CN117643456A - 一种帕金森神经病变的辅助评估系统、方法和存储介质 - Google Patents
一种帕金森神经病变的辅助评估系统、方法和存储介质 Download PDFInfo
- Publication number
- CN117643456A CN117643456A CN202410117216.XA CN202410117216A CN117643456A CN 117643456 A CN117643456 A CN 117643456A CN 202410117216 A CN202410117216 A CN 202410117216A CN 117643456 A CN117643456 A CN 117643456A
- Authority
- CN
- China
- Prior art keywords
- feature
- task
- preset time
- blood oxygen
- attention
- 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
- 208000027089 Parkinsonian disease Diseases 0.000 title claims abstract description 62
- 206010034010 Parkinsonism Diseases 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 52
- 239000008280 blood Substances 0.000 claims abstract description 52
- 210000004369 blood Anatomy 0.000 claims abstract description 52
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 52
- 239000001301 oxygen Substances 0.000 claims abstract description 52
- 230000008878 coupling Effects 0.000 claims abstract description 36
- 238000010168 coupling process Methods 0.000 claims abstract description 36
- 238000005859 coupling reaction Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 208000033808 peripheral neuropathy Diseases 0.000 claims abstract description 7
- 201000001119 neuropathy Diseases 0.000 claims abstract description 6
- 230000007823 neuropathy Effects 0.000 claims abstract description 6
- 230000000284 resting effect Effects 0.000 claims description 42
- 108010054147 Hemoglobins Proteins 0.000 claims description 14
- 102000001554 Hemoglobins Human genes 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000002040 relaxant effect Effects 0.000 claims description 7
- 230000035484 reaction time Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008557 oxygen metabolism Effects 0.000 claims description 3
- 230000003183 myoelectrical effect Effects 0.000 description 20
- 238000002567 electromyography Methods 0.000 description 15
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 12
- 108010002255 deoxyhemoglobin Proteins 0.000 description 12
- 210000003205 muscle Anatomy 0.000 description 12
- 210000003811 finger Anatomy 0.000 description 9
- 108010064719 Oxyhemoglobins Proteins 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 208000018737 Parkinson disease Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004089 microcirculation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000004220 muscle function Effects 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000004932 little finger Anatomy 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000000663 muscle cell Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004783 oxidative metabolism Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供了一种帕金森神经病变的辅助评估系统、方法和存储介质。数据处理单元配置为：基于肌电信号和血氧浓度数据分别提取第一关注特征和第二关注特征；建立受检者在执行各个目标任务的过程中肌电信号与血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；将第一关注特征、第二关注特征以及特征系数输入到CNN‑LSTM模型中，以得到特征分析结果；基于特征分析结果，确定出受检者是否患有神经病变的患病倾向的评估结果。如此，能够基于肌电信号和血氧浓度数据确定出用于进行帕金森神经病变的评估的丰富的特征信息，以提高评估受检者是否具有帕金森神经病变的患病倾向的准确性。
Description
技术领域
本申请涉及帕金森神经病变检测技术领域，具体涉及一种帕金森神经病变的辅助评估系统、方法和存储介质。
背景技术
帕金森病会对患者的生活质量产生严重影响，目前，科研人员正对帕金森病进行深入研究，但是，研究对于帕金森病的周围神经病变的症状却并没有过多的分析和涉及。帕金森疾病可以引起神经病变，例如会引起运动功能障碍，会导致出现平衡能力问题，特别容易摔倒。
目前，对于帕金森神经病变的检测包括通过对肌电信号或肌氧信号的分析处理结果来进行识别。但是，这种利用单一生理信号进行帕金森神经病变识别的方法，获取到的生理信息检测分辨率较低，无法作为对帕金森神经病变进行辅助评估。
发明内容
针对现有技术中存在的上述技术问题，提出了本申请。本申请旨在提供一种帕金森神经病变的辅助评估系统、方法和存储介质，其能够基于肌电信号和血氧浓度数据确定出用于进行帕金森神经病变的评估的丰富的特征信息，以提高评估受检者是否具有帕金森神经病变的患病倾向的准确性。
根据本申请的第一方案，提供一种帕金森神经病变的辅助评估系统，所述辅助评估系统基于肌电信号和血氧浓度数据进行评估，所述辅助评估系统包括数据接收单元和数据处理单元，所述数据接收单元配置为：获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务；所述数据处理单元配置为：基于所述肌电信号和所述血氧浓度数据分别提取第一关注特征和第二关注特征；建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块；基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果。
根据本申请的第二方案，提供一种基于肌电信号和血氧浓度数据的帕金森神经病变的辅助评估方法，所述辅助评估方法包括：获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务；基于所述肌电信号和所述血氧浓度数据分别提取第一关注特征和第二关注特征；建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块；基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果。
根据本申请的第三方案，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如下的处理：获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务；
基于所述肌电信号和所述血氧浓度数据分别获取第一关注特征和第二关注特征；建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块；基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果。
与现有技术相比，本申请实施例的有益效果在于：
本申请实施例提供的帕金森神经病变的辅助评估系统基于受检者在执行各个目标任务时所采集的关注部位的肌电信号和基于所采集的近红外数据得到的血氧浓度数据，实现对肌电信号和血氧浓度数据的同步实时检测。本申请实施例通过建立肌电信号和血氧浓度数据之间的耦合关系，能够说明肌电信号和血氧浓度数据之间在不同状态下的联系，通过将基于该耦合关系确定出的特征系数连同第一关注特征、第二关注特征输入到CNN-LSTM模型中，能够有利于CNN-LSTM模型快速捕捉到与帕金森神经病变相关的特征，并相应地生成特征分析结果。如此，提高了基于特征分析结果，评估受检者是否具有帕金森神经病变患病倾向的准确性，从而辅助医生进一步判断患者是否具有帕金森神经病变。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述说明和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。
图1示出根据本申请实施例所述的帕金森神经病变的辅助评估系统的结构示意图。
图2示出根据本申请实施例所述的受检者执行各个目标任务的手部活动示意图。
图3示出根据本申请实施例所述的帕金森神经病变的辅助评估方法的流程图。
具体实施方式
为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。
本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。本申请中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。
本申请使用的所有术语（包括技术术语或者科学术语）与本申请所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
图1示出根据本申请实施例的帕金森神经病变的辅助评估系统。其中，所述辅助评估系统100包括数据接收单元101和数据处理单元102，其中，所述数据接收单元101可以是接口，所述接口可以传输信息，可以包括但不限于网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器等，例如光纤、USB 3.0、雷电接口（Thunderbolt）等，无线网络适配器，诸如WiFi适配器、电信(3G、4G/LTE等)适配器等。在一些实施例中，所述接口可以为网络接口，辅助评估系统100可以通过接口连接到网络，例如但不限于局域网或因特网。
所述数据处理单元102可以是处理器，所述处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。
所述数据接收单元101配置为：获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务。其中，所述第一预设时间和第二预设时间可以相同或不同，进一步地，所述第二预设时间不超过所述第一预设时间的三分之一，以使得受检者的关注部位的肌肉群在执行静息任务时得到充分地放松，在执行捏指任务和握拳任务时避免过长的静息任务造成负面干扰。如此，可以通过执行第一时间的静息任务、在执行完第二预设时间的静息任务之后执行捏指任务以及握拳任务，分别模仿健康人、帕金森轻度和帕金森中度患者的关注部位的肌肉群伴随着生物电和血液微循环等多模生理信息的改变情况。
其中，执行静息任务、捏指任务和握拳任务的手部动作可以参考图2。
如图2，在执行静息任务时可以使得受检者的手掌自然张开处于放松的状态，如手势201。在执行捏指任务时，可以使得拇指和食指接触，如手势202，也可以使得拇指和中指、无名指或小指进行接触。而在执行握拳任务时，可以是五指处于握紧的状态（如手势203）。仅以此作为示例性说明，不构成对方案的具体限定。
具体地，在受检者的手臂上预先配戴用于采集肌电信号和近红外数据的采集设备，在受检者分别执行3分钟静息任务、在执行30秒静息任务之后交替执行5秒捏指任务和5秒放松任务、在执行30秒静息任务之后交替执行5秒握拳任务和5秒放松任务的过程中，同时采集关注部位的肌电信号和近红外数据。例如，利用近红外采集设备以及采用730nm、808nm和850nm三波长光谱照明，采集关注部位的肌肉群的近红外数据并得到毛细血管中的血液浓度数据。利用肌电传感器来采集关注部位的肌肉群的肌电信号。
其中，肌电信号可以反映出在受检者执行不同的目标任务时，关注部位的肌肉群的神经信号的发放、传递以及肌肉细胞的响应特性。基于对采集到的近红外数据进行处理，以得到血氧浓度数据，基于血氧浓度数据等代谢信息可以反映出受检者在执行不同的目标任务时，关注部位的肌肉群的神经肌肉的功能和血液微循环的工作状态等。对于所述关注部位不做限定，例如可以是前屈肌和后伸肌，如此，能够使得受检者更为准确地模仿健康人、帕金森轻度和帕金森中度患者的生理信息。
所述数据处理单元102配置为基于所述肌电信号和所述血氧浓度数据分别获取第一关注特征和第二关注特征。具体地，在获取到受检者在执行各个目标任务时的关注部位的肌电信号和血液浓度数据之后，可以对采集到的数据进行预处理。例如，去除肌电信号中的基线漂移、50Hz工作频率干扰以及谐波干扰等，去除血氧浓度数据中由于运动造成的干扰，从而有利于提高后续进行帕金森神经病变辅助评估的准确度。其中，所述第一关注特征用于反映帕金森神经病变导致肌电信号的幅度和频率的异常变化，所述第二关注特征用于反映帕金森神经病变导致肌肉群功能变化以及血液微循环的异常变化。
然后，建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数。例如，可以通过拟合得到肌电信号和血氧浓度数据之间在不同任务状态下的耦合关系，并以多项式的方式进行表示，并将多项式的系数作为体现该耦合关系的特征系数，连同第一关注特征和第二关注特征输入到CNN-LSTM模型中，即将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果。如此，该CNN-LSTM模型除了第一关注特征和第二关注特征之外，还可以接收针对关注部位的特征系数作为输入，从而有利于CNN-LSTM模型能够快速捕捉、迅速识别出用于反映帕金森神经病变的关键特征。
具体来说，以所述关注部位为前屈肌和后伸肌作为示例，进行如下说明：
在受检者执行静息任务时，后伸肌的肌电信号（EMG）和氧合血红蛋白（HBO）之间的耦合关系如式（1）：
式（1）；
其中，表示肌电信号，/>表示氧合血红蛋白浓度。各个特征系数如下：
=-1.004e+10
=1.205e+08
=-4.304e+05
=344.4
=0.3072
=3.646e-05。
在受检者执行静息任务时，后伸肌的肌电信号（EMG）和脱氧血红蛋白（HBR）之间的耦合关系如式（2）：
式（2）；
其中，表示肌电信号，/>表示脱氧血红蛋白浓度。各个特征系数如下：
=-1.335e+13
=-9.957e+09
=6.689e+06
=2704
=-0.7571
=3.586e-05。
在受检者执行静息任务时，前屈肌的肌电信号（EMG）和氧合血红蛋白（HBO）之间的耦合关系如式（3）：
式（3）；
其中，表示肌电信号，/>表示氧合血红蛋白浓度。各个特征系数如下：
=-2.237e+07
= -8.395e+04
= 1115
= 0.9153
= -0.008002
= 4.254e-05。
在受检者执行静息任务时，前屈肌的肌电信号（EMG）和脱氧血红蛋白（HBR）之间的耦合关系如式（4）：
式（4）；
其中，表示肌电信号，/>表示脱氧血红蛋白浓度。各个特征系数如下：
= -9.23e+05
= 3.291e+05
= 804.2
= -10.5
= -0.02595
= 5.257e-05。
在受检者执行捏指任务时，后伸肌的肌电信号（EMG）和氧合血红蛋白（HBO）之间的耦合关系如式（5）：
式（5）；
其中，表示肌电信号，/>表示氧合血红蛋白浓度。各个特征系数如下：
=1.636e+08
=-7.89e+05
=361.8
=1.083
= -0.000384。
在受检者执行捏指任务时，后伸肌的肌电信号（EMG）和脱氧血红蛋白（HBR）之间的耦合关系如式（6）：
式（6）；
其中，表示肌电信号，/>表示脱氧血红蛋白浓度。各个特征系数如下：
= -9.295e+09
= 8.158e+05
= 8497
= 0.2352
= -0.0008755。
在受检者执行捏指任务时，前屈肌的肌电信号（EMG）和氧合血红蛋白（HBO）之间的耦合关系如式（7）：
式（7）；
其中，表示肌电信号，/>表示氧合血红蛋白浓度。各个特征系数如下：
=5.085e+05
=-6297
=-94.1
=0.241
=7.455e-05。
在受检者执行捏指任务时，前屈肌的肌电信号（EMG）和脱氧血红蛋白（HBR）之间的耦合关系如式（8）：
式（8）；
其中，表示肌电信号，/>表示脱氧血红蛋白浓度。各个特征系数如下：
=2.665e+06
=-1.398e+04
=-32.31
=0.2562
=-0.0004947。
在受检者执行握拳任务时，后伸肌的肌电信号（EMG）和氧合血红蛋白（HBO）之间的耦合关系如式（9）：
式（9）；
其中，表示肌电信号，/>表示氧合血红蛋白浓度。各个特征系数如下：
= 27.31
= 0.3972
=-0.02559
= 2.292e-05。
在受检者执行握拳任务时，后伸肌的肌电信号（EMG）和脱氧血红蛋白（HBR）之间的耦合关系如式（10）：
式（10）；
其中，表示肌电信号，/>表示脱氧血红蛋白浓度。各个特征系数如下：
= 13.85
= -0.5484
= 0.007418
= 6.787e-05。
在受检者执行握拳任务时，前屈肌的肌电信号（EMG）和氧合血红蛋白（HBO）之间的耦合关系如式（11）：
式（11）；
其中，表示肌电信号，/>表示氧合血红蛋白浓度。各个特征系数如下：
= -40.23
= 1.93
= 0.05573
= 0.0006843。
在受检者执行握拳任务时，后伸肌的肌电信号（EMG）和脱氧血红蛋白（HBR）之间的耦合关系如式（12）：
式（12）；
其中，表示肌电信号，/>表示脱氧血红蛋白浓度。各个特征系数如下：
= 10.74
= 1.258
= -0.02455
= 0.0005439。
仅以此作为示例，不够成对方案的具体限定。
其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块，对于CNN-LSTM模型可以参见文献《A CNN-LSTM Hybrid Model for Wrist Kinematics EstimationUsing Surface Electromyography》，注意力机制模块可以参见文献《Recursive Multi-Signal Temporal Fusions With Attention Mechanism Improves EMG FeatureExtraction》，Transformer模块可以参见文献《On lightmyography based muscle-machine interfaces for the efficient decoding of human gestures and forces》，对此不再详细赘述。在CNN-LSTM模型中配置注意力机制模块，以增强CNN-LSTM模型对输入的第一关注特征、第二关注特征和特征系数中的重要部分的重点关注，有助于更有针对性地关注到与帕金森神经病变相关的关键特征。在CNN-LSTM模型中配置Transformer模块，有利于在不同时间点进行建模，促进对于关注特征的快速捕捉。
基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果。例如，将所述特征分析结果输入到分类器中，所述分类器可以是softmax分类器，以预测受检者是否存在帕金森神经病变的患病倾向。如此，实现对受检者是否具有帕金森神经病变的患病倾向的更准确的辅助评估。
在本申请的一些实施例中，所述第一关注特征包括均方根、主频率和功率谱密度，该第一关注特征能够反映出帕金森神经病变对于关注部位的肌肉群的肌电信号的异常变化。所述第二关注特征包括氧合血红蛋白浓度、脱氧血红蛋白浓度、氧饱和度、反应时间和恢复时间，基于氧合血红蛋白浓度、脱氧血红蛋白浓度、氧饱和度可以反映出帕金森神经病变对关注部位的肌肉群的肌肉功能的影响。其中，反应时间指从刺激开始到氧合血红蛋白浓度或氧饱和度发生变化的时间。这个时间间隔可以提供关于生物系统对刺激的快速生理反应的信息。恢复时间指氧合血红蛋白浓度或氧饱和度从上升或下降到其回到基准水平的时间。这个时间间隔可以提供有关生物系统对刺激的适应性和恢复能力的信息。
在本申请的一些实施例中，所述数据处理单元102进一步配置为：获取在受检者执行不同的目标任务的过程中，所述前屈肌和后伸肌之间的肌电信号的协同特征，基于所述协同特征能够获得前屈肌和后伸肌之间协同工作的相关信息，以反映出帕金森神经病变对肌肉功能的影响程度。其中，获取前屈肌和后伸肌之间的肌电信号的协同特征的方法可以参考文献《Muscle synergies as a predictive framework for the EMG patterns ofnew hand postures》，在此不做赘述。然后，将所述第一关注特征、第二关注特征、特征系数连同所述协同特征输入到CNN-LSTM模型中，以得到特征分析结果，以进一步丰富输入到的CNN-LSTM模型中的数据信息，进一步提高CNN-LSTM模型捕捉用于反映帕金森神经病变对前屈肌和后伸肌的功能的响应的关键数据的速度。
在本申请的一些实施例中，所述数据处理单元102进一步配置为：获取在受检者执行不同的目标任务的过程中，所述前屈肌和后伸肌之间的血氧代谢的平衡状态信息特征。帕金森神经病变会影响前屈肌和后伸肌的肌肉组织的血氧供应状况，通过分析前屈肌和后伸肌的血氧代谢情况，可以获取到前屈肌和后伸肌的氧气供应和需要之间的平衡状态信息特征，将所述第一关注特征、第二关注特征、特征系数连同协同特征和/或所述平衡状态信息特征输入到CNN-LSTM模型中，以得到特征分析结果，可以进一步提高基于特征分析结果判断受检者是否具有帕金森神经病变患病倾向的准确度。
其中，对于获取前屈肌和后伸肌的氧气供应和需要之间的平衡状态信息特征的方法可以参考文献《Review of early development of near-infrared spectroscopy andrecent advancement of studies on muscle oxygenation and oxidativemetabolism》，在此不再赘述。
在本申请的一些实施例中，在第一预设时间内执行静息任务具体包括：在第一预设时间内，受检者保持静息态，例如，在3分钟内，受检者通过放松来保持静息态。在执行完第二预设时间的静息任务之后执行握拳任务具体包括：在第二预设时间内，受检者保持静息态，静息态结束后执行捏指和放松的交替任务，例如，受检者保持在静息态30秒，之后执行捏指任务5秒，放松5秒，重复三次。在执行完第二预设时间的静息任务之后执行握拳任务具体包括：在第二预设时间内，受检者保持静息态，静息态结束后执行握拳和放松的交替任务，例如，受检者保持在静息态30秒，之后执行握拳任务5秒，放松5秒，重复三次。
如此，可以用于模拟健康人、帕金森轻度和帕金森中度患者的前屈肌和后伸肌分别处于不同状态下的生理信息，从而准确地提取出可以反映帕金森神经病变对前屈肌和后伸肌功能影响状况的各个特征信息，并成功建立肌电信号和血氧浓度数据分别处于不同状态下的耦合关系，从而提取出特征系数。通过将第一关注特征、第二关注特征连同特征系数作为CNN-LSTM模型的输入，能够快速获取到反映帕金森神经病变对前屈肌和后伸肌功能影响的关键特征，作为特征分析结果输出，以便于用户根据特征分析结果来预测受检者是否具有帕金森神经病变的患病倾向。
在本申请的一些实施例中，基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果具体包括将所述特征分析结果输入到分类器中，以预测受检者是否具有帕金森神经病变的患病倾向。对于分类器的类型不做限定，例如可以是softmax分类器。基于特征分析结果，利用分类器进行预测，可以较为准确地获取到预测结果，提高了辅助评估受检者是否具有帕金森神经病变的患病倾向的效率。
图3示出了根据本申请实施例所述的帕金森神经病变的辅助评估方法的流程图。在步骤S301，获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务。在步骤S302，基于所述肌电信号和所述血氧浓度数据分别获取第一关注特征和第二关注特征。在步骤S303，建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数。在步骤S304，将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块。在步骤S305，基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果。如此，能够基于肌电信号和血氧浓度数据确定出用于进行帕金森神经病变的评估的丰富的特征信息，以提高评估受检者是否具有帕金森神经病变的患病倾向的准确性。
在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。
在本申请的一些实施例中，所述第一关注特征包括均方根、主频率和功率谱密度；所述第二关注特征包括氧合血红蛋白浓度、脱氧血红蛋白浓度、氧饱和度、反应时间和恢复时间。
此外，所述帕金森神经病变的辅助评估方法还可以以计算机程序指令的方式存储在计算机可读存储介质中，所述计算机程序指令在被处理器运行时使得所述处理器执行根据本申请各个实施例所述的基于肌电信号和血氧浓度数据的帕金森神经病变的辅助评估方法，以执行本申请各个实施例的帕金森神经病变的辅助评估方法的各个步骤。存储介质可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或RambusDRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，其上可以以任何格式存储计算机可执行指令。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本申请的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种帕金森神经病变的辅助评估系统，所述辅助评估系统基于肌电信号和血氧浓度数据进行评估，其特征在于，所述辅助评估系统包括数据接收单元和数据处理单元，所述数据接收单元配置为：
获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务；
所述数据处理单元配置为：
基于所述肌电信号和所述血氧浓度数据分别提取第一关注特征和第二关注特征；
建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；
将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块；
基于所述特征分析结果，确定出受检者是否患有帕金森神经病变的患病倾向的评估结果。
2.根据权利要求1所述的辅助评估系统，其特征在于，所述第一关注特征包括均方根、主频率和功率谱密度；所述第二关注特征包括氧合血红蛋白浓度、脱氧血红蛋白浓度、氧饱和度、反应时间和恢复时间。
3.根据权利要求1所述的辅助评估系统，其特征在于，所述关注部位包括前屈肌和后伸肌。
4.根据权利要求1所述的辅助评估系统，其特征在于，所述数据处理单元进一步配置为：
获取在受检者执行不同的目标任务的过程中，前屈肌和后伸肌之间的肌电信号的协同特征；
将所述第一关注特征、第二关注特征、特征系数连同所述协同特征输入到CNN-LSTM模型中，以得到特征分析结果。
5.根据权利要求4所述的辅助评估系统，其特征在于，所述数据处理单元进一步配置为：
获取在受检者执行不同的目标任务的过程中，所述前屈肌和后伸肌之间的血氧代谢的平衡状态信息特征；
将所述第一关注特征、第二关注特征、特征系数连同协同特征和/或所述平衡状态信息特征输入到CNN-LSTM模型中，以得到特征分析结果。
6.根据权利要求1所述的辅助评估系统，其特征在于，在第一预设时间内执行静息任务具体包括：在第一预设时间内，受检者保持静息态；
在执行完第二预设时间的静息任务之后执行握拳任务具体包括：在第二预设时间内，受检者保持静息态，静息态结束后执行捏指和放松的交替任务；
在执行完第二预设时间的静息任务之后执行握拳任务具体包括：在第二预设时间内，受检者保持静息态，静息态结束后执行握拳和放松的交替任务。
7.根据权利要求1所述的辅助评估系统，其特征在于，基于所述特征分析结果，确定出受检者是否患有神经病变的患病倾向的评估结果具体包括：将所述特征分析结果输入到分类器中，以预测受检者是否具有神经病变的患病倾向。
8.一种基于肌电信号和血氧浓度数据的帕金森神经病变的辅助评估方法，其特征在于，所述辅助评估方法包括：
获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务；
基于所述肌电信号和所述血氧浓度数据分别获取第一关注特征和第二关注特征；
建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；
将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块；
基于所述特征分析结果，确定出受检者是否患有神经病变的患病倾向的评估结果。
9.根据权利要求8所述的辅助评估方法，其特征在于，所述第一关注特征包括均方根、主频率和功率谱密度；所述第二关注特征包括氧合血红蛋白浓度、脱氧血红蛋白浓度、氧饱和度、反应时间和恢复时间。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如下的处理：
获取受检者在执行各个目标任务时所采集到的关注部位的肌电信号和基于所采集到的近红外数据得到的血氧浓度数据，其中，所述目标任务为在第一预设时间内执行静息任务、在执行完第二预设时间的静息任务之后执行捏指任务、在执行完第二预设时间的静息任务之后执行握拳任务；
基于所述肌电信号和所述血氧浓度数据分别获取第一关注特征和第二关注特征；
建立受检者在执行各个目标任务的过程中所述肌电信号与所述血氧浓度数据之间的耦合关系，并得到符合其耦合关系的特征系数；
将所述第一关注特征、第二关注特征以及特征系数输入到CNN-LSTM模型中，以得到特征分析结果，其中，所述CNN-LSTM模型中配置有注意力机制模块和Transformer模块；
基于所述特征分析结果，确定出受检者是否患有神经病变的患病倾向的评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117216.XA CN117643456B (zh) | 2024-01-29 | 2024-01-29 | 一种帕金森神经病变的辅助评估系统、方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117216.XA CN117643456B (zh) | 2024-01-29 | 2024-01-29 | 一种帕金森神经病变的辅助评估系统、方法和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117643456A true CN117643456A (zh) | 2024-03-05 |
| CN117643456B CN117643456B (zh) | 2024-05-24 |
Family
ID=90045402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410117216.XA Active CN117643456B (zh) | 2024-01-29 | 2024-01-29 | 一种帕金森神经病变的辅助评估系统、方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117643456B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107157450A (zh) * | 2017-06-19 | 2017-09-15 | 中国科学院计算技术研究所 | 用于对帕金森病人的手部运动能力进行量化评估方法和系统 |
| WO2020006289A1 (en) * | 2018-06-27 | 2020-01-02 | Brain Sentinel, Inc. | Systems and methods for monitoring patient muscle activity and for tracking patients with motor disorders |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN112370049A (zh) * | 2020-11-16 | 2021-02-19 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于多模态信号同步的冻结步态采集分析系统及方法 |
| CN112687378A (zh) * | 2020-12-31 | 2021-04-20 | 中国科学院合肥物质科学研究院 | 一种帕金森病运动障碍症状监测平台及其应用 |
| US20210169417A1 (en) * | 2016-01-06 | 2021-06-10 | David Burton | Mobile wearable monitoring systems |
| CN113901891A (zh) * | 2021-09-22 | 2022-01-07 | 上海交通大学 | 帕金森病握拳任务的评估方法及系统、存储介质及终端 |
| CN114748080A (zh) * | 2022-06-17 | 2022-07-15 | 安徽星辰智跃科技有限责任公司 | 一种感觉运动功能的检测量化方法和系统 |
| WO2024001723A1 (zh) * | 2022-07-01 | 2024-01-04 | 苏州景昱医疗器械有限公司 | 控制设备、医疗系统及计算机可读存储介质 |
| WO2024012330A1 (zh) * | 2022-07-11 | 2024-01-18 | 华为技术有限公司 | 一种用于评估帕金森病情的电子设备 |
-
2024
- 2024-01-29 CN CN202410117216.XA patent/CN117643456B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210169417A1 (en) * | 2016-01-06 | 2021-06-10 | David Burton | Mobile wearable monitoring systems |
| CN107157450A (zh) * | 2017-06-19 | 2017-09-15 | 中国科学院计算技术研究所 | 用于对帕金森病人的手部运动能力进行量化评估方法和系统 |
| WO2020006289A1 (en) * | 2018-06-27 | 2020-01-02 | Brain Sentinel, Inc. | Systems and methods for monitoring patient muscle activity and for tracking patients with motor disorders |
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN112370049A (zh) * | 2020-11-16 | 2021-02-19 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于多模态信号同步的冻结步态采集分析系统及方法 |
| CN112687378A (zh) * | 2020-12-31 | 2021-04-20 | 中国科学院合肥物质科学研究院 | 一种帕金森病运动障碍症状监测平台及其应用 |
| CN113901891A (zh) * | 2021-09-22 | 2022-01-07 | 上海交通大学 | 帕金森病握拳任务的评估方法及系统、存储介质及终端 |
| CN114748080A (zh) * | 2022-06-17 | 2022-07-15 | 安徽星辰智跃科技有限责任公司 | 一种感觉运动功能的检测量化方法和系统 |
| WO2024001723A1 (zh) * | 2022-07-01 | 2024-01-04 | 苏州景昱医疗器械有限公司 | 控制设备、医疗系统及计算机可读存储介质 |
| WO2024012330A1 (zh) * | 2022-07-11 | 2024-01-18 | 华为技术有限公司 | 一种用于评估帕金森病情的电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117643456B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| EP3692903A1 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
| CN104224196B (zh) | 无创测量血液成分浓度的方法 | |
| WO2017016086A1 (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
| CN107536617A (zh) | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 | |
| CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
| CN104224197A (zh) | 双波长光电容积脉搏波特征量的动脉血氧饱和度计算方法 | |
| CN117457229B (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
| CN114403904B (zh) | 基于肌电信号与肌肉血氧饱和度确定肌肉状态的装置 | |
| CN117643456B (zh) | 一种帕金森神经病变的辅助评估系统、方法和存储介质 | |
| CN113208586A (zh) | 无创血糖快速诊断差分拉曼光谱系统 | |
| CN201308477Y (zh) | 面部表情压痛分析仪 | |
| CN116186502A (zh) | 一种多模态视觉神经功能检测方法及其系统 | |
| Wang et al. | The Recognition Method of Athlete Exercise Intensity Based on ECG and PCG. | |
| De La Cruz et al. | Using EEG and fNIRS Measurements for Analysis on the Effects of Heat Stress on Short-term Memory Performance | |
| CN114903445A (zh) | 一种心脑血管疾病智能监测预警系统 | |
| Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
| CN112656430A (zh) | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 | |
| CN110946562A (zh) | 基于Micro:bit微处理器的生理电信号测量分析方法及系统 | |
| CN114557693B (zh) | 一种无创血红蛋白浓度测量装置及方法 | |
| Li et al. | Efficient ECG classification method for arrhythmia using MODWPT and adaptive incremental broad learning | |
| CN117883673A (zh) | 一种基于便携式bci-ar的智能认知训练方法及系统 | |
| N. Yumang et al. | Application of Spectral Sensor in Determination of Uric Acid Levels | |
| Govindaraj et al. | Design of Non-Invasive Medical Device for Assessing Hemoglobin Count using Raspberry Pi | |
| CN116869554A (zh) | 一种糖尿病周围神经病筛查方法及筛查系统 |
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 |