CN115985490B - 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 - Google Patents

一种帕金森疾病客观化、定量化早期诊断系统及存储介质 Download PDF

Info

Publication number
CN115985490B
CN115985490B CN202310263178.4A CN202310263178A CN115985490B CN 115985490 B CN115985490 B CN 115985490B CN 202310263178 A CN202310263178 A CN 202310263178A CN 115985490 B CN115985490 B CN 115985490B
Authority
CN
China
Prior art keywords
data
time
early diagnosis
parkinson
quantification
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
CN202310263178.4A
Other languages
English (en)
Other versions
CN115985490A (zh
Inventor
王方
周小波
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan 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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202310263178.4A priority Critical patent/CN115985490B/zh
Publication of CN115985490A publication Critical patent/CN115985490A/zh
Application granted granted Critical
Publication of CN115985490B publication Critical patent/CN115985490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于帕金森病早期诊断技术领域，具体涉及一种帕金森疾病客观化、定量化早期诊断系统及存储介质。该系统包括：输入模块，用于输入定量化任务所采集的数据；特征提取模块，用于对所述输入模块得到的数据进行处理，得到特征；所述定量化任务所采集的数据包括如下数据中的至少一项：包括笔试、抓握、步态、语音、眼动、认知量表、呼吸、心电、肌电多维度信号。本发明能够定量化、标准化、系统化、多维度的对帕金森患者进行客观评估，为帕金森的早期诊断和准确诊断提供技术基础，具有很好的应用前景。

Description

一种帕金森疾病客观化、定量化早期诊断系统及存储介质
技术领域
本发明属于帕金森病早期诊断技术领域，具体涉及一种帕金森疾病客观化、定量化早期诊断系统及存储介质。
背景技术
帕金森病（Parkinson’s disease，PD）是近年来常见神经系统退行性疾病，也是老年人中最常见的运动障碍疾病。其主要的临床表现包括静止性震颤、运动缓慢、肌强直和姿势异常为主的运动症状及嗅觉减退、便秘、睡眠障碍和抑郁为主的非运动症状。
此病无法治愈, 但早期干预能很大程度缓解疾病的进展和改善预后。帕金森病是隐匿起病，逐渐进展，病人去就医的时候往往症状已经比较明显。PD目前的诊断方法主要依靠医师工作经验及患者的临床表现, 误诊率较高,且无法早期发现，因此亟待客观、早期、有效的PD诊断方法。
目前，帕金森病的诊断，主要依据病史、临床症状以及体征。医生会根据病人提供的病史和自己的查体所见给出初步的诊断，之后还需要要做头颅的磁共振检查、抽血化验检查、脑电图、心电图等，以排除其他可能有帕金森病症状的疾病，如脑卒中后帕金森综合症，药物性帕金森综合症，外伤性帕金森综合症等疾病。
现有文献利用某一种或两种检查数据对患者的某一神经功能进行评估和预测。例如，肖一峰等总结了现有嗅觉障碍在帕金森患者种的筛查方法，探索帕金森疾病的早期嗅觉障碍相关标志物（帕金森病嗅觉障碍研究进展[J]. 肖一峰,吴婧.中国实用神经疾病杂志. 2020(16)）；司慧丽等分析了睡眠障碍对帕金森疾病影响因素（帕金森病患者睡眠障碍特点及其影响因素分析[J]. 司慧丽,纪别克,赵鸿雁,宋阳,庄艳华,朱倩倩,曹辉,苏俊红,张庆梅.广东医学. 2020(01)）；马欢等对比分析帕金森病患者的唾液腺及心脏间碘苄胍显像对帕金森疾病的诊断价值（马欢,阚英,王巍,刘洁,杨吉刚.~(123)I-MIBG显像对帕金森病早期诊断的临床价值[J].临床和实验医学杂志,2021,20(19):2105-2109）；刘杰、王晓雯等分析了帕金森缓则的嗓音构音障碍对疾病诊断的价值（1～3期帕金森病患者的嗓音特征研究[J]. 刘杰,李利,余波,黄昭鸣.听力学及言语疾病杂志. 2020(01)；王晓雯,黄昭鸣,钱红,袁海新,刘杰.高频重复经颅磁刺激双侧M1区联合构音训练对帕金森病人运动不及型构音障碍的影响[J].实用老年医学,2022,36(05):508-511.）。然而，这些使用单一指标进行帕金森病诊断的方案在诊断准确性等指标上仍然有所不足，因而难以实现帕金森病的早期诊断。可见，如何构建一种完整的体系，实现帕金森病的早期诊断仍然本领域亟需解决的问题。
发明内容
针对现有技术的问题，本发明提供一种帕金森疾病客观化、定量化早期诊断系统，目的在于提供可用于准确诊断帕金森病的指标体系，实现帕金森病的早期诊断。
一种帕金森疾病客观化、定量化早期诊断系统，包括：
输入模块，用于输入定量化任务所采集的数据；
特征提取模块，用于对所述输入模块得到的数据进行处理，得到特征；
所述定量化任务所采集的数据包括如下数据中的至少一项：
数据1：受试者画引导性阿基米德螺旋线，采集笔感知接触点x和y的位置、笔尖和纸之间的压力；
数据2：受试者进行步行，采集足底压力时间序列、偏转角度时间序列、角速度时间序列、加速度时间序列和肌电时间序列；
数据3：受试者进行朗读或自述，采集语音序列；
数据4：记录受试者的眼球运动，采集眼动数据；
数据5：对受试者的夜间睡眠进行监测，采集心电时间序列和呼吸时间序列；
数据6：对受试者进行认知量表测试，采集量表评分。
优选的，所述数据1进行处理后得到的特征包括：每个线段的总长度
Figure SMS_1
、每段的总持续时间为/>
Figure SMS_2
、平均速度/>
Figure SMS_3
、加权平均速度/>
Figure SMS_4
、每一段的平均笔压/>
Figure SMS_5
、螺旋图平均速度与平均笔压的综合指数/>
Figure SMS_6
；
所述特征的计算公式为：
Figure SMS_7
Figure SMS_8
Figure SMS_9
Figure SMS_10
Figure SMS_11
Figure SMS_12
其中，x、y是笔尖的位置坐标，x n 、y n 对应第n个采样样本，i代表第i个线段，m i 为第i个线段的样本总数，SR是采样率，pr是笔尖压力，
Figure SMS_13
为第i个线段的平均笔压。
优选的，所述数据2进行处理后得到的特征包括：足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的总和值、威廉姆森振幅、方差、过零、斜率符合变化和波形长度；
其中，所述足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得；
所述每个通道的肌电的总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率符合变化SSC和波形长度WL计算公式如下：
Figure SMS_14
Figure SMS_15
Figure SMS_16
Figure SMS_17
Figure SMS_18
Figure SMS_19
其中，
Figure SMS_20
，/>
Figure SMS_21
是肌电时间序列的采样总个数，/>
Figure SMS_22
是第n个采样点数据。
优选的，所述数据3进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括：基频微扰jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征
Figure SMS_23
、概率密度函数/>
Figure SMS_24
；
所述特征的计算公式如下：
Figure SMS_25
Figure SMS_26
Figure SMS_27
Figure SMS_28
Figure SMS_29
/>
Figure SMS_30
Figure SMS_31
Figure SMS_32
Figure SMS_33
Figure SMS_34
其中，N是提取的语音信号周期数，
Figure SMS_36
是第i个语音信号周期长度，/>
Figure SMS_39
是第i个语音周期的振幅，/>
Figure SMS_41
是谐波成分能量，/>
Figure SMS_37
是噪声成分能量，/>
Figure SMS_40
是声门渐开时间段，/>
Figure SMS_43
是声门渐闭时间段，T是一个完整声门周期，/>
Figure SMS_45
是声带关闭时间，/>
Figure SMS_35
是每个频率分量/>
Figure SMS_42
的频谱幅值，/>
Figure SMS_44
为第k个频率分量，/>
Figure SMS_46
是概率密度函数，n是FFT的采样点数，E’为第r帧的能量，f是频率。/>
Figure SMS_38
优选的，所述数据4进行处理后得到的特征包括：首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。
优选的，所述数据5进行处理后得到的特征包括：Re sppeak _ num、Average _ Re sp、Re sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _ power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf、Re sp _ powerlfhf；
其中，Re sppeak _ num指的是一段时间内的呼吸波峰数量，Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值，Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差，Re sp _ peak _ SD指连续呼吸波峰的间隔标准差，Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量，Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量，Re sp _ power01505是呼吸信号在 0.15-0.5Hz 之间的能量，
Re sp _ powervlflf是极低频能量和低频能量的比值，计算公式如下：
Figure SMS_47
Re sp _ powervlfhf是极低频能量和高频能量的比值，计算公式如下：
Figure SMS_48
Re sp _ powerlfhf是低频能量和高频能量的比值，计算公式如下：
Figure SMS_49
。
优选的，所述数据6进行处理后得到的特征包括：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值；
所述特征是对如下量表中的至少一种进行统计后得到：MOCA、MMSE、GPCOG、AD8、Mini-Cog、MIS、CASI2.0、HDS-R、QCSS-E、BECSI、MES或SMCI。
优选的，还包括诊断模块，用于根据所述特征得到早期帕金森病的诊断结果，其中，诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。
本发明还提供一种计算机可读存储介质，其上存储有用于实现上述帕金森疾病客观化、定量化早期诊断系统的计算机程序。
本发明为了实现帕金森疾病的早期诊断，为受试者提供了定量化诊断设计的6种固定任务（场景），通过这些任务可以得到定量化标准化的帕金森疾病诊断参数体系。实验结果表明，对于帕金森疾病的早期诊断此定量化早期诊断体系准确率和敏感性比现有诊断特征有较大幅度的提升。本发明定量化、标准化、系统化、多维度的对帕金森患者进行客观评估，为帕金森的早期诊断和准确诊断提供技术基础，具有很好的应用前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为实施例1的系统整体框架示意图；
图2为实施例1中用于足底压力时间序列处理的基于图神经网络的循环神经网络流程图；
图3为实施例1中用于足底压力时间序列处理的GCNs-RNN模型示意图。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1帕金森疾病客观化、定量化早期诊断系统
本实施例的系统包括：
输入模块，用于输入定量化任务所采集的数据；
特征提取模块，用于对所述输入模块得到数据进行处理，得到特征；
诊断模块，用于根据所述特征得到早期帕金森病的诊断结果，其中，诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围。
如图1所示，在上述系统中，所述的定量化任务、采集数据利用的感知技术和硬件技术、采集到的数据类型、每种数据类型涉及的信号和数据处理方法、最终提取得到的特征和这些特征用于评估的神经功能如下：
1、数据1
任务（场景）：在A3纸上画引导性阿基米德螺旋线（医院、居家）。
感知技术：嵌入光纤三维力传感笔、平板。
数据类型：笔感知接触点x和y的位置，以及笔尖和纸之间的压力p。
信号特征提取方法：
Figure SMS_50
Figure SMS_51
Figure SMS_52
Figure SMS_53
Figure SMS_54
Figure SMS_55
其中，x、y是笔尖的位置坐标，x n 、y n 对应第n个采样样本，i代表第i个线段，m i 为第i个线段的样本总数，SR是采样率，pr是笔尖压力，
Figure SMS_56
为第i个线段的平均笔压。
特征表达：每个线段的总长度
Figure SMS_57
、每段的总持续时间为/>
Figure SMS_58
、平均速度/>
Figure SMS_59
、加权平均速度/>
Figure SMS_60
、每一段的平均笔压/>
Figure SMS_61
、螺旋图平均速度与平均笔压的综合指数/>
Figure SMS_62
。
评估神经功能：
2、数据2
任务（场景）：步行10米（医院、移动、居家）。
感知技术：银质电极表面肌电传感器。
数据类型：肌电时间序列。
信号特征提取方法：
足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得；
所述每个通道的肌电总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率符合变化SSC和波形长度WL计算公式如下：
Figure SMS_63
Figure SMS_64
Figure SMS_65
Figure SMS_66
Figure SMS_67
Figure SMS_68
其中，
Figure SMS_69
，/>
Figure SMS_70
是肌电时间序列的采样总个数，/>
Figure SMS_71
是第n个采样点数据。
特征表达：足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的总和值、威廉姆森振幅、方差、过零、斜率符合变化和波形长度。
评估神经功能：运动功能、睡眠功能。
3、数据3
任务（场景）：朗读一段话或自述一段话（医院、居家）。
感知技术：麦克风。
数据类型：语音序列。
信号特征提取方法：
Figure SMS_72
Figure SMS_73
Figure SMS_74
Figure SMS_75
Figure SMS_76
/>
Figure SMS_77
Figure SMS_78
Figure SMS_79
Figure SMS_80
Figure SMS_81
其中，N是提取的语音信号周期数，
Figure SMS_84
是第i个语音信号周期长度，/>
Figure SMS_85
是第i个语音周期的振幅，/>
Figure SMS_89
是谐波成分能量，/>
Figure SMS_83
是噪声成分能量，/>
Figure SMS_86
是声门渐开时间段，/>
Figure SMS_88
是声门渐闭时间段，T是一个完整声门周期，/>
Figure SMS_90
是声带关闭时间，/>
Figure SMS_82
是每个频率分量/>
Figure SMS_87
的频谱幅值，/>
Figure SMS_91
为第k个频率分量，/>
Figure SMS_92
是分量值对应的概率密度值，n是FFT的采样点数，E为第r帧的能量，f是频率。
特征表达：基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征
Figure SMS_93
、概率密度函数/>
Figure SMS_94
。
评估神经功能：运动功能。
4、数据4
任务（场景）：参与者坐在20英寸的显示器前，记录眼球运动（医院）。
感知技术：红外眼动仪。
数据类型：眼动数据。
信号特征提取方法：具体见下表；
表1 眼动信号特征提取方法
Figure SMS_95
特征表达：首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。
评估神经功能：运动功能。
5、数据5
任务（场景）：夜间睡眠监测（医院、居家）。
感知技术：呼吸腹带。
数据类型：呼吸时间序列。
信号特征提取方法：Re sppeak _ num指的是一段时间内的呼吸波峰数量，Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值，Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差，Re sp _ peak _ SD指连续呼吸波峰的间隔标准差，Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量，Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量，Re sp _ power01505是呼吸信号在0.15-0.5Hz 之间的能量，
Re sp _ powervlflf是极低频能量和低频能量的比值，计算公式如下：
Figure SMS_96
Re sp _ powervlfhf是极低频能量和高频能量的比值，计算公式如下：
Figure SMS_97
Re sp _ powerlfhf是低频能量和高频能量的比值，计算公式如下：
Figure SMS_98
。
特征表达：Re sppeak _ num、Average _ Re sp、Re sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _ power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf、Re sp _ powerlfhf。
评估神经功能：睡眠功能。
6、数据6
任务（场景）：认知量表测试（居家、医院）。
感知技术：认知量表。
数据类型：量表评分。
信号特征提取方法：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值。
特征表达：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值。
评估神经功能：认知功能。
其中，所述数据2中，从足底压力时间序列中获得方法如图2所示，具体步骤如下：
（a）预处理好的多维足底压力信号通过K-means 聚类，在时间维度上聚类到短暂稳定的多个微状态；
（b）根据聚类结果将多维足底压力时间序列信号截取为N 个Epoch；
（c）对每个Epoch用图谱理论提取图结构的邻接矩阵A和拉普拉斯矩阵L；其中各传感器节点的压力值作为图结构的顶点，每两个通道的相关性作为边。
（d）GCNs-RNN分类模型：首先用切比雪夫多项式对拉普拉斯矩阵L进行特征值分解，并用图卷积GCNs对每个Epoch的图进行卷积，GCNs的图卷积结果输入到循环神经网络RNN中，最后Dense层做出分类（详细过程见图3）；
（e）输出分类结果。
图3 为图2中GCNs-RNN模型的具体计算过程。这个模型分为三层，第一层是图卷积层GCNs layer，第二层是循环神经网络层RNN layer，第三层是全连接层Dense layer。
第一层，GCN模型在裁剪的每个Epoch上进行图卷积。图卷积的过程是用每个Epoch上提取到的邻接矩阵A计算拉普拉斯矩阵L。因为拉普拉斯矩阵L 是对称矩阵，可以特征分解，这里用图谱理论的特征分解代替卷积神经网络中的傅里叶变换，特征分解的特征向量对应傅里叶变换的基（不同频率的正弦信号），特征值对应傅里叶变换中的傅里叶系数（基的幅度）。为简化计算，可使用切比雪夫多项式将信号
Figure SMS_99
（SN是足底传感器Sensor的数量），分解到拉普拉斯矩阵L的分量T0(L)，T1(L)，... ，TK-1(L)为基的维度，分解为T0(L)x，T1(L)x，... ，TK-1(L)x，如图3所示。接下来，以切比雪夫多项式系数θ为卷积核，对T0(L)x,T1(L)x,... ,TK-1(L)x进行卷积操作。y1，y2，...，yN分别是Epoch1，Epoch2，... ，EpochN的图卷积GCN的输出结果。
第二层，将上一层的输出结果y1，y2，...yN作为时间序列输入到循环神经网络RNN中，循环神经网络的结果输入到下一层。这里采用LSTM模型，作为RNN 模型的首选。
第三层，全连接层将循环神经网络层的输出结果按需要分类的类别数输出分类结果。Dense 层中每一个特征节点掌握着一定的权重来决定输入是属于哪个类别，最终全部特征的权重共同决定了输入所属分类的权重或概率。
所述数据3中，进行处理采用频谱分析、时频分析、倒谱分析等方法分析后得到的特征包括：基频微扰Jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF和倒谱类声学特征Mel。
所述特征的详细描述为：
1、基频
基频( Fundamental Frequency, F0)是指语音信号中的最低频率，即I秒钟内声带振动的次数，当声带发生病变时，声带的长度、厚度、形状随之变化，从而会改变基频取值，影响语音信号的声学特性。
2、基频微扰
基频微扰(Jitter)描述了语音信号相邻周期之间基音频率的微小波动变化，与声带的振动频率一致。其计算公式如下：
Figure SMS_100
其中，N是提取的语音信号周期数，
Figure SMS_101
是第i个语音信号周期长度。
3、振幅微扰
振幅微扰(Shimmer)与基频微扰(Jitter)的定义类似，描述了语音信号相邻周期之间振幅的微弱差异，表征了嗓音的嘶哑程度。其计算公式如下：
Figure SMS_102
其中，N是提取的语音信号周期数，
Figure SMS_103
是第i个语音周期的振幅。
4、谐噪比
谐波噪声比( harmonics-to-noise ratio，HNR)，简称谐噪比，反映语音信号中谐波成分与噪声成分能量强度的比值，计算公式如下：
Figure SMS_104
其中，
Figure SMS_105
是谐波成分能量，/>
Figure SMS_106
是噪声成分能量。当NHR=0时意味着谐波和噪声的能量相等，可以用来检测语音信号中的噪声成分。
5、开放熵
开放熵( open quotient, OQ)是声带开放时间
Figure SMS_107
占一个完整声门周期T的比例。从声门波时域图像上看，其计算公式如下：
Figure SMS_108
6、闭合熵
闭合熵(closed quotient, CQ)是声带关闭时间
Figure SMS_109
占一个完整声门周期T的比例，其计算公式如下:
Figure SMS_110
7、速度熵
速度熵( speed quotient, SQ)是声门渐开时间段
Figure SMS_111
与渐闭时间段/>
Figure SMS_112
的比值，体现着声门波形的倾斜度。其计算公式如下：
Figure SMS_113
8、功率谱概率密度
功率谱概率密度函数(Probability Density Function，PDF) 的求解过程如下：首先对语音信号进行快速短时傅里叶变换，得到短时频谱,然后对频谱进行归一化处理，得到概率密度函数，即：
Figure SMS_114
其中，
Figure SMS_115
是每个频率分量/>
Figure SMS_116
的频谱幅值，/>
Figure SMS_117
是分量值对应的概率密度值（即概率密度函数），N是FFT的采样点数。
9、频谱熵
频谱熵(Spectral Entropy, SE)是反映频谱均匀程度的特征参数，频谱熵的计算公式如下:
Figure SMS_118
10、频谱通量
频谱通量(Spectral Flux, SF)是反映语音信号帧与帧之间频谱变化的特征参数，频谱通量的计算公式如下：
Figure SMS_119
其中，E为第r帧的能量。
11、梅尔频率倒谱系数
梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient, MFCC)考虑到人类听觉的非线性特性，先将线性频谱映射到基于人类听觉感知的梅尔尺度的非线性频谱中，然后转换到倒谱域，可用以下公式近似表示。
Figure SMS_120
其中，f是频率，单位是Hz。频率带宽与梅尔频率的增长相仿，随着频率的变化而变化。
所述数据5进行处理后得到的特征包括：Re sppeak _ num、Average _ Re sp、Re sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _ power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf、Re sp _ powerlfhf。
所述特征的详细描述为：
1、Re sppeak _ num指的是一段时间内的呼吸波峰数量，有研究表明，在同一睡眠时期内 REM 和 NREM 期的值是不相同的，在 REM 期间 数量较少，在 NREM 期间较多。其计算公式如下：
Figure SMS_121
2、Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值，反映的是平均一次呼吸活动的所用时间的长短，属于睡眠分期的重要分析指标之一。其计算公式下：
Figure SMS_122
3、Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差，反应的是呼吸活动的平稳程度，其计算公式如下：
Figure SMS_123
其中，N表示正常呼吸总数，Re sp _ width i 和
Figure SMS_124
分别表示两个相邻的呼吸波峰波谷的长度。
4、Re sp _ peak _ SD指连续呼吸波峰的间隔标准差，与呼吸波峰波谷的间隔标准差类似，反应的是呼吸活动的平稳程度，其公式如式下：
Figure SMS_125
5、呼吸频域特征：睡眠呼吸数据的功率谱估使用自回归（Auto Regression，AR）模型法来进行，AR 模型法基本原理如下：
一个阶AR过程可以表示为：
Figure SMS_126
式中，
Figure SMS_127
代表AR模型参数，/>
Figure SMS_128
表示均值为0，方差为/>
Figure SMS_129
的高斯白噪声。
对上式两边求z变换，可以得到系统的传输函数是全极型。
Figure SMS_130
此 AR 过程的功率谱是
Figure SMS_131
将睡眠呼吸数据RESP每5 min一段进行数据分段。AR模型用于估计这5 min 数据段的功率谱，然后以功率谱峰值为中心，计算顺谱窗内的睡眠呼吸 数据的功率所占百分比，该功率谱即为 RESP 这 5min 的频谱能量。呼吸信号频域特征如下(5.1)-(5.6):
（5.1）Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量，计算公式如下：
Figure SMS_132
（5.2）Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量，计算公式如下：
Figure SMS_133
（5.3）Re sp _ power01505是呼吸信号在 0.15-0.5Hz 之间的能量，计算公式如下：
Figure SMS_134
（5.4）Re sp _ powervlflf是极低频能量和低频能量的比值，计算公式如下：
Figure SMS_135
(5.5)Re sp _ powervlflf是极低频能量和高频能量的比值，计算公式如下：
Figure SMS_136
(5.6)Re sp _ powervlflf是低频能量和高频能量的比值，计算公式如下：
Figure SMS_137
实验结果表明，对于帕金森疾病的早期诊断此定量化早期诊断体系准确率和敏感性比现有诊断特征有较大幅度的提升。
通过上述实施例可以看到，本发明能够定量化、标准化、系统化、多维度的对帕金森患者进行客观评估，为帕金森的早期诊断和准确诊断提供技术基础，具有很好的应用前景。

Claims (8)

1.一种帕金森疾病客观化、定量化早期诊断系统，其特征在于，包括：
输入模块，用于输入定量化任务所采集的数据；
特征提取模块，用于对所述输入模块得到的数据进行处理，得到特征；
诊断模块，用于根据所述特征得到早期帕金森病的诊断结果，其中，诊断标准的建立方法为对不同年龄性别的组群给出正常参数值范围；
所述定量化任务所采集的数据包括如下数据中的至少一项：
数据1：受试者画引导性阿基米德螺旋线，采集笔感知接触点x和y的位置、笔尖和纸之间的压力；
数据2：受试者进行步行，采集足底压力时间序列、偏转角度时间序列、角速度时间序列、加速度时间序列和肌电时间序列；
数据3：受试者进行朗读或自述，采集语音序列；
数据4：记录受试者的眼球运动，采集眼动数据；
数据5：对受试者的夜间睡眠进行监测，采集心电时间序列和呼吸时间序列；
数据6：对受试者进行认知量表测试，采集量表评分。
2.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断系统，其特征在于：
所述数据1进行处理后得到的特征包括：每个线段的总长度
Figure QLYQS_1
、每段的总持续时间为
Figure QLYQS_2
、平均速度/>
Figure QLYQS_3
、加权平均速度/>
Figure QLYQS_4
、每一段的平均笔压/>
Figure QLYQS_5
、螺旋图平均速度与平均笔压的综合指数/>
Figure QLYQS_6
；
所述特征的计算公式为：
Figure QLYQS_7
Figure QLYQS_8
Figure QLYQS_9
Figure QLYQS_10
Figure QLYQS_11
Figure QLYQS_12
其中，x、y是笔尖的位置坐标，x n 、y n 对应第n个采样样本，i代表第i个线段，m i 为第i个线段的样本总数，SR是采样率，pr是笔尖压力，
Figure QLYQS_13
为第i个线段的平均笔压。
3.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断系统，其特征在于：所述数据2进行处理后得到的特征包括：足底压力随时间变化的时空特征、步行速度、姿态特征、步频、步幅、步速、每个通道的肌电的总和值、威廉姆森振幅、方差、过零、斜率符合变化和波形长度；
其中，所述足底压力随时间变化的时空特征通过基于图神经网络的循环神经网络获得；
所述每个通道的肌电的总和值IEMG、威廉姆森振幅WAMP、方差VAR、过零ZC、斜率符合变化SSC和波形长度WL计算公式如下：
Figure QLYQS_14
Figure QLYQS_15
Figure QLYQS_16
Figure QLYQS_17
Figure QLYQS_18
Figure QLYQS_19
其中，
Figure QLYQS_20
，/>
Figure QLYQS_21
是肌电时间序列的采样总个数，/>
Figure QLYQS_22
是第n个采样点数据。
4.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断系统，其特征在于：所述数据3进行处理采用频谱分析、时频分析和倒谱分析方法分析后得到的特征包括：基频微扰jitter、振幅微扰Shimmer、谐噪HNR、频谱熵SE、速度熵SQ、开放熵OQ、闭合熵CQ、频谱通量SF、倒谱类声学特征
Figure QLYQS_23
和概率密度函数/>
Figure QLYQS_24
。
5.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断系统，其特征在于：所述数据4进行处理后得到的特征包括：首次注视时间、眼跳潜伏期、总注视时间、回视时间、回视次数、眼动轨迹和扫视幅度。
6.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断系统，其特征在于：所述数据5进行处理后得到的特征包括：Re sppeak _ num、Average _ Re sp、Re sppeak _ valley _ SD、Re sp _ peak _ SD、Re sp _ power001005、Re sp _ power005015、Re sp _ power01505、Re sp _ powervlflf、Re sp _ powervlfhf和Re sp _ powerlfhf；
其中，Re sppeak _ num指的是一段时间内的呼吸波峰数量，Average _ Re sp指的是一段时间内呼吸波峰波谷的间隔平均值，Re sppeak _ valley _ SD指的是连续呼吸波峰波谷的间隔标准差，Re sp _ peak _ SD指连续呼吸波峰的间隔标准差，Re sp _ power001005是呼吸信号在 0.01-0.05Hz 之间的能量，Re sp _ power005015是呼吸信号在 0.05-0.15Hz 之间的能量，Re sp _ power01505是呼吸信号在 0.15-0.5Hz 之间的能量，
Re sp _ powervlflf是极低频能量和低频能量的比值，计算公式如下：
Figure QLYQS_25
Re sp _ powervlfhf是极低频能量和高频能量的比值，计算公式如下：
Figure QLYQS_26
Re sp _ powerlfhf是低频能量和高频能量的比值，计算公式如下：
Figure QLYQS_27
。
7.按照权利要求1所述的帕金森疾病客观化、定量化早期诊断系统，其特征在于：所述数据6进行处理后得到的特征包括：定向力、记忆力、语言功能、注意力、计算力、执行功能和视空间能力分值；
所述特征是对如下量表中的至少一种进行统计后得到：MOCA、MMSE、GPCOG、AD8、Mini-Cog、MIS、CASI2.0、HDS-R、QCSS-E、BECSI、MES或SMCI。
8.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1-7任一项所述的帕金森疾病客观化、定量化早期诊断系统的计算机程序。
CN202310263178.4A 2023-03-17 2023-03-17 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 Active CN115985490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310263178.4A CN115985490B (zh) 2023-03-17 2023-03-17 一种帕金森疾病客观化、定量化早期诊断系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310263178.4A CN115985490B (zh) 2023-03-17 2023-03-17 一种帕金森疾病客观化、定量化早期诊断系统及存储介质

Publications (2)

Publication Number Publication Date
CN115985490A CN115985490A (zh) 2023-04-18
CN115985490B true CN115985490B (zh) 2023-06-13

Family

ID=85968515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310263178.4A Active CN115985490B (zh) 2023-03-17 2023-03-17 一种帕金森疾病客观化、定量化早期诊断系统及存储介质

Country Status (1)

Country Link
CN (1) CN115985490B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117137442B (zh) * 2023-09-04 2024-03-29 佳木斯大学 基于生物学特征帕金森症辅助检测系统、机器可读介质
CN117275723B (zh) * 2023-09-15 2024-03-15 上海全景医学影像诊断中心有限公司 一种早期帕金森病预测方法、装置及系统
CN117717342B (zh) * 2024-02-07 2024-04-09 吉林大学 用于盆底康复的评估系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107921237A (zh) * 2015-04-27 2018-04-17 反射医学公司 交感神经心肺神经调节系统和方法
CN112820279A (zh) * 2021-03-12 2021-05-18 深圳市臻络科技有限公司 基于语音上下文动态特征的帕金森病检测方法
CN113017618A (zh) * 2021-03-18 2021-06-25 西安交通大学医学院第一附属医院 一种用于上肢肌张力运动障碍的快速诊断仪器
KR20210152254A (ko) * 2020-06-08 2021-12-15 성균관대학교산학협력단 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치
CN114300081A (zh) * 2022-03-09 2022-04-08 四川大学华西医院 基于电子病历多模态数据的预测设备、系统和存储介质
CN115101191A (zh) * 2022-08-26 2022-09-23 大连理工大学 一种帕金森疾病诊断系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107921237A (zh) * 2015-04-27 2018-04-17 反射医学公司 交感神经心肺神经调节系统和方法
KR20210152254A (ko) * 2020-06-08 2021-12-15 성균관대학교산학협력단 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치
CN112820279A (zh) * 2021-03-12 2021-05-18 深圳市臻络科技有限公司 基于语音上下文动态特征的帕金森病检测方法
CN113017618A (zh) * 2021-03-18 2021-06-25 西安交通大学医学院第一附属医院 一种用于上肢肌张力运动障碍的快速诊断仪器
CN114300081A (zh) * 2022-03-09 2022-04-08 四川大学华西医院 基于电子病历多模态数据的预测设备、系统和存储介质
CN115101191A (zh) * 2022-08-26 2022-09-23 大连理工大学 一种帕金森疾病诊断系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于步态分析的帕金森症患者的筛查与诊断研究";吴筱;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第02期);第E070-178页 *
"帕金森病及运动障碍疾病门诊震颤患者的病因及临床表现分析";李晓莉 等;《现代生物医学进展》;第18卷(第18期);第3485-3489、3484页 *
Annett, & Blochberger."Parkinson's disease clinical features and diagnosis".《 Clinical pharmacist》.2011,第3卷(第11期),第 361-361页. *
早期帕金森病患者睡眠障碍分析;李琳 等;《中国现代神经疾病杂志》;第8卷(第3期);第176-180页 *

Also Published As

Publication number Publication date
CN115985490A (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115985490B (zh) 一种帕金森疾病客观化、定量化早期诊断系统及存储介质
Mendonca et al. A review of obstructive sleep apnea detection approaches
Vizza et al. Methodologies of speech analysis for neurodegenerative diseases evaluation
US20050119586A1 (en) Systems and methods for respiratory event detection
US20200093423A1 (en) Estimation of sleep quality parameters from whole night audio analysis
Nallanthighal et al. Deep learning architectures for estimating breathing signal and respiratory parameters from speech recordings
CN111920420B (zh) 一种基于统计学习的患者行为多模态分析与预测系统
US20170014082A1 (en) System and Method for Evaluating Vocal Function Using an Impedance-Based Inverse Filtering of Neck Surface Acceleration
Ahmadzadeh et al. Review on biomedical sensors, technologies and algorithms for diagnosis of sleep disordered breathing: Comprehensive survey
Simply et al. Diagnosis of obstructive sleep apnea using speech signals from awake subjects
Cordella et al. Classification-based screening of Parkinson’s disease patients through voice signal
Li et al. Electret-based flexible pressure sensor for respiratory diseases auxiliary diagnosis system using machine learning technique
Ding et al. Severity evaluation of obstructive sleep apnea based on speech features
Dar et al. Lung anomaly detection from respiratory sound database (sound signals)
Vatanparvar et al. Speechspiro: Lung function assessment from speech pattern as an alternative to spirometry for mobile health tracking
CN113974607A (zh) 一种基于脉冲神经网络的睡眠鼾声检测系统
Luo et al. Design of embedded real-time system for snoring and OSA detection based on machine learning
Pandey et al. Nocturnal sleep sounds classification with artificial neural network for sleep monitoring
Arslan et al. Sensitive deep learning application on sleep stage scoring by using all PSG data
Ghaemmaghami et al. Normal probability testing of snore signals for diagnosis of obstructive sleep apnea
Yiu et al. Fatigue-Related change in surface electromyographic activities of the perilaryngeal muscles
Zhang et al. Digital signal processing and analysis of cardiopulmonary audio using a multi-channel stethograph system
Xin et al. A bone-conduction transducer-based detection system for sleep apnea screening in the family units
Akhter et al. Characterizing the NREM/REM sleep specific obstructive sleep apnea severity using snore sounds
Yin et al. Athlete’s respiratory frequency and physical energy consumption model based on speech recognition technology

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