CN116869554A - 一种糖尿病周围神经病筛查方法及筛查系统 - Google Patents
一种糖尿病周围神经病筛查方法及筛查系统 Download PDFInfo
- Publication number
- CN116869554A CN116869554A CN202310964715.8A CN202310964715A CN116869554A CN 116869554 A CN116869554 A CN 116869554A CN 202310964715 A CN202310964715 A CN 202310964715A CN 116869554 A CN116869554 A CN 116869554A
- Authority
- CN
- China
- Prior art keywords
- signals
- peripheral neuropathy
- myoelectric
- signal
- myoacoustic
- 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.)
- Pending
Links
- 208000032131 Diabetic Neuropathies Diseases 0.000 title claims abstract description 67
- 238000012216 screening Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000033001 locomotion Effects 0.000 claims abstract description 93
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 63
- 210000003205 muscle Anatomy 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 41
- 210000001142 back Anatomy 0.000 claims abstract description 36
- 206010012601 diabetes mellitus Diseases 0.000 claims abstract description 11
- 208000033808 peripheral neuropathy Diseases 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 22
- 241000905957 Channa melasoma Species 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 210000000988 bone and bone Anatomy 0.000 claims 1
- 230000006378 damage Effects 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 210000000578 peripheral nerve Anatomy 0.000 abstract 1
- 210000002683 foot Anatomy 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 210000005036 nerve Anatomy 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000013399 early diagnosis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000035790 physiological processes and functions Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000002001 electrophysiology Methods 0.000 description 5
- 230000007831 electrophysiology Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000007830 nerve conduction Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000002390 adhesive tape Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000002266 amputation Methods 0.000 description 2
- 210000003050 axon Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 210000001087 myotubule Anatomy 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 108010005094 Advanced Glycation End Products Proteins 0.000 description 1
- 206010061666 Autonomic neuropathy Diseases 0.000 description 1
- 208000003790 Foot Ulcer Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000013595 glycosylation Effects 0.000 description 1
- 238000006206 glycosylation reaction Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004345 peroneal nerve Anatomy 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/006—Detecting skeletal, cartilage or muscle noise
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Neurosurgery (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Rheumatology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种糖尿病周围神经病筛查方法及筛查系统,方法包括:采集受试者人体足背肌的肌电信号和肌音信号;根据信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,并融合成图像数据;基于每一个受试者对应的图像数据和患病标签组成训练数据集;基于训练数据集对Resnet网络模型进行训练,并基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。本发明方法,无需昂贵的设备和专业医生人员参与,操作便捷,对患者无痛无伤害,宜作为糖尿病周围神经并筛查手段进行推广和应用。
Description
技术领域
本发明涉及医疗检测领域,更具体地,涉及一种糖尿病周围神经病筛查方法及筛查系统。
背景技术
糖尿病周围神经病(Diabetic Peripheral Neuropathy,DPN)是最常见的糖尿病并发症之一,发病率是60%到90%。DPN可能会导致患者足部溃疡、下肢截肢甚至死亡。早期筛查并积极治疗DPN,可显著降低足溃疡和截肢的发生概率,对糖尿病患者的生活质量、降低治疗花费等方面具有重要益处。
早期的DPN患者通常没有明显的临床症状,导致患者不能及时发现病情,导致病情恶化,因此对DPN进行早期诊断和筛查是至关重要的。研究发现,大多数无症状的DPN患者在电生理学方面可能存在异常。基于神经电生理的方法可在早期诊断出DPN,是临床上主流的DPN诊断方法,也是目前判断糖尿病患者是否患有DPN的标准。基于电生理的DPN诊断方法要求受试者在清醒状态下接受预先设定好的电刺激,受试者神经在电刺激作用下产生神经传导,记录神经传导的速度、末端潜伏期和波幅。当神经传导速度减慢、波幅下降或消失时,则判定受试者神经传导异常,并进一步综合其他因素判定受试者是否患有DPN。基于神经电生理的DPN诊断方法灵敏度高,可在无症状的情况下对DPN进行早期诊断。然而神经电生理检查需要借助专业的人员和仪器,价格昂贵,操作复杂耗时长,且需要在受试者清醒的状态下进行电刺激,对受试者具有较大疼痛伤害。基于这些原因,神经电生理检查难以作为DPN筛查方法进行推广应用。
为实现对DPN的早期诊断,一些新兴的方法被广泛研究。Ponirakis等研究发现DPN患者的振动觉阈值(vibration perception threshold,VPT)、寒冷阈值(cold perceptionthreshold,CPT)、热阈值(warm perception threshold,WPT)和没有DPN的糖尿病患者的相比都有明显下降,对DPN的诊断具有较大价值。Jiang MS等人研究了角膜共聚焦显微镜(corneal confocal microscopy,CCM)得到的角膜神经参数对DPN的诊断价值,发现DPN患者的角膜神经纤维密度、神经分支密度和神经纤维长度等参数,较非DPN的DM患者显著降低。研究发现,通过对皮肤汗液进行测定,可以评价交感神经功能,进而诊断人体自主神经病变情况。Sudoscan仪可以定量检测足和手部的电化学皮肤传导率(electrochemicalskin conductance,ESC),进而评估人体的泌汗神经功能。研究发现DPN患者手或足的ESC值较非DPN的DM患者、健康人均明显降低,这对诊断DPN具有一定的临床意义。研究发现,皮肤中积累的终末糖基化产物(advanced glyca tion end-products,AGE)的积累量与1型糖尿病患者患有DPN的可能性之间呈正相关,表明AGE积累量可能作为诊断DPN的考虑因素。Qiang Zhou等人的研究发现,相对于健康人群,轻度DPN患者足底的小血管的表面温度存在异常情况,为DPN的早期诊断提供了一种新思路。还有一些学者研究高分辨率神经超声成像方法在DPN早期诊断方面的应用。
发明内容
本发明针对现有技术中存在的技术问题,提供一种糖尿病周围神经病筛查方法及筛查系统。
根据本发明的第一方面,提供了一种糖尿病周围神经病筛查方法,包括:
采集受试者人体足背肌的肌电信号和肌音信号,所述受试者包括患有糖尿病周围神经病和未患有糖尿病周围神经病的患者;
根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
获取训练数据集,所述训练数据集中包括多个训练样本,每一个训练样本包括图像数据和对应的是否患有糖尿病周围神经病的标签;
基于所述训练数据集对Resnet网络模型进行训练,并基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述采集受试者人体足背肌的肌电信号和肌音信号,包括:
在受试者脚部的足背肌处布局EMG传感器和MMG传感器;
在受试者进行脚趾运动的过程中,通过EMG传感器采集受试者足背肌的肌电信号,以及通过MMG传感器采集受试者足背肌的肌音信号。
可选的,所述MMG传感器通过医用双面胶粘贴在人体足背肌表面中心位置,所述EMG传感器包含有3个电极,第一个电极通过医用电极片固定在没有肌肉组织的外踝骨位置,第二个电极和第三个电极的电极片粘贴在足背肌表面的MMG传感器附近。
可选的,所述根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号,包括:
对采集的原始肌电信号进行滤波,得到去除噪声后的肌电信号;
设定分割阈值,保留高于所述分割阈值的肌电信号,得到包括多个信号峰的肌电信号;
将每相邻两个信号峰对应的时间区间作为一个运动周期,分割原始肌电信号和原始肌音信号,得到每一个运动周期的肌电信号和肌音信号。
可选的,采集的原始肌电信号包括多个采集点数据,所述对采集的原始肌电信号进行滤波,包括:
以N个采集点为滑动窗口对原始肌电信号中的每一个采集点数据进行滤波,滤波公式为:
其中,x(i)为第i个采集点数据,min(x)为滑动窗口内的采集点数据的最小值,y(i)为x(i)经过滤波后的数据。
可选的,所述将肌电信号和肌音信号融合成图像数据,包括:
假设运动周期的长度是L,将运动周期内的肌电信号和肌音信号分割成段,每段的长度为/> 表示向下取整;
将分割出的每段肌电信号和每段肌音信号按时间顺序拼接得到矩阵,矩阵的高和宽均为
将得到的肌电信号矩阵和肌音信号矩阵按照自个对应的权重系数进行加权求和,得到与肌电信号和肌音信号大小相等的线性融合矩阵;
将肌电信号矩阵、肌音信号矩阵和线性融合矩阵分别作为RGB彩色图像中的R、G、B通道,进行进一步融合得到最终的RGB图像数据。
可选的,所述基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,包括:
采集待测患者人体足背肌的肌电信号和肌音信号;
根据所述肌电信号和肌音信号的信号特征分割待测患者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
将图像数据输入训练后的Resnet网络模型,判定待测患者是否患有糖尿病周围神经病。
根据本发明的第二方面,提供一种糖尿病周围神经病筛查系统,包括:
采集模块,用于采集受试者人体足背肌的肌电信号和肌音信号,所述受试者包括患有糖尿病周围神经病和未患有糖尿病周围神经病的患者;
分割模块,用于根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
融合模块,用于对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
获取模块,用于获取训练数据集,所述训练数据集中包括多个训练样本,每一个训练样本包括图像数据和对应的是否患有糖尿病周围神经病的标签;
训练模块,用于基于所述训练数据集对Resnet网络模型进行训练;
判定模块,用于基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现糖尿病周围神经病筛查方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现糖尿病周围神经病筛查方法的步骤。
本发明提供的一种糖尿病周围神经病筛查方法及筛查系统,无创便捷地采集糖尿病患者足背肌的肌电和肌音数据,对数据进行分割、均匀化、融合,将处理后的数据转换成图像数据。根据被采集者是否患有DPN对生成的图像数据进行分类标记,得到数据集。数据集在卷积神经网络resnet的帮助下,被用于DPN分类模型,模型被用于DPN筛查。该方法无需昂贵的设备和专业医生人员参与,操作便捷,对患者无痛无伤害,宜作为DPN筛查手段进行推广和应用。
附图说明
图1为本发明提供的一种糖尿病周围神经病筛查方法流程图;
图2为根据肌电信号和肌音信号生成图像数据的示意图;
图3为糖尿病周围神经病筛查方法的整体流程示意图;
图4为本发明提供的一种糖尿病周围神经病筛查系统的结构示意图;
图5为本发明提供的一种可能的电子设备的硬件结构示意图;
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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做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。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
近年来新兴的DPN早期诊断方法大多需要专业人员参与或借助专用设备,不宜作为DPN筛查方法进行推广,如何无创、无痛、便捷地筛查DPN仍然是临床亟待解决的难题。本发明提出一种新的多模态数据融合的DPN筛查方法。
图1为本发明提供的一种糖尿病周围神经病筛查方法流程图,如图1所示,方法包括:
步骤1,采集受试者人体足背肌的肌电信号和肌音信号,所述受试者包括患有糖尿病周围神经病和未患有糖尿病周围神经病的患者,。
可理解的是,DPN对神经的损害呈现轴突长度依赖型(length-dependentpattern),神经的轴突越长越易受损。腓总神经是人体下肢最长的神经之一,因此是DPN最先累及的神经之一。神经的病理状态和其控制的肌肉的生理状态密切相关。人体的足背肌受腓总神经控制,足背肌的生理状态在一定程度上反映腓总神经的病理状态,进而反映出人体可能患有DPN。提出的方法采集人体足背肌的多源生理信号,评估足背肌的生理状态,从而评估人体的DPN患病情况。肌音信号(MMG)是人体肌肉纤维在收缩过程中,在肌肉表面产生的微弱的振动信号。MMG可以量化反映骨骼肌纤维低频横向振动活动,和肌肉收缩力的大小密切相关。肌电信号(EMG)是肌肉受刺激后产生的动作电位,可反映肌肉的收缩力大小以及肌肉的生理状态。因此同时采集人体足背肌表面的MMG和EMG信号,融合处理两种信号,利用融合后的信号诊断DPN。
作为实施例,所述采集受试者人体足背肌的肌电信号和肌音信号,包括:在受试者脚部的足背肌处布局EMG传感器和MMG传感器;在受试者进行脚趾运动的过程中,通过EMG传感器采集受试者足背肌的肌电信号,以及通过MMG传感器采集受试者足背肌的肌音信号。
其中,MMG传感器通过医用双面胶粘贴在人体足背肌表面中心位置,所述EMG传感器包含有3个电极,第一个电极通过医用电极片固定在没有肌肉组织的外踝骨位置,第二个电极和第三个电极的电极片粘贴在足背肌表面的MMG传感器附近。两种传感器都是无源的、非侵入的对人体不会造成疼痛感或其他伤害。
MMG信号和EMG信号反映肌肉运动过程中的收缩力和生理状态,因此数据采集过程中需要受试者配合进行肌肉运动。人体的足背肌由趾短伸肌(digitorum brevis)和拇短伸肌(hallucis brevis)两块肌肉构成,在脚趾屈伸运动中发挥作用。因此提出的方法需要受试者进行脚趾反复伸屈运动,并实时采集运动过程中足背肌的MMG信号和EMG信号。
步骤2,根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号。
可理解的是,MMG信号和EMG信号主要反映运动过程中肌肉的生理状态。基于采集到的信号特征分割出受试者的脚趾运动周期,得到受试者每次完整的脚趾伸屈运动对应的EMG信号和MMG信号。基于采集到的EMG信号的时域特征,提出一种基于阈值的运动周期分割方法。采集到的受试者足背肌的EMG信号是一种多峰信号,每个信号峰对应一个运动周期,分割出每个信号峰就分割出了每个运动周期。首先基于公式(1)对原始EMG信号进行滤波,得到去除噪声后的EMG信号;然后设定一个分割阈值,保留高于该阈值的EMG信号数据,这样就将EMG信号分割成了多个信号峰;EMG信号的每相邻两个信号峰对应的时间区间为一个运动周期,分割原始的EMG信号和MMG信号,得到与每一个运动周期相对应的EMG信号和MMG信号。
其中,采集的原始肌电信号为信号序列,序列由一系列的采集点数据组成,对原始肌电信号进行过滤包括:
以N个采集点为滑动窗口对原始肌电信号中的每一个采集点数据进行滤波,滤波公式为:
其中,x(i)为第i个采集点数据,min(x)为滑动窗口内的采集点数据的最小值,y(i)为x(i)经过滤波后的数据。
步骤3,对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据。
可理解的是,信号采集过程中,对受试者每次运动的时间周期的长度不做严格要求,导致分割出的运动周期的长度具有较大差异性。对分割后的信号进行均匀化处理,保证分割出的样本的大小具有较好的一致性,有利于提高后续的分类诊断模型的准确性和鲁棒性。先对原始信号进行降采样处理,再分割运动周期,可有效降低分割出的运动周期长度的差异性。对每一个运动周期内的EMG信号和MMG信号进行均匀化和归一化后,每个运动周期内的EMG信号和MMG信号的长度一致。
分割得到的数据包含受试者一个运动周期内的MMG和EMG信号。将MME信号和EMG信号进行融合成图像数据,MMG信号和EMG信号先分别被转换成矩阵,然后进行线性融合,再然后进一步融合,得到相应的三通道的彩色图像。如图2所示,首先将MMG和EMG转换成矩阵:已知MMG和EMG的数据长度相同,都等于分割出的运动周期的长度。假设该长度是L,将数据分割成段,每段的长度同样也是/>将分割出的每段数据按时间顺序拼接得到矩阵,矩阵的高和宽都是/>如果/>不为整数,则对/>进行向下取整,取整后多余的数据丢弃。将得到的MMG和EMG矩阵按照一定的权重系数进行加权求和,得到和MMG、EMG大小相等的线性融合矩阵。将MMG矩阵、EMG矩阵和线性融合矩阵分别作为RGB彩色图像中的R、G、B通道,进行进一步融合得到最终的RGB图像数据。
其中,图2提出的将信号转换为图像数据的方法,图2中WEMG和WMMG分别为EMG和MMG矩阵对应的权重系数;其中L为分割得到的运动周期的长度。
步骤4,获取训练数据集,所述训练数据集中包括多个训练样本,每一个训练样本包括图像数据和对应的是否患有糖尿病周围神经病的标签。
可理解的是,采集多个患者的EMG信号和MMG信号,对EMG信号和MMG信号进行处理以及融合,生成对应的图像数据。其中,多个患者中包括患有糖尿病周围神经病的患者和未患有糖尿病周围神经病的患者。将这些患者的图像数据组成训练数据集。
步骤5,基于所述训练数据集对Resnet网络模型进行训练,并基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。
可理解的是,基于训练数据集对模型进行训练,基于训练后的模型对待测患者是否患有糖尿病周围神经病进行判定筛查。
具体的,采集待测患者人体足背肌的肌电信号和肌音信号;根据所述肌电信号和肌音信号的信号特征分割待测患者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;将图像数据输入训练后的Resnet网络模型,判定待测患者是否患有糖尿病周围神经病。
本发明提供了糖尿病周围神经病筛查方法的整体流程,首先按照图3a在受试者脚部的足背肌处布局EMG和MMG传感器;然后受试者按照图3b所示的方式进行脚趾运动,传感器会实时采集运动过程中足背肌的EMG和MMG信号;然后根据采集到的信号的特征分割脚趾运动的运动周期,得到图3c所示的运动过程中每个运动周期的EMG和MMG的子信号;为减少各个运动周期之间的数据长度的差异性,对所有周期子信号进行(降采样处理)均匀化处理得到图3d;最后,如图3e所示将均匀化处理后的EMG和MMG信号进行归一化,并融合成图像数据;(图像数据)输入到训练好的Resnet网络模型,对数据进行分类,判断数据对应的受试者是否患有DPN。
参见图4,提供了本发明的一种糖尿病周围神经病筛查系统,该系统包括采集模块401、分割模块402、融合模块403、获取模块404、训练模块405和判定模块406,其中:
采集模块401,用于采集受试者人体足背肌的肌电信号和肌音信号,所述受试者包括患有糖尿病周围神经病和未患有糖尿病周围神经病的患者;
分割模块402,用于根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
融合模块403,用于对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
获取模块404,用于获取训练数据集,所述训练数据集中包括多个训练样本,每一个训练样本包括图像数据和对应的是否患有糖尿病周围神经病的标签;
训练模块405,用于基于所述训练数据集对Resnet网络模型进行训练;
判定模块406,用于基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。
可以理解的是,本发明提供的一种糖尿病周围神经病筛查系统与前述各实施例提供的糖尿病周围神经病筛查方法相对应,糖尿病周围神经病筛查系统的相关技术特征可参考糖尿病周围神经病筛查方法的相关技术特征,在此不再赘述。
请参阅图5,图5为本发明实施例提供的电子设备的实施例示意图。如图5所示,本发明实施例提了一种电子设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现糖尿病周围神经病筛查方法的步骤。
请参阅图6,图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示,本实施例提供了一种计算机可读存储介质600,其上存储有计算机程序1611,该计算机程序611被处理器执行时实现糖尿病周围神经病筛查方法的步骤。
本发明实施例提供的一种糖尿病周围神经病筛查方法及筛查系统,无创便捷地采集糖尿病患者足背肌的肌电和肌音数据,对数据进行分割、均匀化、融合,将处理后的数据转换成图像数据。根据被采集者是否患有DPN对生成的图像数据进行分类标记,得到数据集。数据集在卷积神经网络resnet的帮助下,被用于DPN分类模型,模型被用于DPN筛查。该方法无需昂贵的设备和专业医生人员参与,操作便捷,对患者无痛无伤害,宜作为DPN筛查手段进行推广和应用。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种糖尿病周围神经病筛查方法,其特征在于,包括:
采集受试者人体足背肌的肌电信号和肌音信号,所述受试者包括患有糖尿病周围神经病和未患有糖尿病周围神经病的患者;
根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
获取训练数据集,所述训练数据集中包括多个训练样本,每一个训练样本包括图像数据和对应的是否患有糖尿病周围神经病的标签;
基于所述训练数据集对Resnet网络模型进行训练,并基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。
2.根据权利要求1所述的糖尿病周围神经病筛查方法,其特征在于,所述采集受试者人体足背肌的肌电信号和肌音信号,包括:
在受试者脚部的足背肌处布局EMG传感器和MMG传感器;
在受试者进行脚趾运动的过程中,通过EMG传感器采集受试者足背肌的肌电信号,以及通过MMG传感器采集受试者足背肌的肌音信号。
3.根据权利要求2所述的糖尿病周围神经病筛查方法,其特征在于,所述MMG传感器通过医用双面胶粘贴在人体足背肌表面中心位置,所述EMG传感器包含有3个电极,第一个电极通过医用电极片固定在没有肌肉组织的外踝骨位置,第二个电极和第三个电极的电极片粘贴在足背肌表面的MMG传感器附近。
4.根据权利要求1所述的糖尿病周围神经病筛查方法,其特征在于,所述根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号,包括:
对采集的原始肌电信号进行滤波,得到去除噪声后的肌电信号;
设定分割阈值,保留高于所述分割阈值的肌电信号,得到包括多个信号峰的肌电信号;
将每相邻两个信号峰对应的时间区间作为一个运动周期,分割原始肌电信号和原始肌音信号,得到每一个运动周期的肌电信号和肌音信号。
5.根据权利要求4所述的糖尿病周围神经病筛查方法,其特征在于,采集的原始肌电信号包括多个采集点数据,所述对采集的原始肌电信号进行滤波,包括:
以N个采集点为滑动窗口对原始肌电信号中的每一个采集点数据进行滤波,滤波公式为:
其中,x(i)为第i个采集点数据,min(x)为滑动窗口内的采集点数据的最小值,y(i)为x(i)经过滤波后的数据。
6.根据权利1所述的糖尿病周围神经病筛查方法,其特征在于,所述将肌电信号和肌音信号融合成图像数据,包括:
假设运动周期的长度是L,将运动周期内的肌电信号和肌音信号分割成段,每段的长度为/>表示向下取整;
将分割出的每段肌电信号和每段肌音信号按时间顺序拼接得到矩阵,矩阵的高和宽均为
将得到的肌电信号矩阵和肌音信号矩阵按照自个对应的权重系数进行加权求和,得到与肌电信号和肌音信号大小相等的线性融合矩阵;
将肌电信号矩阵、肌音信号矩阵和线性融合矩阵分别作为RGB彩色图像中的R、G、B通道,进行进一步融合得到最终的RGB图像数据。
7.根据权利要求1所述的糖尿病周围神经病筛查方法,其特征在于,所述基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,包括:
采集待测患者人体足背肌的肌电信号和肌音信号;
根据所述肌电信号和肌音信号的信号特征分割待测患者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
将图像数据输入训练后的Resnet网络模型,判定待测患者是否患有糖尿病周围神经病。
8.一种糖尿病周围神经病筛查系统,其特征在于,包括:
采集模块,用于采集受试者人体足背肌的肌电信号和肌音信号,所述受试者包括患有糖尿病周围神经病和未患有糖尿病周围神经病的患者;
分割模块,用于根据采集的每一位受试者的肌电信号和肌音信号的信号特征分割受试者脚趾运动的运动周期,得到每一个运动周期的肌电信号和肌音信号;
融合模块,用于对所有运动周期的肌电信号和肌音信号进行均匀化和归一化,使得每一个运动周期内的肌电信号和肌音信号的数据长度相同,并将肌电信号和肌音信号融合成图像数据;
获取模块,用于获取训练数据集,所述训练数据集中包括多个训练样本,每一个训练样本包括图像数据和对应的是否患有糖尿病周围神经病的标签;
训练模块,用于基于所述训练数据集对Resnet网络模型进行训练;
判定模块,用于基于训练后的Resnet网络模型判定待测患者是否患有糖尿病周围神经病,实现对待测患者的糖尿病周围神经病筛查。
9.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的糖尿病周围神经病筛查方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的糖尿病周围神经病筛查方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964715.8A CN116869554A (zh) | 2023-08-02 | 2023-08-02 | 一种糖尿病周围神经病筛查方法及筛查系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964715.8A CN116869554A (zh) | 2023-08-02 | 2023-08-02 | 一种糖尿病周围神经病筛查方法及筛查系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116869554A true CN116869554A (zh) | 2023-10-13 |
Family
ID=88268022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310964715.8A Pending CN116869554A (zh) | 2023-08-02 | 2023-08-02 | 一种糖尿病周围神经病筛查方法及筛查系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116869554A (zh) |
-
2023
- 2023-08-02 CN CN202310964715.8A patent/CN116869554A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113727638A (zh) | 用于自动量化信号质量的方法和系统 | |
CN112022136A (zh) | 基于近红外脑功能与步态参数的评估方法及系统 | |
KR20190091778A (ko) | 생체정보 및 영상정보 연계를 통한 인공지능 질환 진단 시스템 | |
Klug et al. | The BeMoBIL Pipeline for automated analyses of multimodal mobile brain and body imaging data | |
CN115299887B (zh) | 一种动态代谢功能的检测量化方法和系统 | |
Herrera-González et al. | Knee functional state classification using surface electromyographic and goniometric signals by means of artificial neural networks | |
EP4266986A1 (en) | Method and system for engineering cycle variability-related features from biophysical signals for use in characterizing physiological systems | |
Queiroz et al. | Support system for classification of beat-to-beat arrhythmia based on variability and morphology of electrocardiogram | |
Desai et al. | Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review | |
CN116186502B (zh) | 一种多模态视觉神经功能检测方法及其系统 | |
Sharifrazi et al. | Hypertrophic cardiomyopathy diagnosis based on cardiovascular magnetic resonance using deep learning techniques | |
Adem et al. | Classification of Parkinson's disease using EMG signals from different upper limb movements based on multiclass support vector machine | |
CN115486819B (zh) | 一种感知觉神经通路多级联检测量化的方法、系统和装置 | |
Zhou et al. | Upper-limb functional assessment after stroke using mirror contraction: A pilot study | |
CN116869554A (zh) | 一种糖尿病周围神经病筛查方法及筛查系统 | |
Lombardi et al. | Detecting sepsis from photoplethysmography: strategies for dataset preparation | |
WO2023026155A1 (en) | Methods and systems for engineering photoplethysmographic-waveform features from biophysical signals for use in characterizing physiological systems | |
Otel et al. | Diabetic peripheral neuropathy assessment through corneal nerve morphometry | |
Valli et al. | Analysis of dermal activity and skin images for diabetic kidney disease | |
Celka et al. | Pulse wave harmony: ancient wisdoms for modern age | |
Klinge et al. | Towards automatic pathology classification for a 24/7 ECG-based telemonitoring service | |
Popov et al. | Introduction to biomedical signals and biomedical imaging | |
Esparza-Iaizzo et al. | Automatic sleep scoring for real-time monitoring and stimulation in individuals with and without sleep apnea | |
Khong et al. | National Instruments LabVIEW and video imaging technique for health status monitoring | |
Jegelevicius et al. | Network based clinical decision support 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 |