速度的峰值功率（A_PeakP）、加速度的平均整流值（A_Arv）、加速度的方差（A_Var）、加速度的均方根（A_RMS）、加速度的峰值因子（A_CF）、加速度的脉冲因子（A_IF）、加速度的裕度因子（A_LF）、陀螺仪的最大值（G_Max）、陀螺仪的最小值（G_Min）、陀螺仪的峰值功率（G_PeakP）、磁力计的最大值（M_Max）、磁力计的最小值（M_Min）、磁力计的峰值功率（M_PeakP）。
6.根据权利要求4所述的基于可穿戴设备的多任务震颤自动评估模型，其特征在于：
MSSE-ResNet包括：骨架网络，用于学习共享的低级特征；多分支的子网络，使用不同尺度的卷积核感知多尺度的时间特征；SE模块，融合不同通道之间的特征谱图。
CN202211005659.7A 2021-09-03 2022-08-22 基于可穿戴设备的多任务震颤自动检测方法及其检测设备 Active CN115336979B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021110305468 2021-09-03
CN202111030546 2021-09-03

Publications (2)

Publication Number Publication Date
CN115336979A CN115336979A (zh) 2022-11-15
CN115336979B true CN115336979B (zh) 2024-09-06

Family

ID=83953052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211005659.7A Active CN115336979B (zh) 2021-09-03 2022-08-22 基于可穿戴设备的多任务震颤自动检测方法及其检测设备

Country Status (1)

Country Link
CN (1) CN115336979B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434908A (zh) * 2023-06-14 2023-07-14 中国科学院自动化研究所 基于时间卷积网络的运动迟缓量化分级评估方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104127187A (zh) * 2014-08-05 2014-11-05 戴厚德 用于帕金森病人主要症状定量检测的可穿戴系统及方法
CN105943065A (zh) * 2016-06-29 2016-09-21 北京工业大学 一种基于脑信息学系统化方法学的人体可穿戴生理-心理-行为数据采集与分析系统

Family Cites Families (4)

* 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
CN110522456A (zh) * 2019-09-26 2019-12-03 安徽中医药大学 一种基于深度学习的wd震颤患者病情自评估系统
CN110946556B (zh) * 2019-12-27 2022-07-15 南京信息工程大学 基于可穿戴式体感网的帕金森静息态震颤评估方法
CN113100756A (zh) * 2021-04-15 2021-07-13 重庆邮电大学 一种基于Stacking的帕金森震颤检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104127187A (zh) * 2014-08-05 2014-11-05 戴厚德 用于帕金森病人主要症状定量检测的可穿戴系统及方法
CN105943065A (zh) * 2016-06-29 2016-09-21 北京工业大学 一种基于脑信息学系统化方法学的人体可穿戴生理-心理-行为数据采集与分析系统

Also Published As

Publication number Publication date
CN115336979A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
US20190365332A1 (en) Determining wellness using activity data
Rigas et al. Assessment of tremor activity in the Parkinson’s disease using a set of wearable sensors
Ma et al. Quantitative assessment of essential tremor based on machine learning methods using wearable device
Lüdtke et al. An algorithm for actigraphy-based sleep/wake scoring: Comparison with polysomnography
Talitckii et al. Defining optimal exercises for efficient detection of Parkinson’s disease using machine learning and wearable sensors
Skaramagkas et al. Multi-modal deep learning diagnosis of parkinson’s disease—A systematic review
CN115336979B (zh) 基于可穿戴设备的多任务震颤自动检测方法及其检测设备
Raykov et al. Probabilistic modelling of gait for robust passive monitoring in daily life
CN108962379B (zh) 一种脑神经系统疾病的手机辅助检测系统
Ma et al. Objective quantification of the severity of postural tremor based on kinematic parameters: A multi-sensory fusion study
RU2764568C1 (ru) Способ диагностики болезни паркинсона на основе анализа видеоданных с применением машинного обучения
Li et al. A wearable multi-segment upper limb tremor assessment system for differential diagnosis of Parkinson’s disease versus essential tremor
Chen et al. An auxiliary diagnostic system for Parkinson’s disease based on wearable sensors and genetic algorithm optimized random forest
Chen et al. An interpretable deep learning optimized wearable daily detection system for Parkinson’s disease
Liu et al. A kinematic data-driven approach to differentiate involuntary choreic movements in individuals with neurological conditions
CN114869272A (zh) 姿势震颤检测模型、姿势震颤检测算法、以及姿势震颤检测设备
Nguyen et al. Quantitative assessment of cerebellar ataxia with kinematic sensing during rhythmic tapping
Lones et al. Evolving classifiers to inform clinical assessment of parkinson's disease
Pan et al. Home sleep monitoring based on wrist movement data processing
Rylo et al. Gesture recognition of wrist motion based on wearables sensors
Goodwin et al. Sensor-enabled detection of stereotypical motor movements in persons with autism spectrum disorder
Punuganti Automatic detection of nystagmus in bedside VOG recordings from patients with vertigo
Shin et al. Classification of Hand-Movement Disabilities in Parkinson’s Disease Using a Motion-Capture Device and Machine Learning
Alpoim et al. Human activity recognition systems: state of art
ZHONG et al. A Multi-scale Residual Convolutional Neural Network for Sleep Staging Based on Single Channel Electroencephalography Signal

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