CN117275723A - 一种早期帕金森病预测方法、装置及系统 - Google Patents
一种早期帕金森病预测方法、装置及系统 Download PDFInfo
- Publication number
- CN117275723A CN117275723A CN202311198669.1A CN202311198669A CN117275723A CN 117275723 A CN117275723 A CN 117275723A CN 202311198669 A CN202311198669 A CN 202311198669A CN 117275723 A CN117275723 A CN 117275723A
- Authority
- CN
- China
- Prior art keywords
- data
- eye movement
- preset
- disease
- data sequence
- 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 33
- 208000027089 Parkinsonian disease Diseases 0.000 title claims abstract description 25
- 206010034010 Parkinsonism Diseases 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 140
- 230000004424 eye movement Effects 0.000 claims abstract description 91
- 201000010099 disease Diseases 0.000 claims abstract description 63
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 63
- 208000018737 Parkinson disease Diseases 0.000 claims abstract description 25
- 230000010365 information processing Effects 0.000 claims abstract description 24
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 claims abstract description 15
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims description 44
- 230000033001 locomotion Effects 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 26
- 210000001508 eye Anatomy 0.000 claims description 19
- 238000012806 monitoring device Methods 0.000 claims description 19
- 230000007958 sleep Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 12
- 210000005252 bulbus oculi Anatomy 0.000 claims description 11
- 230000008452 non REM sleep Effects 0.000 claims description 7
- 241001125929 Trisopterus luscus Species 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 210000003414 extremity Anatomy 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 206010025482 malaise Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 206010061533 Myotonia Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 208000019969 rapid eye movement sleep disease Diseases 0.000 description 2
- 208000012639 Balance disease Diseases 0.000 description 1
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000005786 degenerative changes Effects 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 231100000880 dysequilibrium Toxicity 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及帕金森病研究技术领域，具体公开了一种早期帕金森病预测方法、装置及系统，包括：获取眼动监测数据并根据预设的第一信息处理策略生成第一数据序列，获取步行监测数据并根据预设的第二信息处理策略生成第二数据序列，通过预设的患病预测策略以及第一数据序列和第二数据序列得到患病预测结果，患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值。本发明将快速眼动睡眠的数据作为帕金森病患病概率评估的一项重要因素，结合对人体下肢状态的监测，实现了更早期帕金森病的患病概率评估，而且无需依赖医院诊断设备；用户在日常生活中能够收集到更多更丰富的日常生理体征数据，这些数据有利于医生能够更快速、更准确地做出诊断。
Description
技术领域
本发明涉及帕金森病研究技术领域，尤其涉及一种早期帕金森病预测方法、装置及系统。
背景技术
帕金森病是一种中枢神经系统退行性改变的病症，其主要的临床表现症状包括快速眼动期睡眠行为障碍(下称简称RBD，《初诊帕金森病患者快速眼动期睡眠行为障碍相关危险因素分析》及其它相关论文都提出要重视帕金森患者RBD症状的筛查)、静止性震颤、肌强直、运动迟缓、姿势平衡障碍、冻结以及非运动症状等，主要的病理改变是中脑黑质多巴胺能神经元的变性死亡，这个过程是不可逆的。有研究表明，在帕金森病早期阶段就进行治疗的病人相较于晚期治疗的病人可以平均多独立生活15年，所以尽量在帕金森病的早期阶段将其诊断出来对于进行有效治疗以及改善患者生活状态具有十分重要的意义。
但是，帕金森病实现早诊断是很困难的，因为通常情况下帕金森病进展到运动出现异常时患者才会重视，才会去医院看病，另一问题就是帕金森病本身的确诊平均需要用时超过1年。现在的诊断主要是医疗机构利用专用设备来诊断，不但耗费大量时间，费用昂贵，需要由受过培训的专业医护人员进行专业操作，受到场地限制，而且这些诊断方式属于主观测量方法，缺少客观性、可重复性及刻度敏感性，误诊率高，对早期症状诊断不明。
现有技术已有部分结合人工智能，尤其是机器学习技术，在挖掘数据中隐藏关系的能力、抵抗数据错误的能力、向患者和医生提供交互式反馈/监控总结的能力及对大量病人数据进行处理的能力等多方面，都相较于其他方法具有优越性，因此基于机器学习的支持工具在增强帕金森病临床诊断准确性、可靠性、评估的效率等方面有着很大的潜力。例如已研发出一些智能可穿戴设备，提取帕金森病患者上肢、下肢运动特征提供了支持，然而这类可穿戴设备中，由于采集的信息类型以及所采集人体位置的不同，对信息的处理以及运算产生的结果或结论也都存在或多或少的差异。所以基于上述问题，如何设计一种准确度更高的早期帕金森病预测方案，是一个亟待解决的问题。
发明内容
针对现有技术中的技术问题，本发明提供一种早期帕金森病预测方法、装置及系统。
本发明公开了一种早期帕金森病预测方法，包括步骤：
获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；所述眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；
获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；所述步行监测数据为运动监测设备对用户的下肢状态进行采集得到；
通过预设的患病预测策略以及所述第一数据序列和所述第二数据序列，得到患病预测结果；所述患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；
其中，所述患病预测策略包括：
将所述第一数据序列和所述第二数据序列处理为同维度的待运算数据；
将所述待运算数据按照预设单位时间段分为N个单元数据，通过所述单元数据以及预设的第一LSTM模型运算得到N个第一特征值；单位监测周期包括X个单位时间段；
通过所述第一特征值以及预设的informer模型运算得到每单位监测周期对应的第二特征值；
通过所述第二特征值以及预设的全连接网络模型运算得到所述患病预测结果。
进一步的，所述获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，包括：
获取眼动监测数据为若干个数据序列Prx；
计算用户处于非快速眼动睡眠状态下所述数据序列Prx的平均值Pv以及标准差Sv；
根据所述标准差Sv以及预设的第一阈值条件，在若干个数据序列Prx中筛选出用户处于快速眼动睡眠状态的数据序列Prx1；
根据所述数据序列Prx1生成所述第一数据序列R＝[T,S,Ts,C]；T为眼动周期，表示相邻两次眼动至最远距离的时间差；Ts为眼动起始时间；S为眼动距离，表示单次眼动的最大距离变化值；C为眼动轨迹，表示眼动距离S的轨迹与所述平均值Pv相交形成的面积。
进一步的，所述眼动监测数据还包括三轴加速度检测值，所述第一数据序列还包括水平方向加速度Av，所述第一数据序列为R＝[T,S,Ts,C，Av]，其中，
所述水平方向加速度为
其中，ax、ay、az分别表示所述三轴加速度检测值中x轴、y轴、z轴的加速度值，α为x轴与重力方向的夹角，β为y轴与重力方向的夹角，γ为z轴与重力方向的夹角；α＝arccos(ax/Ac)，β＝arccos(ay/Ac)，γ＝arccos(az/Ac)，
进一步的，所述获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，包括：
获取步行监测数据；
根据预设的步行判断策略以及所述步行监测数据判断用户是否处于行走状态，若是，
根据所述步行监测数据生成用户行走每一步所对应的第二数据序列；所述第二数据序列为Rm＝[St,Spt,Sga,Sgi,Sga,Sgi,Sy]，其中，St为当前时间,Spt为行走一步所用的时间长,Sga为最大垂直冲击力,Sgi为最小垂直冲击力,Sga为最大水平冲击力,Sgi为最小水平冲击力,Sy为左右迈步的角度差。
进一步的，所述患病预测策略还包括：通过所述第二特征值以及预设的第二LSTM模型运算得到多个单位监测周期的第三特征值；
通过所述第三特征值以及预设的全连接网络模型运算得到所述患病预测结果。
进一步的，所述全连接网络模型的损失函数设定为：
Loss＝crossentropyloss(Pout,Y)，其中，crossentropyloss为交叉熵函数，Pout为所述患病预测结果，Y为待运算数据的维数；
预设的所述全连接网络模型为根据所述损失函数以及预设准确度值训练得到。
本发明还包括一种早期帕金森病预测装置，所述预测装置包括数据获取模块以及预测模块，所述数据获取模块与所述预测模块相连接；
所述数据获取模块，用于获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；以及获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；所述眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；所述步行监测数据为运动监测设备对用户的肢体状态进行采集得到；
所述预测模块，用于通过预设的患病预测策略以及所述第一数据序列和所述第二数据序列，得到患病预测结果；所述患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；
其中，所述患病预测策略包括：
将所述第一数据序列和所述第二数据序列处理为同维度的待运算数据；
将所述待运算数据按照预设单位时间段分为N个单元数据，通过所述单元数据以及预设的第一LSTM模型运算得到N个第一特征值；单位监测周期包括X个单位时间段；
通过所述第一特征值以及预设的informer模型运算得到每单位监测周期对应的第二特征值；
通过所述第二特征值以及预设的全连接网络模型运算得到所述患病预测结果。
本发明还包括一种早期帕金森病预测系统，包括上述的预测装置，还包括与所述预测装置通讯连接的眼动监测设备、运动监测设备；
所述眼动监测设备，用于对用户在睡眠状态下的眼球往复运动情况进行采集，得到所述眼动监测数据，并向所述预测装置发送；
所述运动监测设备，用于对用户的下肢状态进行采集，得到所述步行监测数据，并向所述预测装置发送；
所述预测装置，用于获取所述眼动监测数据和所述步行监测数据，并根据所述眼动监测数据和所述步行监测数据得到患病预测结果。
进一步的，所述眼动监测设备包括眼罩基体、供电组件、控制组件以及接近传感器、3D加速度传感器；所述供电组件与所述控制组件电连接；所述控制组件与所述接近传感器、3D加速度传感器电连接；
所述接近传感器安装于所述眼罩基体的内侧表面靠近内眼角的位置，用于检测用户在睡眠状态下的眼球运动距离，并将对应检测值发送至所述控制组件；
所述3D加速度传感器安装于所述眼罩基体的内部，用于检测眼动监测设备的加速度，并将对应检测值发送至所述控制组件；
所述控制组件用于对检测值进行处理，生成所述眼动监测数据；
所述供电组件用于向所述控制组件供电。
进一步的，所述运动监测设备包括固定组件，以及固定于所述固定组件上的3D加速度传感器、3D陀螺仪、3D磁力计、供电组件及控制组件；所述供电组件与所述控制组件电连接；所述控制组件与所述3D加速度传感器、3D陀螺仪、3D磁力计电连接，所述运动监测设备通过所述固定组件固定于用户躯干上；
所述3D加速度传感器、3D陀螺仪、3D磁力计分别生成对应的检测值，并将检测值分别发送至所述控制组件；
所述控制组件用于对所述检测值进行处理，生成所述步行监测数据；
所述供电组件用于向所述控制组件供电。
本发明的早期帕金森病预测方法、装置及系统，获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，以及获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，最后通过预设的患病预测策略以及第一数据序列和第二数据序列，得到患病预测结果，患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；本发明将快速眼动睡眠的数据作为帕金森病患病概率评估的一项重要因素，结合对人体下肢状态的监测，实现了更早期帕金森病的患病概率评估，而且无需依赖医院诊断设备；用户在日常生活中能够收集到更多更丰富的日常生理体征数据，这些数据还可作为医生诊断的重要依据，有利于医生能够更快速、更准确地做出诊断；通过本发明，也避免了患者所有监测数据依赖医院来提供，减少了医疗资源消耗。
附图说明
为了更清楚的说明本发明实施例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简单的介绍，显而易见的，下面描述中的附图仅仅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它附图。
图1为本发明实施例的早期帕金森病预测方法的步骤流程图(一)；
图2为本发明实施例的早期帕金森病预测方法的步骤流程图(二)；
图3为本发明实施例的早期帕金森病预测方法的步骤流程图(三)；
图4为本发明实施例的早期帕金森病预测方法的步骤流程图(四)；
图5为本发明实施例的早期帕金森病预测方法的步骤流程图(五)；
图6为本发明实施例的早期帕金森病预测装置的结构组成图；
图7为本发明实施例的早期帕金森病预测系统的结构组成图；
图8为本发明实施例的非快速眼动睡眠状态下数据序列中数据的变化示意图；
图9为本发明实施例的快速眼动睡眠状态下数据序列中数据的变化示意图；
图10为本发明实施例的非快速眼动睡眠状态下数据序列中眼动轨迹示意图；
图11为本发明实施例的运动监测设备的安装位置示意图；
图12为本发明实施例的眼动监测设备中接近传感器的位置示意图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅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，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
本发明实施例的一种早期帕金森病预测方法，如图1所示，包括步骤：
步骤S10：获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列。
本发明实施例中的眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到。眼动监测数据能够表征用户在睡眠状态下的眼球运动情况，在本实施例中，通过眼动监测设备采集得到，眼动监测设备中可包含接近传感器，或者高精度的距离传感器，由于本实施例中的眼动监测数据只涉及获取相对距离，而无需绝对距离，为了兼顾眼动监测设备的成本，本实施例选用的接近传感器为RPR-0521RS型号，使用红外IR测量出1-100mm的距离变化；而对于接近传感器的位置，可以设置在可观察眼睛的任何地方，首选位置为内眼角，因为这里空隙大，可避免干扰和不适。而对于接近传感器的数量，本实施例也可考虑设置一个或多个，数量多的时候监测数据会更加准确。
具体的，如图3所示，步骤S10：获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，包括：
步骤S101：获取眼动监测数据为若干个数据序列Prx。
由于人眼往复运动的速度不可能超过5Hz，根据香农定理且兼顾功耗，令接近传感器以10Hz～20Hz进行采样为宜，本实施例以10Hz为例，设定数据序列Prx对应的采样时长为20s，则可以得到每20s的一个数据序列Prx＝[a1,a2,a3,……a200]。
步骤S102：计算用户处于非快速眼动睡眠状态下数据序列Prx的平均值Pv以及标准差Sv。
人体处于睡眠状态时，分非快速眼动睡眠和快速眼动睡眠两个状态，而大多是时间人眼是不动的，此时测出的数据序列Prx中的数据都是白噪声，且数据的变化幅值较小，如图8所示，为非快速眼动睡眠状态下数据序列中数据的变化示意图，横坐标表示采样点计数，共包括200个采样点，纵坐标为距离的原始内码点，所有的检测值形成的波形图能够看出距离变化的情况，即变化幅值小，相对平稳。在获取到这类数据序列Prx时，根据数据序列Prx中的数据计算平均值Pv以及标准差Sv，平均值为标准差为/>
步骤S103：根据标准差Sv以及预设的第一阈值条件，在若干个数据序列Prx中筛选出用户处于快速眼动睡眠状态的数据序列Prx1。
当用户进入快速眼动睡眠状态的时候，数据序列Prx中的数据就会呈现规律性变化，且变化幅值也会明显增大，如图9所示。根据高斯分布，超过三倍标准差的个数占0.27％，所以本发明实施例中，可将数据序列Prx中超过三倍标准差Sv的数值个数大于20％时，可判断人进入了快速眼动睡眠，通过此设定，可获取用户处于快速眼动睡眠状态的数据序列Prx1。如果在数据序列Prx1出现之后，后续获取到的数据序列Prx中有不满足上述设定条件的，可视为过渡期或人动作时的干扰，这类数据占比较少，直接舍弃即可。
步骤S104：根据数据序列Prx1生成第一数据序列R＝[T,S,Ts,C]。
根据用户处于快速眼动睡眠状态的数据序列Prx1进一步提取特征值，生成第一数据序列R＝[T,S,Ts,C]，用于后续步骤的运算。此步骤需记录眼动周期T，表示相邻两次眼动至最远距离的时间差，以及眼动起始时间Ts；眼动距离S，表示单次眼动的最大距离变化值；眼动轨迹C，表示眼动距离S的轨迹与平均值Pv相交形成的面积，如图10所示。
本实施例中的第一数据序列R＝[T,S,Ts,C]不仅包含用户处于快速眼动睡眠状态的相关数据，优选的，还可将快速眼动睡眠状态前后60s的数值也进行记录，以防数据干扰将一大段眼动睡眠被切割成多段眠动睡眠。根据眼动周期生成对应数量的第一数据序列R＝[T,S,Ts,C]。
步骤S20：获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列。
对于步行监测数据的获取，是运动监测设备对用户的下肢状态进行采集得到的。运动监测设备固定于人体的躯干，与人重心保持相对静止，如图11所示，黑色方块的位置为运动监测设备的安装示意位置。
具体的，如图4所示，步骤S20：获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，包括：
步骤S201：获取步行监测数据。
本实施例的步行监测数据用于表征用户下肢运动的情况，故可采用设有全向传感器的运动监测设备进行采集，对人体多个方向的加速度值进行测量。
步骤S202：根据预设的步行判断策略以及步行监测数据判断用户是否处于行走状态。
按人体行走的频率规律来设定步行判断策略，例如，将用户在20s内连续迈出5步为准，若步行监测数据符合该设定，则说明用户处于步行状态，若达不到以上设定，则可舍弃对应的步行监测数据。步行判断策略的判定标准还可设为其他条件，以上仅为本发明的一种示例。另外，本实施例所提出的行走状态，不仅可包含正常频率的行走，还包括慢走、快走、以及跑步等多种腿部运动状态，故本领域技术人员在实施本方案时，可根据用户的身体情况或自身需求设定步行判断策略。
当确定用户处于行走状态时，则执行步骤S203：根据步行监测数据生成用户行走每一步所对应的第二数据序列；第二数据序列为Rm＝[St,Spt,Sga,Sgi,Sga,Sgi,Sy]。
第二数据序列Rm中，St为当前时间,Spt为行走一步所用的时间长,Sga为最大垂直冲击力,Sgi为最小垂直冲击力,Sga为最大水平冲击力,Sgi为最小水平冲击力,Sy为左右迈步的角度差。
步骤S30：通过预设的患病预测策略以及第一数据序列和第二数据序列，得到患病预测结果。
在本发明实施例中，患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值。根据相关医学标准，根据帕金森病的临床症状的不同，被分为五级，每级代表的严重程度不一样。本实施例中，可将患病预测结果设为六个测算值，前五个数值分别表示hoehn-Yahr分级的I-Ⅴ级分别对应的概率值，第六个数值则表示当前无风险概率值。
具体的，如图2所示，患病预测策略包括：
步骤S301：将第一数据序列和第二数据序列处理为同维度的待运算数据。
鉴于前述实施例的示例，第一数据序列和第二数据序列的数据维度及数据量均不一致，所以，需对第一数据序列和第二数据序列进行预处理。例如，本发明实施例中，R中的T和Rm中的St，由月、日、时、分、秒、毫秒六个数值组成，所以R为10维向量，Rm为12维向量。所以可将R乘以一个10*256维矩阵，升维到256维，同时Rm乘以一个12*256维矩阵，同样升维到256维，以保持维度相同。另外，由于用户每天的行走时长以及快速眼动睡眠时长有限，所以为了确保预测结果的准确性，可令有效数据的时长大于2小时，如果不足，可用多天的数据进行叠加。
步骤S302：将待运算数据按照预设单位时间段分为N个单元数据，通过单元数据以及预设的第一LSTM模型运算得到N个第一特征值；单位监测周期包括X个单位时间段。
由于有效时间相对整体时间过少，如果用传统算法用大量0来padding，不仅占用大量资源，而且毫无意义。以单位监测周期为一天(24小时)为例，本步骤先将时间按十五分钟分为一段段数据，即为本步骤的单元数据，由于一天由96*15分钟组成，所以通过第一LSTM模型运算得到96个第一特征值。本步骤采用预设的第一LSTM模型可将无数值得部分直接计算为0，以此降低数据维度，减少数据运算量。
步骤S303：通过第一特征值以及预设的informer模型运算得到每单位监测周期对应的第二特征值。
96*256维向量再通过预设的informer模型可以得到一天的特征值，即为第二特征值。
步骤S304：通过第二特征值以及预设的全连接网络模型运算得到患病预测结果。
通过全连接网络模型(或称FC)通过对第二特征值的运算，得到六维的特征向量TP，将TP经过softmax计算可得到各个维度的概率，即患病预测结果Pout。
具体的，本发明实施例的全连接网络模型的损失函数设定为：
Loss＝crossentropyloss(Pout,Y)，其中，crossentropyloss为交叉熵函数，Pout为患病预测结果，Y为待运算数据的维数；
本实施例中预设的全连接网络模型为根据损失函数以及预设准确度值训练得到。在训练过程中，根据损失值进行反向传播不断训练模型，直至准确度超过预设准确度值即可。
具体的，本发明实施例中的眼动监测数据还包括三轴加速度检测值，第一数据序列还包括水平方向加速度Av，第一数据序列为R＝[T,S,Ts,C，Av]。
正常人进入快速眼动睡眠后，肌肉松弛无力，这个时间可以通过三轴加速度传感器监测运动情况，通常情况下，对加速度值进行合成计算，即其中，ax、ay、az分别表示三轴加速度检测值中x轴、y轴、z轴的加速度值，。但在睡觉的时候，由于人体身材运动带动的头部动作比较小，所以在加速度合成的过程中，重力加速度将占主要成分，本案关于加速度的特征值用水平方向加速度Av，x轴与重力方向的夹角为α，y轴与重力方向的夹角为β，z轴与重力方向的夹角为γ，计算水平方向加速度为其中，α＝arccos(ax/Ac)，β＝arccos(ay/Ac)，γ＝arccos(az/Ac)。
具体的，如图5所示，本发明实施例中患病预测策略还包括：
步骤S305：通过第二特征值以及预设的第二LSTM模型运算得到多个单位监测周期的第三特征值。
如果整个监测过程为多天，则通过预设的第二LSTM模型对第二特征值进一步运算，得到多天对应的第三特征值。
步骤S306：通过第三特征值以及预设的全连接网络模型运算得到患病预测结果。
根据第三特征值生成对应的患病预测结果。在本发明实施例中，全连接网络模型运算所输入的特征值数量越多，则最终的预测结果越准确。
本发明实施例还包括一种早期帕金森病预测装置，如图6所示，预测装置10包括数据获取模块101以及预测模块102，数据获取模块101与预测模块102相连接；
数据获取模块101，用于获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；以及获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；步行监测数据为运动监测设备对用户的肢体状态进行采集得到；
预测模块102，用于通过预设的患病预测策略以及第一数据序列和第二数据序列，得到患病预测结果；患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；
其中，患病预测策略包括：
将第一数据序列和第二数据序列处理为同维度的待运算数据；
将待运算数据按照预设单位时间段分为N个单元数据，通过单元数据以及预设的第一LSTM模型运算得到N个第一特征值；单位监测周期包括X个单位时间段；
通过第一特征值以及预设的informer模型运算得到每单位监测周期对应的第二特征值；
通过第二特征值以及预设的全连接网络模型运算得到患病预测结果。
对于数据获取模块101得到第一数据序列和第二数据序列的过程，可结合前述关于方法的实施例进行理解，此处不进行具体说明。本实施例的预测装置10的相关功能也可参考前述方法实施例的解释，此处不再赘述。
本发明实施例还包括一种早期帕金森病预测系统，如图7所示，包括上述实施例的预测装置10，还包括与预测装置10通讯连接的眼动监测设备20、运动监测设备30；
眼动监测设备20，用于对用户在睡眠状态下的眼球往复运动情况进行采集，得到眼动监测数据，并向预测装置10发送；
运动监测设备30，用于对用户的下肢状态进行采集，得到步行监测数据，并向预测装置10发送；
预测装置10，用于获取眼动监测数据和步行监测数据，并根据眼动监测数据和步行监测数据得到患病预测结果。
预测装置10得出患病预测结果的过程可参考前述预测方法以及预测装置的实施例，此处不做赘述。
本发明实施例的预测系统还可包括智能终端，与预测装置通讯连接，预测装置将患病预测结果发送给智能终端，用户或者医生可通过智能终端查看结果。
具体的，本发明实施例的眼动监测设备20包括眼罩基体、供电组件、控制组件以及接近传感器、3D加速度传感器；供电组件与控制组件电连接；控制组件与接近传感器、3D加速度传感器电连接；接近传感器安装于眼罩基体的内侧表面靠近内眼角的位置，用于检测用户在睡眠状态下的眼球运动距离，并将对应检测值发送至控制组件；如图12所示，为接近传感器的安装位置示意图；3D加速度传感器安装于眼罩基体的内部，用于检测眼动监测设备的加速度，并将对应检测值发送至控制组件；控制组件用于对检测值进行处理，生成眼动监测数据；供电组件用于向控制组件供电。
本实施例不限定眼罩基体的具体形状、结构及材质，眼罩基体在本发明中的作用在于为接近传感器提供安装位置，确保接近传感器能够检测到用户眼球运动的相关数据，本领域技术人员可选用任何样式的眼罩基体，只需实现本实施例的要求即可。
具体的，本发明实施例的运动监测设备30包括固定组件，以及固定于固定组件上的3D加速度传感器、3D陀螺仪、3D磁力计、供电组件及控制组件；供电组件与控制组件电连接；控制组件与3D加速度传感器、3D陀螺仪、3D磁力计电连接，运动监测设备通过固定组件固定于用户躯干上；3D加速度传感器、3D陀螺仪、3D磁力计分别生成对应的检测值，并将检测值分别发送至控制组件；控制组件用于对检测值进行处理，生成步行监测数据；供电组件用于向控制组件供电。本实施例的运动监测设备30所得到的运动监测数据中包含了用户步行的水平冲击参数，提供更多特征观察用户是否有肌强直和冻结等情况。
3D加速度传感器、3D陀螺仪、3D磁力计组成全向传感器，其中3D加速度传感器用于标定重力方向，3D陀螺仪用于方向旋转时的快速调整，3D磁力计用于标定水平的东西南北方向，利用全向传感器测量的数据通过方向旋转即可映射到世界坐标系。本实施例中的固定组件用于将运动监测设备固定在用户躯干上，所以可通过磁铁或卡扣别在用户的腰间。
以上对于传感器、控制组件以及供电组件的选用，可结合本发明实施例的功能要求进行选择，而对于信号的检测、供电电路的设计以及数据接收与发送等均可结合现有技术实现，本实施例不做限定。
本发明实施例的早期帕金森病预测方法、装置及系统，获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，以及获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，最后通过预设的患病预测策略以及第一数据序列和第二数据序列，得到患病预测结果，患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；本发明将快速眼动睡眠的数据作为帕金森病患病概率评估的一项重要因素，结合对人体下肢状态的监测，实现了更早期帕金森病的患病概率评估，而且无需依赖医院诊断设备；用户在日常生活中能够收集到更多更丰富的日常生理体征数据，这些数据还可作为医生诊断的重要依据，有利于医生能够更快速、更准确地做出诊断；通过本发明，也避免了患者所有监测数据依赖医院来提供，减少了医疗资源消耗。
以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改，都属于本发明所保护的范围。
Claims (10)
1.一种早期帕金森病预测方法，其特征在于，包括步骤：
获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；所述眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；
获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；所述步行监测数据为运动监测设备对用户的下肢状态进行采集得到；
通过预设的患病预测策略以及所述第一数据序列和所述第二数据序列，得到患病预测结果；所述患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；
其中，所述患病预测策略包括：
将所述第一数据序列和所述第二数据序列处理为同维度的待运算数据；
将所述待运算数据按照预设单位时间段分为N个单元数据，通过所述单元数据以及预设的第一LSTM模型运算得到N个第一特征值；单位监测周期包括X个单位时间段；
通过所述第一特征值以及预设的informer模型运算得到每单位监测周期对应的第二特征值；
通过所述第二特征值以及预设的全连接网络模型运算得到所述患病预测结果。
2.如权利要求1所述的一种早期帕金森病预测方法，其特征在于，所述获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，包括：
获取眼动监测数据为若干个数据序列Prx；
计算用户处于非快速眼动睡眠状态下所述数据序列Prx的平均值Pv以及标准差Sv；
根据所述标准差Sv以及预设的第一阈值条件，在若干个数据序列Prx中筛选出用户处于快速眼动睡眠状态的数据序列Prx1；
根据所述数据序列Prx1生成所述第一数据序列R＝[T,S,Ts,C]；T为眼动周期，表示相邻两次眼动至最远距离的时间差；Ts为眼动起始时间；S为眼动距离，表示单次眼动的最大距离变化值；C为眼动轨迹，表示眼动距离S的轨迹与所述平均值Pv相交形成的面积。
3.如权利要求2所述的一种早期帕金森病预测方法，其特征在于，所述眼动监测数据还包括三轴加速度检测值，所述第一数据序列还包括水平方向加速度Av，所述第一数据序列为R＝[T,S,Ts,C，Av]，其中，
所述水平方向加速度为
其中，ax、ay、az分别表示所述三轴加速度检测值中x轴、y轴、z轴的加速度值，α为x轴与重力方向的夹角，β为y轴与重力方向的夹角，γ为z轴与重力方向的夹角；α＝arccos(ax/Ac)，β＝arccos(ay/Ac)，γ＝arccos(az/Ac)，
4.如权利要求1所述的一种早期帕金森病预测方法，其特征在于，所述获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，包括：
获取步行监测数据；
根据预设的步行判断策略以及所述步行监测数据判断用户是否处于行走状态，若是，
根据所述步行监测数据生成用户行走每一步所对应的第二数据序列；所述第二数据序列为Rm＝[St,Spt,Sga,Sgi,Sga,Sgi,Sy]，其中，St为当前时间,Spt为行走一步所用的时间长,Sga为最大垂直冲击力,Sgi为最小垂直冲击力,Sga为最大水平冲击力,Sgi为最小水平冲击力,Sy为左右迈步的角度差。
5.如权利要求1所述的一种早期帕金森病预测方法，其特征在于，所述患病预测策略还包括：通过所述第二特征值以及预设的第二LSTM模型运算得到多个单位监测周期的第三特征值；
通过所述第三特征值以及预设的全连接网络模型运算得到所述患病预测结果。
6.如权利要求1所述的一种早期帕金森病预测方法，其特征在于，所述全连接网络模型的损失函数设定为：
Loss＝crossentropyloss(Pout,Y)，其中，crossentropyloss为交叉熵函数，Pout为所述患病预测结果，Y为待运算数据的维数；
预设的所述全连接网络模型为根据所述损失函数以及预设准确度值训练得到。
7.一种早期帕金森病预测装置，其特征在于，所述预测装置包括数据获取模块以及预测模块，所述数据获取模块与所述预测模块相连接；
所述数据获取模块，用于获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；以及获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；所述眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；所述步行监测数据为运动监测设备对用户的肢体状态进行采集得到；
所述预测模块，用于通过预设的患病预测策略以及所述第一数据序列和所述第二数据序列，得到患病预测结果；所述患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；
其中，所述患病预测策略包括：
将所述第一数据序列和所述第二数据序列处理为同维度的待运算数据；
将所述待运算数据按照预设单位时间段分为N个单元数据，通过所述单元数据以及预设的第一LSTM模型运算得到N个第一特征值；单位监测周期包括X个单位时间段；
通过所述第一特征值以及预设的informer模型运算得到每单位监测周期对应的第二特征值；
通过所述第二特征值以及预设的全连接网络模型运算得到所述患病预测结果。
8.一种早期帕金森病预测系统，其特征在于，包括如权利要求7所述的预测装置，还包括与所述预测装置通讯连接的眼动监测设备、运动监测设备；
所述眼动监测设备，用于对用户在睡眠状态下的眼球往复运动情况进行采集，得到所述眼动监测数据，并向所述预测装置发送；
所述运动监测设备，用于对用户的下肢状态进行采集，得到所述步行监测数据，并向所述预测装置发送；
所述预测装置，用于获取所述眼动监测数据和所述步行监测数据，并根据所述眼动监测数据和所述步行监测数据得到患病预测结果。
9.如权利要求8所述的一种早期帕金森病预测系统，其特征在于，所述眼动监测设备包括眼罩基体、供电组件、控制组件以及接近传感器、3D加速度传感器；所述供电组件与所述控制组件电连接；所述控制组件与所述接近传感器、3D加速度传感器电连接；
所述接近传感器安装于所述眼罩基体的内侧表面靠近内眼角的位置，用于检测用户在睡眠状态下的眼球运动距离，并将对应检测值发送至所述控制组件；
所述3D加速度传感器安装于所述眼罩基体的内部，用于检测眼动监测设备的加速度，并将对应检测值发送至所述控制组件；
所述控制组件用于对检测值进行处理，生成所述眼动监测数据；
所述供电组件用于向所述控制组件供电。
10.如权利要求8所述的一种早期帕金森病预测系统，其特征在于，所述运动监测设备包括固定组件，以及固定于所述固定组件上的3D加速度传感器、3D陀螺仪、3D磁力计、供电组件及控制组件；所述供电组件与所述控制组件电连接；所述控制组件与所述3D加速度传感器、3D陀螺仪、3D磁力计电连接，所述运动监测设备通过所述固定组件固定于用户躯干上；
所述3D加速度传感器、3D陀螺仪、3D磁力计分别生成对应的检测值，并将检测值分别发送至所述控制组件；
所述控制组件用于对所述检测值进行处理，生成所述步行监测数据；
所述供电组件用于向所述控制组件供电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198669.1A CN117275723B (zh) | 2023-09-15 | 2023-09-15 | 一种早期帕金森病预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311198669.1A CN117275723B (zh) | 2023-09-15 | 2023-09-15 | 一种早期帕金森病预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117275723A true CN117275723A (zh) | 2023-12-22 |
| CN117275723B CN117275723B (zh) | 2024-03-15 |
Family
ID=89217046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311198669.1A Active CN117275723B (zh) | 2023-09-15 | 2023-09-15 | 一种早期帕金森病预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275723B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105595995A (zh) * | 2016-01-29 | 2016-05-25 | 电子科技大学 | 生理数据检测系统、检测装置、终端设备、数据分析方法 |
| DE202017104953U1 (de) * | 2016-08-18 | 2017-12-04 | Google Inc. | Verarbeiten von Fundusbildern unter Verwendung von Maschinenlernmodellen |
| US20210202090A1 (en) * | 2019-12-26 | 2021-07-01 | Teladoc Health, Inc. | Automated health condition scoring in telehealth encounters |
| US20210366577A1 (en) * | 2020-05-22 | 2021-11-25 | Insitro, Inc. | Predicting disease outcomes using machine learned models |
| WO2022067189A1 (en) * | 2020-09-25 | 2022-03-31 | Linus Health, Inc. | Systems and methods for machine-learning-assisted cognitive evaluation and treatment |
| CN115136255A (zh) * | 2021-01-29 | 2022-09-30 | 飞比特有限公司 | 基于聚类的睡眠分析 |
| CN115310674A (zh) * | 2022-07-14 | 2022-11-08 | 西北师范大学 | 基于并行神经网络模型LDformer的长时间序列预测方法 |
| CN115802938A (zh) * | 2020-03-31 | 2023-03-14 | 瑞思迈传感器技术有限公司 | 用于检测rem行为障碍的系统和方法 |
| CN115985490A (zh) * | 2023-03-17 | 2023-04-18 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
| CN116341613A (zh) * | 2022-12-26 | 2023-06-27 | 河北工业大学 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
-
2023
- 2023-09-15 CN CN202311198669.1A patent/CN117275723B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105595995A (zh) * | 2016-01-29 | 2016-05-25 | 电子科技大学 | 生理数据检测系统、检测装置、终端设备、数据分析方法 |
| DE202017104953U1 (de) * | 2016-08-18 | 2017-12-04 | Google Inc. | Verarbeiten von Fundusbildern unter Verwendung von Maschinenlernmodellen |
| US20210202090A1 (en) * | 2019-12-26 | 2021-07-01 | Teladoc Health, Inc. | Automated health condition scoring in telehealth encounters |
| CN115802938A (zh) * | 2020-03-31 | 2023-03-14 | 瑞思迈传感器技术有限公司 | 用于检测rem行为障碍的系统和方法 |
| US20210366577A1 (en) * | 2020-05-22 | 2021-11-25 | Insitro, Inc. | Predicting disease outcomes using machine learned models |
| WO2022067189A1 (en) * | 2020-09-25 | 2022-03-31 | Linus Health, Inc. | Systems and methods for machine-learning-assisted cognitive evaluation and treatment |
| CN115136255A (zh) * | 2021-01-29 | 2022-09-30 | 飞比特有限公司 | 基于聚类的睡眠分析 |
| CN115310674A (zh) * | 2022-07-14 | 2022-11-08 | 西北师范大学 | 基于并行神经网络模型LDformer的长时间序列预测方法 |
| CN116341613A (zh) * | 2022-12-26 | 2023-06-27 | 河北工业大学 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
| CN115985490A (zh) * | 2023-03-17 | 2023-04-18 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PIER LUIGI MAZZEO ET AL: ""Deep learning based Eye gaze estimation and prediction"", 《2021 6TH INTERNATIONAL CONFERENCE ON SMART AND SUSTAINABLE TECHNOLOGIES.(SPITECH).)》, 21 October 2021 (2021-10-21), pages 1 - 6 * |
| 强薇 等: "" 多模态特征分析的帕金森病辅助诊断方法"", 《软件学报》, 15 December 2023 (2023-12-15), pages 1 - 16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117275723B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oresko et al. | A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing | |
| Karantonis et al. | Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring | |
| EP3065628B1 (en) | Biomechanical activity monitoring | |
| Bonato et al. | Data mining techniques to detect motor fluctuations in Parkinson's disease | |
| US7981058B2 (en) | Intelligent wearable monitor systems and methods | |
| US20090247910A1 (en) | Method and apparatus for classification of movement states in Parkinson's disease | |
| US8842014B2 (en) | Method and apparatus for monitoring a technical installation, especially for carrying out diagnosis | |
| CN106725504A (zh) | 一种多节点运动监测的可穿戴设备及其监测方法 | |
| Soltani et al. | Real-world gait bout detection using a wrist sensor: An unsupervised real-life validation | |
| US20070118044A1 (en) | Method and device for identifying; measuring and analyzing abnormal neurological responses | |
| Jiang et al. | Exploration of gait parameters affecting the accuracy of force myography-based gait phase detection | |
| Baroudi et al. | Estimating walking speed in the wild | |
| Tran et al. | Advantages and disadvantages of physiological assessment for next generation control room design | |
| Ricci et al. | The Impact of Wearable Electronics in Assessing the Effectiveness of Levodopa Treatment in Parkinson's Disease | |
| CN117275723B (zh) | 一种早期帕金森病预测方法、装置及系统 | |
| Silva et al. | Fusion of clinical, self-reported, and multisensor data for predicting falls | |
| CN112674726A (zh) | 健康状态的监控方法、设备、系统和可穿戴设备 | |
| Chen et al. | An auxiliary diagnostic system for Parkinson’s disease based on wearable sensors and genetic algorithm optimized random forest | |
| CN108324272A (zh) | 一种基于lzc复杂度测查焦虑程度的装置 | |
| US11363982B1 (en) | Method and system for quantifying movement disorder symptoms | |
| Naszariahi et al. | The development of galvanic skin response for depressed people | |
| WO2020206331A1 (en) | Traumatic brain injury diagnostics system and method | |
| Faizah et al. | A rest tremor detection system based on internet of thing technology | |
| Kaur et al. | Physiological and Inertial Features based Dataset for Falls and Activities: PIF v2 | |
| CN108319368A (zh) | 一种可穿戴的ai动作学习系统 |
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 |