《帕金森病人特征事件检测的算法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
硕士学位论文帕金森病人特征事件检测的算法研究专业名称:生物医学工程研究生姓名:王琰导师姓名:汪丰副教授 RESEARCHONTHEALGORITHMOFCRITICALEVENTDETECTIONINPARKINSON'SDISEASEADissertationSubmittedtoSoutheastUniversityFortheAcademicDegreeofMasterofEngineeringBYWANGYanSupervisedbyAssoc.Prof.WANGFengSchoolofBiologicalScienceandMedicalEngineeringSoutheastUniversityApril2018 东南大学学位论文独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。研究生签名:日期:东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆、《中国学术期刊(光盘版)》电子杂志社有限公司、万方数据电子出版社、北京万方数据股份有限公司有权保留本人所送交学位论文的复印件和电子文档,可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外,允许论文被查阅和借阅,可以公布(包括以电子信息形式刊登)论文的全部内容或中、英文摘要等部分内容。论文的公布(包括以电子信息形式刊登)授权东南大学研究生院办理。研究生签名:导师签名:日期: 摘要摘要帕金森病(Parkinson'sDisease,PD)是一种全球范围的、患病率仅次于阿兹海默氏症的神经退行性脑部疾病,严重影响患者的身心健康和生活质量。据统计,全球有超过1000万名PD患者,其中近300万在中国。PD如果能被尽早发现,可以及时诊断、治疗,较好地控制疾病发展,有效改善病人生活质量。运动症状是PD诊断的重要依据,主要表现为震颤、迟缓、僵硬、步态障碍、平衡障碍。目前临床上一般采用量表评估运动功能,受到患者主诉和医生判断的主观性限制。震颤和冻结步态(FreezingofGait,FOG)是典型的PD运动症状表现,对此类事件的自动检测具有重要的临床价值。本文基于可穿戴惯性传感器设备,研究关于震颤和FOG关键事件的识别方法,并在此基础上进行PD早期发现的研究。本文根据临床量表和实验的思想,设计了适合测量震颤和诱发FOG事件的实验,并以佩戴于手腕、小腿、腰间的一套五节点6轴惯性传感器系统测量患者运动数据,在合作医院采集了90例患者、不同时间共110例次,健康老年对照组共17例(次)的运动数据用于研究。本文设计了站立位和坐位的震颤实验以获得震颤事件的运动数据。根据PD震颤特征表现为4~7Hz的近似正弦运动,本文采用基于Burg自回归(autoregressive,AR)法的功率谱密度分析(powerspectraldensity,PSD)获取频谱特征,对同一段信号计算均方根(RootMeanSquare,RMS)判断频谱特征有效性,并引入震颤时间占比参数处理间歇震颤,从而实现了PD病人的震颤识别。经过与视频记录比较分析,识别结果的敏感性为91.7%,特异性为90.9%。本文设计了行走-认知双重任务实验及单任务行走对比实验来诱发FOG。根据FOG发生时腿部伴随2~6Hz震颤这一特征,本文基于时域步态周期识别改进了传统PSD方法,并根据频谱、能量和时域特征对正常、FOG、转身等步态实现识别。该方法对FOG实验识别敏感性为100%,特异性为88.9%,对FOG小段识别敏感性为84.7%。本文在以上研究的基础上,结合PD病症的僵直、迟缓、姿势障碍等特征,研究PD早期发现的方法。本文对患者的轮替动作信号(对不同动作采用不同特征轴的信号)的周期、极差、一次积分、动作单幅时间等参数的稳定性和对称性,单、双任务行走中步态参数的稳定性、对称性的对比,翻腕动作中的震颤和不规范水平位移等做了分析,结合震颤识别结果和FOG识别结果,对实验数据中的PD患者和健康对照组做PD检测,结果对早期PD患者的敏感性为75%,对所有PD患者敏感性为72.53%,特异性为81.82%。关键词:帕金森病,震颤识别,冻结步态识别,早期发现I AbstractAbstractParkinson'sdisease(PD)isaglobal,second-largestneurodegenerativebraindisease,whichseriouslyaffectsthehealthandlifequalityofpatients.Accordingtostatistics,therearemorethan10millionpatientssufferingfromPDworldwide,withnearly3millioninChina.PDisexpectedtobefound,diagnosedandtreatedattheearlystage.MotorsymptomsareimportantcomponentsinPDdiagnosis.Clinically,tremor,bradykinesia,stiffness,hypokinesia,dyskinesiasandgaitimpairmentsarethemainmotorsymptomsofPD.Atpresent,ratingscaleismainlyutilizedtoassessthemotorsymptoms.However,thismethodhasasubjectivelimitationfromthepatient'scomplaintandthedoctor'sjudgment.TremorandFreezingofGait(FOG)arePDtypicalmotorsymptoms.AutomaticidentificationoftremorandFOGshowssignificantimportanceinclinicaltrials.Thispaper,whichisbasedonwearableinertialsensorequipment,studiedtheidentificationofcriticaleventsoftremorandFOG,thenexploredthemethodofPDearlydetectionbasedonthecriticaleventsidentification.Basedontheclinicalscalesandexperimentalthought,thisstudydesignedexperimentsformeasuringtremorandFOG,andverifiedtheresultswithdatabasecollectedfromasetoffive-node6-axisinertialsensorswornonwrist,shankandwaist.Thedatabaseincludedmotordataof110experimentsfrom90patientsand17experimentsfrom17healthyeldersascontrolgroup.Inthetremorrecognitionstudy,theexperimentsaredesignedinstandingpositionandsittingposition.Accordingtotheconventionalresearch,PDcharacteristictremorisdescribedasanapproximatesinusoidalmotionof4~7hz.Inthispaper,theBrug’sARmethodpowerspectraldensity(PSD)isselectedtocalculatethefrequence,andarootmeansquare(RMS)criterionwasusedtoensurethefrequece’seffectiveness.Meanwhileatremortimeratiowasbroughtintothemethodtodisposethediscontinuoustremor.Finally,therecognitionmethodisverifiedwithvideosandrecords,andthesensitivityis91.7%andspecificityis90.9%.DuetotheFOG’scontingency,inthispaperawalking-cognitivedoubletaskexperimentandasingletaskwalkingcontrastexperimentaredesignedtoinduceFOG.Therecognitionmethodisdesignedaccordingtothe2~6hztremorofthelegwhenFOGoccurs.ThetimedomaingaitcyclerecognitionisintroducedintothismethodtoimprovethetraditionalPSDFOGrecognizemethod.Normalwalk,FOGandturninggaitmarkersarerecognizedbasedonspectrum,energyandtimedomaincharacteristics.Finally,intheFOGrecognitionexperiment,thesensitivityis100%,thespecificityis88.9%,inFOGsegmentrecognitionthesensitivityis84.7%.III 东南大学硕士学位论文ThispaperexploredtheearlydiscoveryanddiagnosisofPDbasedonthepreviousresearchandothertypicalmotormanifestationsofPDincludingstiffness,bradykinesiaanddyskinesias.Theparametersareextractedandanalyzedfromthestabilityandasymmetryofpatient'srapidalternatingmovements’cycle,integral,andsoon,thecomparisonofsingletaskanddualtaskwalkinggaitparameters’stabilityandasymmetry,thedisplacementofpalmingandtremorinpalming.CombinedwiththeresultsofthetremorrecognitionandtheFOGrecognitionresultsfromthepreviousresearches,thePDpatientsinthedatabaseweregivenareportofPDrecognition,andtheresultingsensitivityis75%fortheearlyPDpatientsand72.53%forallPD,andspecificityis81.82%.Keywords:Parkinson'sdisease(PD),Tremorrecognition,Freezingofgait(FOG)recognition,earlyPDdetectionIV 目录目录摘要...............................................................................................................................................IAbstract......................................................................................................................................III目录.............................................................................................................................................V缩略名词索引............................................................................................................................IX第一章绪论................................................................................................................................11.1研究背景及意义...........................................................................................................11.2研究现状.......................................................................................................................31.2.1国外研究概况....................................................................................................31.2.2国内研究概况....................................................................................................51.3论文研究内容及组织结构...........................................................................................6第二章数据获取........................................................................................................................92.1实验动作设计...............................................................................................................92.2运动功能测量系统.....................................................................................................122.2.1系统框架..........................................................................................................122.2.2数据传通讯输..................................................................................................132.3数据采集、定义及预处理.........................................................................................142.3.1临床数据获取、定义与敏感特征记录..........................................................142.3.2数据传输与数据转换预处理..........................................................................152.4本章小结.....................................................................................................................17第三章震颤事件识别与分析..................................................................................................193.1背景.............................................................................................................................193.1.1病理生理背景..................................................................................................193.1.2方法背景..........................................................................................................193.1.3信号处理原理..................................................................................................213.1.4准确度衡量与评价原理..................................................................................253.2方法.............................................................................................................................273.2.1方法总述..........................................................................................................273.2.2分析数据的选取..............................................................................................283.2.3原始数据滤波..................................................................................................293.2.4计算震颤指示信号..........................................................................................303.2.5震颤判据的筛选和合成..................................................................................323.2.6“震颤”的判定方法...........................................................................................333.2.7震颤严重程度评价..........................................................................................34V 东南大学硕士学位论文3.3结果.............................................................................................................................343.3.1结果总述..........................................................................................................343.3.2人口资料分析..................................................................................................343.3.3震颤判定..........................................................................................................353.3.4“震颤程度”评价...............................................................................................383.3.5实验动作分析..................................................................................................393.3.6与UPDRS的统一性.......................................................................................403.4分析.............................................................................................................................413.4.1特殊病例数据特征分析..................................................................................413.4.2IMU检测震颤及采集数据注意事项..............................................................423.5本章小结.....................................................................................................................43第四章步态与冻结步态识别..................................................................................................454.1背景.............................................................................................................................454.2方法.............................................................................................................................474.2.1方法总述..........................................................................................................474.2.2节点的选取......................................................................................................484.2.3坐标轴的选取..................................................................................................484.2.4时域步态标记..................................................................................................494.2.5频域步态标记..................................................................................................534.2.6基于时、频域的FOG识别方法....................................................................574.3结果.............................................................................................................................604.3.1结果总述..........................................................................................................604.3.2人口资料分析..................................................................................................604.3.3步态时域标记结果..........................................................................................604.3.4冻结步态识别方法的参数选择及识别结果..................................................624.3.5双任务对比......................................................................................................674.4分析.............................................................................................................................674.5本章小结.....................................................................................................................70第五章PD早期发现研究.......................................................................................................735.1特征提取思路.............................................................................................................735.1.1轮替动作特征拾取..........................................................................................735.1.2轮替动作中的震颤提取..................................................................................735.1.3翻腕动作的不规范位移..................................................................................745.1.4双任务对比分析..............................................................................................755.2方法.............................................................................................................................755.2.1常规参数..........................................................................................................755.2.2步态和轮替动作的对称性、变异性参数......................................................76VI 目录5.2.3翻腕动作中对震颤的识别与提取..................................................................795.2.4翻腕动作中的不规范位移提取......................................................................795.2.5早期发现..........................................................................................................815.3结果.............................................................................................................................815.3.1数据库..............................................................................................................815.3.2轮替动作特征..................................................................................................815.3.3翻腕震颤..........................................................................................................835.3.4翻腕位移..........................................................................................................835.3.5步态特征和双任务对比..................................................................................845.3.6早期发现..........................................................................................................875.4简单的安卓测试软件实现.........................................................................................875.5分析和总结.................................................................................................................885.6本章小结.....................................................................................................................90第六章总结与展望..................................................................................................................916.1总结.............................................................................................................................916.2展望.............................................................................................................................92致谢............................................................................................................................................95参考文献....................................................................................................................................97作者简介..................................................................................................................................103VII 缩略名词索引缩略名词索引缩略词英文全称中文全称“关”期“off”setPD患者药效无效的时期“开”期“on”setPD患者药效起效的时期ARautoregressive自回归分析AUCAreaUndertheROCCurveROC曲线下面积CVCoefficientofVariation变异系数C组controlgroup控制对照组/健康中老年对照组DBSdeepbrainstimulation脑深部电刺激eIDexperimentID实验IDFFFreezeflag冻结标记FIFreezeindex冻结指示FOGfreezingofgait冻结步态FOGsFreezingofgaitscale冻结步态评分量表GCgaitcycle步态周期/步态周期的时间长度H-YsHoehn&YahrscaleH-Y分级量表IIR数字滤InfiniteImpulseResponsefilter无限脉冲响应数字滤波器波器IMUinertialmeasurementunit惯性传感器单元MDSMovementDisorderSociety世界运动障碍学会MDS-MovementDisorderSociety-新版世界运动障碍学会帕金森病综合评定量表UPDRSUPDRSMDS-UPDRSPDParkinson’sdisease帕金森病PD+FOGParkinson'sdiseasepatientwithPD合并存在FOGFOGPD+TParkinson'sdiseasepatientwithPD合并存在震颤tremorPD-FOGParkinson'sdiseasepatientPD不合并存在FOGwithoutFOGPD-TParkinson'sdiseasepatientPD不合并存在震颤withouttremorpIDpatientID患者IDPSDpowerspectraldensity功率谱密度PTposturaltremor姿势震颤RMSRootMeanSquare均方根ROCReceiveroperatingcharacteristic受试者工作特征曲线curveRTresttremor静止震颤SDStandardDivision标准差IX 东南大学硕士学位论文SeSensitivity敏感性又叫灵敏度、真阳性率(TruePositiveRateTPR)SpSpecificity特异性又叫特异度、真阴性率(TrueNegativeRateTNR)STNsubthalamicnucleus丘脑底核TFtremorflag震颤标记TRSsTremorratingscales震颤评分量表UPDRSUnifiedParkinson'sdisease统一帕金森病评定量表RatingScaleUPDRS-ⅢUnifiedParkinson'sdiseaseUPDRS量表第三部分运动功能量表(Ⅰ非运动Rating-Ⅲ症状、Ⅱ日常活动(包括日常运动评估)、Ⅲ运动功能、Ⅳ并发症)冲击试验levodopachallengetest左旋多巴冲击试验或美多芭冲击试验(国外多用左旋多巴,国内多用美多芭,美多芭是左旋多巴与苄丝肼的混合制剂)X 第一章绪论第一章绪论1.1研究背景及意义帕金森病(Parkinson'sDisease,PD)是一种全球范围的、患病率仅次于阿兹海默氏症的神经退行性脑部疾病。自1817年帕金森将这种慢性中枢神经系统退化性失调的病症命名为帕金森病以来,此病症逐渐受到极大的关注,相关的评估治疗研究也不断进展。帕金森病会对患者的运动、语言和其他功能造成损害,临床表现主要包括静止性震颤、运动迟缓、肌强直和姿势步态障碍,同时可伴有抑郁、便秘和睡眠障碍等非运动症状,多发于中老年人。虽然众多研究表明早发性帕金森病有家族表现,但实际上据文献报道我国的PD家族发病远低于同期国外报道,多为散发[1][2],遗传学方面仍待进一步研究。PD患者的预期寿命与普通人群无显著差异,患者患病后通常在身心两方面都承受极大的压力,随着病情进展,会导致感情障碍、致残等严重后果。目前针对帕金森病应用的治疗手段虽然只能改善症状,不能阻止病情的进展,也无法治愈疾病,但有效的治疗能显著提高患者的生活质量。对这样的疾病,主张早发现、早诊断、早治疗。PD的临床确诊需要使用SPECT,但由于检查费用高昂、资源短缺,目前临床上主要根据询问病史和药物冲击试验来进行确诊。2015年世界运动障碍学会(MovementDisorderSociety,MDS)发布两个诊断标准,运动症状前期诊断标准和临床运动症状出现后的诊断标准。运动症状前期诊断以似然比来评估个体患病风险,对这种复杂性疾病,不会出现单纯一种生物标记物就可以诊断;运动诊断标准更新了1992年UK脑库的诊断标准,即必备运动迟缓并且至少存在静止震颤或肌强直这两项主征中的一项,对所有核心主症必须根据MDS-UPDRS同时与UK脑库标准比较。帕金森病的临床症状包括运动症状和非运动症状,其中运动症状更容易被检测与量化。鉴于临床上最常用的H-Y分期也是以运动症状分期,且有研究指出运动和特异量表可能成为检测PD或临床前PD的敏感指标[3],可以认为PD患者的运动分析研究是一个较易实现的PD早期发现及病程控制的有效手段。显然,运动过程中PD患者相较健康人群或其他病患所表现出的一些特殊事件是运动分析的重要指标。本论文针对评估测量PD患者运动功能时出现的特征事件进行捕捉检测的算法研究。PD治疗要配合其他治疗延缓疾病进展,参照2014年中国帕金森病治疗指南(第三版),基本原则是合理给药兼顾改善运动症状和延迟运动并发症的出现。现在帕金森病最主要的治1 东南大学硕士学位论文疗手段是药物治疗,左旋多巴制剂仍是最有效的药物,这种药物主要对僵直和运动迟缓起效,多数情况下并不能有效减缓震颤[4]。PD病情管理和诊治贯穿全病程,中晚期治疗的难点是运动并发症的出现,运动并发症正是降低PD患者生活质量的一大重点。康复治疗、心理治疗及良好的护理能在一定程度上改善症状,此类治疗贯穿整个病程,特别是早期就需要。近年来一些侵入性治疗方法,如脑深部电刺激(deepbrainstimulation,DBS)、吗啡等方法在世界开展,国内只有DBS。随着DBS研究的发展,手术治疗也开始大量应用——2013年以前,由于费用高昂且发展不足(DBS充电周期较短、可控参数少等),国内DBS手术应用不多;2013年国内首个脑起搏器产品注册,自此以来,国内DBS手术例数开始显著增多,近年来清华大学也已研发出单通道、换电池和双通道、可充电的脑起搏器,作为安全、可逆、疗效显著的神经调节治疗方法,脑起搏器治疗已是目前外科治疗帕金森病的首选疗法。但PD患者适合DBS手术的病程并不长,对病情较轻的患者来说,手术代价大,没有必要;对病情较重的患者,DBS作为一种神经刺激疗法已经不能达到较好的治疗效果。因此,明确PD的病情进程对PD治疗十分重要;而评估DBS术前术后运动差异以评估手术效果对医学研究来说也有重要意义。可穿戴设备应用对PD的病情状态监控(包括病情评估、病程定位、用药和手术效果评估)、康复治疗、用药提醒等方面都有良好前景。同时,相关工作能够帮助医学研究人员在衡量和细分病症进展方面做出进一步研究,从而加快治疗手段的研发进程。震颤、迟缓、僵硬、姿势异常、平衡障碍等是PD临床确诊的主要运动症状,相关可穿戴设备研究也应当基于典型临床症状开展。其中,PD震颤表现为静止震颤和姿势震颤。静止震颤表现为单侧或者两侧的手臂不自主抖动,通常为4~6Hz的搓丸式震颤,部分会出现在下肢或下巴;姿势步态障碍表现为姿势略有前倾、小碎步步行、加速度步行或者迈步困难和步态不对称等。冻结步态(FreezingofGait,FOG)是帕金森病的核心症状之一,属于姿势步态障碍的一种事件型的典型表现。帕金森病运动评估的一般临床手段为评分量表,并经常采用多表量表结合的方式,全面评定患者病情,这些量表中都有部分问题与特征事件有关,但评价选项多为“较轻”、“较重”等,较为主观、模糊。为了降低医生主观判断误差,PD确诊通常需要两名医生在互不沟通的情况下分别对病患做量表评估然后会诊,又由于量表复杂内容丰富,使确诊过程耗时颇长,对医疗资源占用较大。近年来,为简化量表和评分时间,同时提高评定准确度,改良量表[5][6][7]也逐渐发展并纳入评分采用,改动部分选项为量化、具体的选项,如“1cm”、“2cm”的数值等,体现其“降低医生主观判断误差”的意图。为了降低病人的主观判断影响,临床上也应用实验对患者运动状态作进一步评估,如精确抓举测试、计时起立行走、手指交替敲2 第一章绪论击实验、普度钉板实验等[8],但同样十分耗时,且其精确性依旧受到测试医生的主观判断影响。而针对此问题,有学者利用各种设备软件设计实验,来测定评价患者的运动功能。如基于计算机视觉技术的方法、基于压力传感器的方法和基于惯性传感器(inertialmeasurementunit,IMU)的方法,还有学者试图通过计算机键盘敲击试验,依据交替手指敲打键盘来测定上肢运动功能[9][10][11]。这些研究方法都试图在无医生参与的情况下进行实验,节省时间和人力,提高医疗资源的效率。其中IMU测试评估对比其他几种新型方法,有使用灵活、受场地影响小、成本低、评价全面等特点,使其最有可能发展为常用易用的长程监护设备而备受关注。本论文即是基于IMU评估PD患者运动功能研究的一个更加具体有针对性的研究。根据临床医生建议,震颤、冻结步态等都是诊断PD的重要评判依据,理应纳入评估系统,而目前并没有PD评估或诊断的电子系统把关键事件的评估作为重要评判依据。本实验室正在开发的PD患者运动功能评估系统也仅包含基础的运动参数评估,如步长、动摇矩等。鉴于此,本论文首先以此运动功能评估系统为出发点,联系临床医生建议与相关研究发展,提出新的评估PD患者运动功能的特征描述方法,即“识别关键事件”,来作为PD评估的重要参考,并对PD早期发现做出探索。更确切地说,本论文是基于IMU采集的数据,提出两个重要特征指标——“震颤”和“冻结步态”,并围绕识别PD特征事件识别及PD早期发现方面开展的相关研究。正如迈克尔·J·福克斯基金会的首席执行官ToddSherer博士所述,詹姆斯·帕金森博士在1817年就对PD作出了最早的系统描述,然而200年后的今天,我们在很大程度上仍在使用与那时相同的方式来主观地测量PD。数据科学、可穿戴计算及来自其他来源的数据将发掘出我们潜在的能力,帮助我们获取和客观地评估PD患者的实际病症经历,从而为PD疾病的药物研发、诊断和治疗带来积极的影响。同时,英特尔公司高级副总裁兼数据中心事业部总经理柏安娜也曾表示,“PD症状的多样性给疾病检测的进展带来了巨大挑战。新兴的技术不仅可以创建一个测量PD的全新范例,还能为医学界提供更多数据,以便找出目前尚未明确的疾病特征,从而开拓全新的研究领域。”1.2研究现状1.2.1国外研究概况对应PD震颤的检测,常用的仪器设备有:EMG、加速度计、陀螺仪等,其中加速度计是最合适的(直观、可信度高、成本低、便携)。MdNafiulAlam等人尝试以可穿戴惯传感器获得信号[12],以线性支持向量机(LinearSVM)方法机器学习,对震颤分级。研究中测量了3 东南大学硕士学位论文手腕(9轴传感器)与食指指尖(6轴传感器)的信号,认为手指对震颤的测量分级(88.6%-88.9%)比手腕(78.8-81,8%)准确率高。Y.Zhou等人[13]认为手指震颤是PD震颤研究的一个重要方面,于是设计IMU,提取手指不同位置及手腕的加速度、角速度、角度变化,研究结果显示所有关节都表现出特殊的频域特征,此外,强调二次谐波(6.9-11.5Hz)起到不可忽视的作用。JeonH等人[14]利用一个较少病例的小样本,测试了不同UPDRS震颤评分等级下患者指尖1s内的位移,传感器装在双手的震颤主导手指的指甲的水平方向上,不做PD震颤识别,直接取中间7s做有效数据,计算1s距离,结果显示UPDRS震颤每个等级,1s内的平均位移0分-,1分,11.52mm,2分33.58mm,3分382.22mm。Elble等人以来自不同实验室的928个震颤患者(包括特发性震颤和其他震颤,不针对PD震颤)为研究对象,以加速度计、电子笔绘图板、三维机械联动装置等方法,研究震颤评分量表(Tremorratingscales,TRSs)评分的分辨率与医学病理学意义,其结果表明震颤幅度与TRSs评分的关系与人类感知Weber–Fechner法则(Weber–Fechnerlaw)相符合,即对数相关[15]。Google旗下子公司LiftWare,2014年发布了一款平缓特发性震颤和PD震颤的勺子,以提高PD患者生活质量,市场上可以购买到。自1973年Morris首次提出用加速度传感器进行步态分析[16],在过去的40年里,IMU已经逐渐发展成为常用的运动功能分析的方法。近年来越来越多地把IMU作为一个针对PD的重要研究手段,其内容多为步态表现;已有部分研究利用IMU数据对识别PD患者的特征事件做出探索,而多数研究结果也表明出此部分研究亟待进一步的发展。BastiaanR.Bloem等在2004年对冻结步态与摔倒的内在联系的相关研究做了荟萃分析(metaanalysis),并利用加速度计数据进行了说明[17]。2007年,StevenT.Moore等人以11名PD患者为样本,基于加速度传感器提出了一种基于加速度的识别FOG的算法[18],两年后,BächlinM.等人在此基础上利用IMU、小型微机和耳机设计了一个可携带的针对PD患者FOG的准实时识别并做出修正步态识别命令(节拍器暗示)的设备,敏感性>70%,特异性>80%[19]。Yogev的课题组多年来一直以PD为一个关注点,致力于运动损伤的机理、评测和治疗的相关研究[20][21][22],2012年,利用一双鞋垫(B&LEngineering,CA,USA)和一个佩戴在腰上的记录单元(JASResearch,MA,USA;11cm×7cm×3cm)来评价PD和对照组在执行双重任务时的步态周期的时间参数(如,支撑相时间和摆动相时间及其变异系数),从而验证未受神经损伤的PD患者与健康PD组与健康老人对照组在进行认知-行走双重任务时,对任务优先的控制能力相似[23]。JeffreyM.Hausdorff及其团队多年来也一直致力于PD及步态研究,分析了老年人的风险步态,PD患者的步态损伤,包括步长、变异性、分形缩放等,以及认知任务对PD患者步态的影响等[24][25][26]。4 第一章绪论PD早期发现的研究多以运动、非运动多参数结合长程观察的方法进行。M.M.Baig结合心电、呼吸、运动、血压等参数对PD早期和长期进行观察[27]。GoetzC.G.等一个20人的团队以一个网络系统记录患者的运动迟缓、语言、反应、运动重复、复杂运动等,每周测试数据共采集半年数据,测试其记录系统是否能被用户以设计的方式正确使用并正常运转、以量表评价患者满意度、并以UPDRS复查,最终验证系统的可行性[28]。JiH.C.等以基于手机的翻腕动作做PD的早期诊断,在一个小样本中报告特异性85%(6PD/27对照)[29]。此外,长程病情检测方面的研究成果较多,但较少研究将其限制在早期PD的相关研究[30][31]。综合研究方面,FaisalM.Khan利用IMU设计了一个长程监控设备以代替患者日记,记录患者在家的运动表现,并试图分类患者的不同病症;利用模拟数据训练、真实数据验证的方法,比较了几种分类器对帕金森病人相关运动识别的准确率和敏感性[32],此研究在2014年完成。英特尔公司(Intel)和迈克尔·J·福克斯基金会(MichaelJFoxFoundation,MJFF)利用全新的大数据分析平台对PD进行多阶段研究,该平台利用可穿戴技术监测患者症状,并用收集得来的数据探索相关模型[33],该研究于2014年启动。其他不依赖于IMU的PD患者运动表现的研究也十分丰富,甚至一些研究仅依靠量表进行。2002年,TamarC.Rubinstein等对PD的步态物理治疗现状进行综述,提示了认知与步态存在内在联系[34]。MeirPlotnik在2005年利用放置在鞋里的压力传感器探索步态不对称性与PD患者FOG的关系[35],在2012年通过平板压力传感器的研究,认为FOG与多种受损步态(如节律控制、步态对称性、双侧协调性等、多样姿势控制、步幅变化等)有关,而这些受损步态又相互成为诱因,最终共同作用于FOG[36]。RobertIansek等基于轨道压力传感器的研究,2008年提出PD患者的FOG是一个多重步态损伤的序列反应[37]。Bloem等人的一系列研究指出当PD患者执行双重任务(DualTask,DT)时,采取认知优先于姿势的冒险策略(称为“姿势第二策略)来进行补偿[38]。此类研究为本论文选择研究方向提供了坚实的理论基础。1.2.2国内研究概况国内对PD运动损伤和IMU测量运动状态都有一定的研究,但把基于IMU的运动功能评价方法用于帕金森病的研究和相应的特征事件识别研究只是近几年才开始发展,研究开展较少。王鲁阳等人在研究中提及视觉暗示(模拟光和画线两种)、听觉引导等PD步态的物理治疗方法[39]。张燕辉等综述了PD运动相关量表、运动速度测定、肌张力测定、相关检测的现状,指出,躯干运动的协调性可作为早期诊断和运动评估及药物治疗的一个敏感指标、四头5 东南大学硕士学位论文肌的伸反射起始反应时间的降低是帕金森病早期的一个体征;运动和特异量表成为检测PD或临床前PD的敏感指标,但不能鉴别典型与不典型的帕金森病综合征[3]。2009年,黄东雅等人设计实验对PD震颤与生理性震颤进行区别测试PD患者和生理性震颤患者在自然与负重(1kg)状态下震颤的手背加速度(Acc)和前臂屈肌、伸肌的肌电图(EMG),采用timmer震颤分析法与Lauk震颤分析软件研究,认为PD患者主要表现静止震颤,在自然和负重状态下Acc表现频率无明显改变,生理性震颤组在自然条件下Acc表现为8-12Hz,负重条件下频率明显下降至(4.79±0.86)Hz,EMG方面,在自然条件下PD与生理震颤组有区别,而负重不对两组震颤的EMG造成明显改变[63]。彭雅祺等人利用轨道(压力传感器)对双重任务行走研究(主要针对健康老年人和青年人)认为较简单的认知任务会使受试者因为专注在认知任务上而使站立平衡控制变得自动化,进而促进站立平衡任务表现,而较困难的认知任务则会使注意力资源不敷使用,进而冲击站立平衡任务表现[40]。许多研究支持“姿势控制有效性与认知”之间的关系是非单调的,且指出两者关系与个体资源状况及任务难度有关。即多数老人可能在双重任务中都会面临资源不够的情况,而这种情况在PD患者中表现更加明显[41][42][43]。惯性传感器应用方面,中国大连理工大学的王哲龙利用加速度信号和角速度信号的融合对步态周期各阶段进行了分割识别[44][45]。华南理工大学的金连文等人尝试了将一个加速度传感器放在裤袋的动作识别和运动信息提取算法从而进行人体运动模式识别分类的研究,进行三维手写识别、跌倒识别、步态模式的识别等[46][47]。华中科技大学的刘蓉、侯向锋等人研究了人走路时的加速度信号有伴随步态动作的准周期性,并试图利用识别步态特征来进行生物特征识别以用作身份识别[48][49]。2016年,西华大学的硕士梁雅庆,对震颤提取中的噪声和提取方法进行了研究[50]。2016~2018年间,王守岩的团队发布一个基于WIFI的五节点监测系统、一个手环及其相关的定量评估方法[51][52][53][54][55],发布了一个以音频提示和窄光带提示来改善FOG的智能手环[56];张贯京等人发布了一个缓解PD患者震颤的手环[57]。结合国内外研究现状可以看出基于惯性传感器的PD患者运动特征事件是一个研究热点,近年来优秀成果频出,但仍有待进一步发展,且国内研究水平较为滞后,发展空间很大。1.3论文研究内容及组织结构本论文的研究工作共包括三方面:首先,提取“震颤(Tremor)”作为第一个PD“关键事件”,利用设计实验和惯性传感器单元(IMU),从加速度、角速度信号中提取事件的数据特征,并据此进行自动识别。第二,提取“冻结步态(FOG)”作为第二个PD“关键事6 第一章绪论件”,进行实验设计、数据分析和自动识别方法实现和改进。第三,将自动识别的结果与其他PD运动评估指标相结合,在PD早期发现方面开展探索性研究。本论文的具体工作包括:实验设计,数据采集(包括运动数据测量、运动测量系统的日常维护维修工作、病患病历数据采集等),PD患者特征参数计算与筛选工作,震颤动作识别、冻结步态事件识别的算法研究工作,及PD早期症状与运动特征相关性的探索工作。本文共分为6章,各章的主要内容具体如下:第一章:绪论。介绍了本课题的研究背景及意义,在充分调研和分析研究现状的基础上,介绍了本课题的研究基础,提出了本文的研究内容。第二章:数据获取。首先介绍了实验动作的设计方法、思路和最终动作设计结果和过程中的改动;接下来介绍了数据获取所使用的运动功能评价系统的总体设计和架构、各个模块的功能、运作方法及使用方法;最后介绍了数据的采集和预处理方法。第三章:震颤事件识别与分析。即震颤特征事件识别,介绍了PD震颤背景、识别研究的常用方法、信号处理和统计分析原理、动作信号的提取和识别方法,识别处理结果、实验对比、及其准确性验证分析及评价。第四章:步态与冻结步态识别。本章首先介绍PDFOG识别的研究现状,接着作出假设并基于步态标记方法做方法改进,最终对不同方法和参数的识别结果的准确性进行对比、对诱发FOG发生的实验进行分析和评价。第五章:PD早期发现研究。在轮替动作中进行特征提取,并结合前两章关键事件识别的结果在PD早期发现方面进行探索,并实现了一个简单的基于安卓系统的测量工具,以论证本系统和算法移植到易用平台的可行性。第六章,总结与展望,主要对本文进行全面回顾和总结,并提出今后的研究工作的研究重点。7 东南大学硕士学位论文8 第二章数据获取第二章数据获取2.1实验动作设计本论文首先要求设计符合医院测试实际环境、能够达到研究要求的可行的实验动作范式,以规范数据。这一部分主要包括设计双重任务行走实验以促使患者表现病态数据、触发FOG事件,和设计震颤实验以获取干扰较小、容易进行震颤识别的数据;并采用了实验室其他研究所设计的轮替动作实验做早期发现研究。设计实验参考多份PD运动相关的传统或更新量表及综合量表的运动部分以及PD相关的研究文献。参考的量表包括H-Y分级量表(Hoehn&YahrScale)、统一帕金森病评定量表(unifiedParkinsondieaseratingscale,UPDRS)(针对运动评估,所有综合量表都采用其中运动部分,对此不再赘述),MDS-UPDRS(MovementDisorderSociety-UPDRS,MDS-UPDRS)、简明帕金森病评分量表/帕金森病致残量表(shortParkinson'sevaluationscale/scalesforoutcomesinParkinson'sdisease,SPES/SCOPA)、帕金森病运动功能评分量表(motordysfunctionratingscaleforParkinson'sdisease,MDRSPD)、改良Webster症状评分量表、Berg平衡量表(BergBalanceScale,BBS),冻结步态量表(freezingofgaitscale,FOGs)、震颤评分量表(Tremorratingscales,TRSs)等。H-Ys把患者病程分为5个等级,描述了单双侧起病、平衡、运动功能等;修订版H-Ys增加了两个中早期的中间等级,共7个等级;UPDR、MDS-UPDRS是比较全面的量表,描述了PD患者的非运动症状、日常活动(包括日常运动评估)、运动功能、并发症,是临床上应用最多的PD量表;SPES/SCOPA试图在UPDRS的基础上简化评估;Webster评分量表共10项评分,评估患者的生活和运动情况,常用来评估病情改变趋势和程度;BBS共14项,描述患者的平衡能力,可评估跌到风险、是否需要辅助步行等;FOGs、TRSs针对特定症状做评估。仔细观察量表发展可以发现,近年来“模糊描述”的量表,也在不断尝试做出更加精确、客观的量化评价,与用传感器评价病情的设计思想有着同一目的。例如,UPDRS中震颤分面部震颤、静止震颤(四肢)和姿势震颤(左右)共7项,占评分的7/27;剩余20项中有9项与轮替动作有关,如手指拍打、手部灵活性等。MDS-UPDRS-Ⅲ,将传统UPDRS-Ⅲ中的20静止震颤和21姿势震颤两项细分为5个问题,分别评估面部、四肢、静止震颤、姿势震颤、震颤幅度及震颤持续时间,对震颤幅度以cm描述,对震颤时间以占整个检查时间的百分比9 东南大学硕士学位论文来量化描述,做了细致的评估。Pablo根据UPDRS改良的SPES/SCOPA,震颤增加“以20s的表现来评估”的要求,选项中的“小量”、“中等”、“严重”的描述被精确为“<1cm”、“1~4cm”、“>4cm”,姿势稳定性的选项也被丰富为“后退2步”、“3步”、“不能保持平衡”等;震颤占动作评分2/12(不分左右上下肢)、步态和“开”期冻结各1/12、轮替1/12[7][58,59][60]。改良的Webster症状评分量表也以cm描述震颤。MDRSPD也以cm描述步距。虽然内容不尽相同,但正因为这些改进量化,使得量表有了更好的可比性,有学者对SPES/SCOPA和MDS-UPDRS两种量表的一致性尝试了量化研究,Verbaan等人,经过研究提出了这两种量表评分可以做如下转换:MDS-UPDRS运动评分=11.8+2.4∗SPES/SCOPA运动评分;SPES/SCOPA运动评分=−0.5+0.3∗MDS-UPDRS运动评分[61]。考察文献与临床研究,可知双任务行走是诱发PD患者表现出冻结步态的一个常用实验。于是本论文参考临床诊疗时所使用的测试实验、文献研究实验和医生建议,设计双重任务实验。首先双重任务中的运动任务首选为行走,要诱发FOG也必须是行走,而对于认知任务则需要设计。认为可能设计的任务的形式有视觉任务——利用走道涂装预设步幅暗示或暗的行走环境等,听觉任务——利用节拍器预设步频暗示,平衡任务——软地板、托举任务、障碍物、窄走道,语言任务——计算任务[25][40][41][41][42]、文字接龙任务、复述任务等。震颤方面,根据文献、临床等多考虑静止震颤、姿势震颤、动作震颤(临床上常用的动作震颤方法——点鼻子),且常将动作震颤和姿势震颤合并为一项,设计震颤实验的范式动作。再根据老年人体力和就诊情况(如有时患者为进行药物冲击试验而断食导致体力不支等),确定各项动作的次数及持续时长。本论文结合实验目的,考虑实际情况和难度需求等,参考量表和过往研究中震颤、FOG、轮替动作相关部分的设计思想,针对FOG设计双任务行走实验,设计双重任务中的认知任务为连续减三任务。具体动作:先后完成连续减三10米往返走和单任务10米往返走。针对震颤,同样参考临床实验方法与文献实验方法,设计静止震颤和位置震颤实验;考虑动作震颤试验并不能简化数据分析、多数PD患者表现为静止震颤、量表中多将姿势震颤和动作震颤合为一项,最终研究设计并未包括临床常用的动作震颤检测方法。具体动作:①先后完成30s双手放置在腿上的静止震颤和30s正坐、双手平举的位置震颤;②先后完成60s睁眼静止站立震颤测试和60s闭眼静止站立震颤测试。针对早期发现,设计翻腕、抬腿、反复起坐三种轮替动作。实验范式动作总流程为:1.坐位震颤测试静止震颤测试:双腿自然分开、双手自然放在腿上,(根据病人病情,尽量)不靠靠背,放松静坐30秒。10 第二章数据获取位置震颤测试:保持上述坐姿,双手平举,五指并拢,静坐30秒。2.单、双任务行走单任务30米折返走双任务30米折返走(双任务中的认知任务:实验指导者从150±30中任选一个随机数,患者从此数字开始自发报出连续减三的结果,如果患者不能持续报出答案或无法理解实验,实验指导则对患者询问连续减三的结果)3.连续翻腕。双臂平行于地面伸直指向前方,手背向上,然后双手同时以最快的速度向外翻转再向内翻回算作一次翻腕。连续完成15~25个翻腕的动作。4.静坐抬腿。交替抬腿与连续抬腿二选一。交替抬腿:静坐在高度适中的椅子上,然后以最快的速度完成20次的左右交替抬腿动作,抬腿高度由辅助道具固定。连续抬腿:静坐在高度适中的椅子上,努力抬高单腿并迅速放下重复20次后,换另一侧完成同样的动作。5.反复起坐。双手交叉放在胸前,在椅子上以自然速度完成6个由坐到站和由站到坐的转变的动作。6.静止站立。测试对象分别完成睁眼静止站立和闭眼静止站立实验,实验过程中,测试对象双臂自然下垂,双脚并拢,身体不接触任何物体。先睁眼、双目直视前方站立1分钟,然后再闭眼站立1分钟。图2-1实验动作示意图(健康老年人)数据使用方法:本论文对其中第1、6项实验动作做震颤研究,对第2项做步态、FOG和轮替研究,对其余动作做PD早期发现研究。11 东南大学硕士学位论文研究后半,结合实际和分析发现,虽然文献研究常使用“把手放在腿上静坐”的实验范式动作,但实际测量中会让手腿互相带动,由于传感器的敏感性,这样的情况会引起同侧手腿信号的干扰;同理双腿并拢的动作可能也有些许影响。再参考MDS-UPDRS的指导视频,将更改测试震颤的实验动作,改为:静止震颤:双腿自然分开、双手自然放在腿的两侧(一般实验用没有扶手的椅子,双手就放在椅子上,偶尔椅子有扶手的情况下,双手放在扶手上),根据病人病情,尽量不靠靠背,放松静坐30秒。姿势(位置)震颤:双手平举与肩同宽,五指分开,其余与静止震颤姿势相同。2.2运动功能测量系统2.2.1系统框架系统包括测量节点、网关节点、PC机。测量节点作为实验室自制的数据采集终端,共有5个基本相同的有序节点,一般认为1号节点佩戴在腰间、2号左手、3号右手、4号左腿、5号右腿;佩戴方向固定。在硬件组成上,每个节点包括电源模块、处理器模块、传感器模块、存储器模块、无线通信模块。开始结束实验等命令,依托与网关节点的控制信息通信进行。终端节点在测量数据的实验进行中可以独立在实验中保存数据。设计每次可以进行十次实验;每次实验可采集50Hz六轴信号19分钟,1M数据;每次充电,电量可持续使用十小时以上。如果要应用于长程监控,需要重新编程,可扩展为连续采集6.5小时数据。图2-2从左到右依次:系统框架示意图、佩戴实物图、硬件系统实物图网关节点作为控制和数据接收的中转端运作,完成PC机向测量节点发送命令(包括实验开始、结束,数据上传,数据清除)和测量节点向PC机上传数据的功能。硬件组成上包括电源模块、处理器模块、无线通信模块、串口模块。12 第二章数据获取PC端包括实验控制及数据接收软件、辅助预处理软件。实验控制及数据接收,指与网关交流,串口方式向下发命令,并接收和存储反馈的实验数据。辅助预处理,指对接收到的数据按照信息头内包含的信息做裁剪、患者ID、实验ID等信息对应与标记,存储文件格式转换处理。2.2.2数据传通讯输数据流动方向描述如下:测量节点(测量与暂存)→网关节点(中转)→PC机(存储)→数据分析软件(处理)。测量节点与网关节点之间以射频方式通信(NRF24L01),网关节点与PC控制和接收软件之间以串口(Serial)进行通信。通信内容为PC到网关节点到终端节点的控制信息、终端节点到网关节点的控制反馈信,以及终端节点向网关节点上传实际测量得到的数据。传输的数据格式和内容描述如下:接收到的数据分为头部和测量数据两部分。头部由30个z开始,30个y结束,信息30字节,信息30字节,具体内容、占用长度与储存形式为:数据长度,3,(如,存储08ED30=DEC(585100)=571.38kb=数据大小571.38kb)实验ID,3,(如,存储303232=ASCII(022)=实验ID:022);开始时间,3,(如,存储000A30=DEC(2608)=从2608开始存储测得数据);病人ID,3,(存储形式如实验ID,如,存储303130=ASCII(010)=病人ID:010);储存的试验次数,1,(如,存储39=ASCII(9)=存储了0-8共9个病人数据);预留扩展冗余,17,(如,DB1FC318DB0ED318DB1ED31ECE116C6C6C)。数据部分以信息头中附带的“长度”信息判断完成接收。其各命令的运作模式如下:开始实验:由电脑经由网关节点向数据测量终端发送“实验开始”和患者id信息,测量终端按顺序开始记录数据,并且在信息头中记录开始时间和患者id。结束实验:由电脑经由网关节点向数据测量终端发送“实验结束”和实验id信息,测量终端按顺序开始记录数据,并且在信息头中记录数据长度和实验id。上传数据:电脑经由网关节点向数据测量终端发送“上传数据”信息,测量终端逐点反馈数据信息,命令按节点号和存储的第X次实验索取。在PC端的数据接收软件中只能从第一次实验开始,逐次实验,按五点顺序获得数据;直接使用串口命令可以获取任意节点的任意次实验的信息。13 东南大学硕士学位论文清除数据:电脑经由网关节点向数据测量终端发送“清除数据”信息,五点可同时开始清除。2.3数据采集、定义及预处理2.3.1临床数据获取、定义与敏感特征记录用于分析的原始运动数据是本论文的基础,收集大量有效数据是本论文顺利进行的前提。本论文要求获取大量可用于研究的有效数据。考虑病人表现复杂多样,数据相似性低,为提取病人的事件特征,需要大量实际数据支持。本论文对数据的病例数、测试时长、特征显现、精准标签记录等均有较高的要求。为获取符合研究要求的数据,需要长期坚持在医院测试门诊或住院病人,实际每在医院3-4小时,大约能获取2-4组数据(约20~40分钟运动数据),有特征显现的有效数据在半数以下。实验前计划每种特征时样本量不少于15,PD患者总量不少于40例,健康老年人样本量不少于15例。实际情况好于前期设计,共获得110组PD和17组健康对照组,每组5~18分钟,总时长约1500分钟,各特征数据包括24组震颤、24组步态障碍、28组早期患者。数据库详情将根据研究重点在对应章节给予说明。参加实验的PD患者来自合作的南京脑科医院的住院和门诊病人;健康老年人对照组来自南京脑科医院的老年科病患陪护或医院护工;在分析说明部分用到的少数青年对照数据来自于本文作者本人和实验室同学。2.3.1.1病例选择病例选择病程在H-Y不同分级的PD患者和健康老年人对照组。其中PD判定遵循英国PD协会脑库制定的特发性PD标准,分级按照H-Y分级标准。对PD患者要求可以服用抗PD药物、能够独自行走、无并发症,50-90岁;临床上有明显的肌肉骨骼类运动疾病、心血管疾病、呼吸疾病、其他神经疾病、重度抑郁或严重的视力受损的无法按常规情况完成实验的病人被排除在外。而健康对照组招募主诉健康的老年人,除PD项要求健康外,其余“健康”排除标准与PD组的要求相同。另外,为方便关键时间识别研究,倾向于采集有震颤及FOG病史或主诉的患者数据。2.3.1.2采集工具及方法工具:前述软硬件结合的测试系统、连续抬腿使用小箱子固定高度。14 第二章数据获取采集终端节点的佩戴位置:左右小腿外侧,左右手腕外侧、和腰部后方5个部位。实验动作,如前述,一般顺序如下,但不做硬性要求,根据实际情况可以任意顺序完成:静止震颤、位置震颤、摆臂行走、单双任务行走、连续翻腕、反复起坐、静坐抬腿、睁眼静止站立与闭眼静止站立。研究者在实验开始前对测试者进行意图和过程说明,此后指导并带领测试者完成一系列动作,并在过程中拍摄视频。实验结束后利用视频及实验中的文字记录标记敏感时间段(如冻结步态事件的发生位置),利用加速度角速度信号进行分析。测试时,使用前述的PC软件控制实验流程的开始和结束;实验中,加速度角速度信号暂存在实验者佩戴的终端节点中;实验结束后,利用前述PC软件,把暂存的数据上传至PC进行进一步分析。2.3.1.3数据定义与敏感特征记录震颤定义及标记:震颤定义为PD+T(PD合并存在震颤)、PD-T(PD不合并存在震颤)、风险。对健康对照组为无震颤。对患者根据现场记录、视频判断、UPDRS量表震颤部分打分(医师判断)、事后病历复查等对每个患者标记“震颤测试时震颤与否”、“翻腕时震颤与否”、“是否曾有震颤报告”三项内容;并留视频复查。FOG定义及标记:FOG定义为PD+FOG(PD合并存在FOG)、PD-FOG(PD不合并存在FOG)。对健康对照组为无FOG。对患者根据现场记录、视频判断、事后病历复查等对每个患者标记“测试时表现出FOG与否”、“是否曾有FOG报告”,并以事后回顾视频的方式在数据中标记其实际FOG的时间段。早期患者定义为病史6年内(不含)、“关”期、H-YⅢ期以下(不含)。2.3.2数据传输与数据转换预处理2.3.2.1数据整理本论文主要以Matlab软件做算法与方法研究,统计学分析辅助使用Matlab和SPSS软件,AndroidApp获取的数据以cvs格式存储;因与其他几项研究互成系统,存储和数据库与其他研究保持一致——MySQL作为存储基础信息数据库、TXT存储原始数据。15 东南大学硕士学位论文2.3.2.2数据格式转换从评估系统获得的数据分为从软件获取得到的处理过的数据和直接从硬件终端获取得到的数据。从软件获取得到的处理过的数据格式:每次实验获得五个节点获得五个txt。每个txt:3byte本节点开始实验的时间,其后逐次连续记录每次采样记录6个数据(XYZ加速度、XYZ角速度依次排列),与硬件存储顺序相同,每个数据在传输和通讯时分高八位、低八位两个16进制数,共2字节;传输和存储时分别转换为相应的数字或字母(如001A(DEC:26)占2节→传存储的txt中为“001A”,6字节),每个数据共占6字节。6个数据36个字节(最后的空格不裁切)。转换为txt存储,稍占空间,但便于各软件以各方式读取。直接以串口从硬件端获取的数据格式与硬件存储数据一致,参考本章2.2.2数据传通讯输部分,此处不再赘述。为方便处理,本论文把此数据按照从软件获取得到的处理过的数据格式进行截取处理后,再进行*.dat到*.txt的转换,从而使两种方式获取得到的数据格式一致,简化后期处理。2.3.2.2.1同步裁剪根据数据长度和每节点开始时间进行同步裁剪。因为5个节点依次开启,因此以1号节点的长度和5号节点的开始时间,分别对其他数据的起止点定位裁剪。2.3.2.2.2精度换算加速度:8𝑔分度值:(±8g为量程,有符号,0为正,1为负,补码形势)327688𝑔×𝐴𝑐𝑐计算公式a=;32768角速度:2000分度值°/s(顺时针,量程为±2000°/s,正负定义同加速度)327682.3.2.2.3滤波为避免损失有效信号,预处理部分使用中值滤波、均值滤波、和低通滤波进行粗滤波,在后方数据处理部分根据需要部分处理进行进一步滤波。16 第二章数据获取2.4本章小结本章介绍了本论文的数据基础的获取方式、过程及结果。首先参考临床及研究用量表、文献、实验等资料,并按照实际情况,设计了实验范式动作。其次,介绍了研究中数据采集工具的概况、数据流、原始数据预处理及工具维护。最后,描述了原始数据的采集原则,采集过程(采集的时间、地点,范式动作的实际执行情况、样本来源),数据的分类定义(标签),及采集结果整理。17 东南大学硕士学位论文18 第三章震颤事件识别与分析第三章震颤事件识别与分析PD患者震颤集中在4-7Hz,区别于其他震颤。临床上,将震颤分为三种,静止震颤、位置震颤和动作震颤。本论文首先提取震颤特征作为评价PD患者病情的特殊事件。3.1背景3.1.1病理生理背景震颤是神经科最常见的症状之一,是许多疾病或综合症的首发表现,但其发病机制不明,临床上很难鉴别。一般可分生理性(外周性)和病理性(中枢性)震颤,典型病症有帕金森病、小脑性震颤、精神心理性震颤、药源性震颤等[62][63]。震颤的实质是肌肉收缩及其对抗,常发生在手足、也发生在唇、舌、下巴、头、颈,一般由末梢(如指尖)开始发展。PD震颤的典型表现有搓丸样震颤、旋前旋后样震颤;PD震颤为4~6Hz的随机现象(非精确界限,存在3~8、3~6、4~7、4~6Hz等描述),不能以正弦波的精确模型描述,位移类似于正弦曲线,但波形、频率、幅度随时间变化;而活跃的震颤时间比的表现也十分多样,受环境和情绪变化的影响,与时间相关,在压力、焦虑下活跃,疲劳、困倦时减少,在睡眠和轻度麻醉下消失。一般的,PD震颤多发静止震颤(发生在放松肌肉时),少数病人在运动时震颤更明显[4]。3.1.2方法背景关于PD震颤检测方法的研究十分丰富。1993年VanSomeren等提出的周期频率分析方法(periodamplitudesequenceanalysis,PASA)对提取到的半波进行分析,按照3~8Hz震颤带区分震颤[64],并基于此在1998年设计了一个能够区分震颤与非震颤运动的PD长程运动监控装置,装置基于单轴加速度计,利用高通滤波器区分测试者的主观动作,输出两种动作的持续时间和烈度[65]。2007年,Salarian等人使用一对固定在手腕上的三轴陀螺仪检测震颤,方法上对陀螺仪获得的三轴角速度数据分别处理,首先使用一个截止频率为𝑓𝑐≈0.25Hz的IIR滤波器滤除漂移,然后把信号分割为3s窗宽的信号段,以基于Burg法的自回归(autoregressive,AR)模型做频率谱分析,认为(>0.92%×max的)主峰落在3.5~7.5Hz带内的信号为震颤信号,排除主信号在此频率带内动作的相关分析,如刷牙;对于标记为震颤的信号,对这一段角速度做带通(3.5~7.5H,280°)FIR滤波后计算积分(°)和震颤角速度19 东南大学硕士学位论文均方根(RootMeanSquare,RMS)(°/s)来评价震颤的幅度,最终评价敏感度99.5%、特异性94.2%,与UPDRS相关性r=0.87(P<0.001)[66]。Salarian报告的震颤识别效果比Hoff(特异性和敏感度82%,93%)和VanSomeren(PFs0%~5.9%)等的研究更好[67]。Bó对单关节震颤比较了基于扩展卡尔曼滤波的谐波模型和自回归模型的在线震颤特征拾取分类方式,虽然模型不理想,但仍能简化成三角函数的组合,因此采用了谱估计和RMS误差预测两种方法[68]。2011年,Niazmand基于智能手套的研究中,认为震颤并非一个严格的周期信号而是离散(sporadic)的,不适用FFT方法,提出了一种基于时域阈值的峰谷检测法,加速度在0.07~0.9g之间认为是有效信号,其中阈值以峰谷值的均值和标准差变换得到;并将此频率与震颤评分结合起来,但这个结合与常说的3~8Hz带不同(0~0.5Hz-0分,0.5~0.9Hz-1分,0.9~1.8Hz-2分,1.8~3.4Hz-3分,3.4以上-4分),最终得到了静止震颤敏感性71%、特异性89%、姿势震颤100%,97%的结果[69][70]。2012年,Rigas基于6节点加速度计,以隐式马尔科夫模型(hiddenMarkovmodels,HMMs)的机器学习方法区分静止/姿势震颤、对震颤评级,并尝试从日常生活动作中识别震颤;3Hz低通FIR分离出重力分量和主观运动,3~12Hz带通FIR提取震颤信号,并对两部分分别处理,特征学习时使用1.5s间隔的3s窗,报告在震颤严重程度评价上有87%的准确率[71]。2016年,MdNafiulAlam等人尝试以可穿戴惯性传感器获得信号,以线性支持向量机(LinearSVM)方法机器学习,对震颤分级,研究使用仿真信号训练模型。研究中测量了手腕(9轴传感器)与食指指尖(6轴传感器)的信号,认为手指对震颤的测量分级(88.6%-88.9%)比手腕(78.8-81,8%)准确率高;识别算法对各轴数据分开处理,采用0.25Hz巴特沃斯高通IIR去漂移,对20s总数据加3s离散窗,以Welch法做谱分析,认为20s数据划分的6个三秒窗中,有80%以上落在特征带取3.5~7.5Hz内的,判此20s为震颤,接下来对静止、姿势、指尖、手腕分别计算RMS、主峰的平均峰值、标准差SD,并对这12个参数做SVM,来评价震颤严重程度[12]。2016年,Y.Zhou等人认为正弦波的震颤模型对真实情况简化过度,以指尖震颤为研究切入点,设计5自由度电磁轨和惯性传感器对拇指、食指和手腕进行监测,对重力做自适应低通滤波后,将重力排除出信号,加1s窗对其合位移、RMS、SD进行处理,结果显示所有关节都表现出特殊的频域特征、三个节点的振幅排序为食指>拇指>手腕,做FFT分析,认为震颤信号不全符合单峰模型,在许多情况中,二次谐波(6.9-11.5Hz)起到不可忽视的作用[13]。JeonH等人[14]利用一个小样本,测试了不同UPDRS震颤评分等级下,患者指尖1s内的位移,传感器装在双手的震颤主导手指的指甲的水平方向上,不做PD震颤识别,直接取中间7s做有效数据,计算1s内指尖位移距离,结果显示UPDRS震颤每个等级,1s内的平均位移0分-,1分,11.52mm,2分33.58mm,3分382.22mm。20 第三章震颤事件识别与分析Elble等人的研究表明震颤幅度与TRSs评分的关系与人类感知Weber–Fechner法则(Weber–Fechnerlaw)相符合,即对数相关[15]。3.1.3信号处理原理虽然Niazmand等认为震颤并非一个严格的连续周期信号,不适用FFT方法,但多数研究证明,虽然震颤模型与简单的单峰正弦模型有所偏差,但仍能被功率谱估计的方法识别出。3.1.3.1PSD方法一个信号是功率信号(功率有限),或是能量信号(能量有限)。现实世界中一段时间的震颤信号是一个能量信号。对能量信号来说:+∞∗+∞2𝐸𝑆=∫𝑠(𝑡)𝑠(𝑡)𝑑𝑡=∫|𝑆(𝑓)|𝑑𝑡....................................(3-1)−∞−∞对功率信号来说:𝑃=lim1+𝑇/2(𝑡)|2𝑑𝑡=lim1+∞(𝑓)|2𝑑𝑓=∫+∞lim1|𝑆(𝑓)|2𝑑𝑓..(3-2)𝑆𝑇→∞𝑇∫−𝑇/2|𝑠𝑇𝑇→∞𝑇∫−∞|𝑆𝑇−∞𝑇→∞𝑇𝑇定义𝐸(𝑓)=|𝑆(𝑓)|2.......................................................(3-3)𝑆为能量信号𝑠(𝑡)的能量谱密度。其中𝑆(𝑓)是𝑠(𝑡)的傅里叶变换。定义12𝑃𝑆(𝑓)=lim|𝑆𝑇(𝑓)|.................................................(3-4)𝑇→∞𝑇为功率信号𝑠(𝑡)的功率谱密度。其中𝑠𝑇(𝑡)是𝑠(𝑡)的短截,𝑆𝑇(𝑓)是其傅里叶变换。这两个式子描述了信号的能量是分布在各频率分量上,PSD分析描述具体某个频率分量处分布了多少能量。能量(功率)𝐸𝑆、𝑃𝑆即是PSD曲线下的面积。在数学处理角度来看,处理能量信号和功率信号的差别只是:能量信号中的求面积+∞2𝑑𝑡操作变为求平均1+𝑇/221+𝑇𝑡/22∫−∞|∙|𝑇lim→∞𝑇∫−𝑇/2|∙|𝑑𝑡=𝑇∫−𝑇𝑡/2|∙|𝑑𝑡,这个改动实际上只是差一个系数。Spectralestimation(谱估计)即基于以短信号,描述其功率(能量)在频率上的分布。文献中常用的方法有直接计算法、Welch法、Burg-AR法,此外matlab还提供其他便于计算谱估计的方法。1.周期图法(Periodogram)21 东南大学硕士学位论文周期图法是Matlab实现谱估计最基本的方法,以公式(3-1~4)所展现的PSD定义,直接对fftN点重采样信号做FFT,从而求取功率谱密度估计。在离散的频率点𝑓=𝑘Δ𝑓,其中Δf=fs/fftN。根据matlab的处理方法,实际计算公式是𝑓=(𝑡𝑒𝑚𝑝_𝑓−1)∗Δ𝑓.................................................(3-5)在matlab实现中,除了直接计算外,还可以对这个PSD的周期图估计可以通过spectrum.periodogram产生一个周期图对象(periodogramobject)来计算。周期图是对PSD的有偏估计。期望值2Xf()fs/2L12E=−Pxx()WR(f)dfLfLss−fs/2方差22XfL()2sin2(Lf/fs)var+Pfxx()1fLssLsin2(f/f)其中L是信号长度,Pxx是得到的谱估计结果。为了减少PSD估计的误差,考虑对信号先加窗再做估计、分段估计取平均,进而产生了分段平均周期图法(Bartlett法)、加窗平均周期图法(Welch法)等改进方法。2.分段平均周期图法(Bartlett法)和Welch法估计分段平均周期图法将信号序列x(n),分成互不重叠或固定重叠(如2:1重叠)的小段,对每个小段做功率谱估计,然后再取平均作为整个序列x(n)的功率谱估计。Welch法是一种加窗的分段平均周期图法,在信号序列x(n)分段后,对每一小段信号序列进行加窗(一般用Hamming窗)预处理,再以分段平均周期图法做谱估计,从而减小“频谱泄露”,同时可增加频峰的宽度,提高频谱分辨率。数据段的缩短和非矩形窗的使用使得频谱分辨率下降。在matlab中,以spectrum.welch实现,其偏差fs/212EPˆwelch=−Pxx()WR(f)dfLUss−fs/2对一定长度的数据,Welch法估计的偏差会大于周期图法,因为LLs。3.多窗口法Thompson的多椎体法(Multitapermethod,MTM)在上述方法的基础上,舍弃分段时使用的矩形窗,以离散扁平类球体序列(DPSS,也叫做Slepian序列)获得一组最优FIR滤波器正交窗口(Tapers)计算近似功率谱估计。MTM采用时间带宽积(Time-bandwidthproduct)NW来确定计算功率谱所用窗的数目(2×NW-1)。随着NW增大,功率谱计算次数增多,时间域分辨率升高,频域分辨率降低,功22 第三章震颤事件识别与分析率谱估计波动减小;每次估计中谱泄漏增加,总功率谱估计的偏差增大。对于每一个数据组,可以得到最优的NW。MTM降低了序列始端、末端丢失信息,具有更大的自由度,在估计精度和估计波动方面均有较好的效果,但计算复杂度更高。在matlab中可以以对象spectrum.mtm实现。以上是经典的谱估计方法,4、5则是现代的谱估计方法:4.自回归(AR)方法AR方法对断信号能够获得更高的分辨率。这类方法不直接从数据估计PSD,而是将数据建模成一个由白噪声驱动的线性系统的输出,并估计系统参数。最常用的线性系统模型是全极点模型,它的所有零点都在z平面原点,这样一个滤波器输入白噪声后的输出是一个自回归(AR)过程,因此被称作AR方法。AR方法便于描述呈现尖峰的谱,且具有相对易于求解的系统线性方程。所有的AR方法都会给出如下表示的PSD估计:1pPf()=AR2fps−2/jkff1+a()kespk=1不同的AR方法的差别主要在于估计AR参数𝑎𝑝(𝑘)不同,常用的AR方法有Burg法、Yule-WalkerAR法、协方差和修正协方差法。BurgAR法基于最小化前向后向预测误差的同时满足Levinson-Durbin递归。Yule-WalkerAR法通过计算信号自相关函数的有偏估计、求解前向预测误差的最小二乘最小化来获得AR参数,其结果与最大熵估计器MEM结果一致。协方差算法基于最小化前向预测误差,修正协方差算法基于最小化前向和后向预测误差。对比与其它的AR估计方法,Burg法直接估计反射系数,避免计算自相关函数,AR模型稳定,善于短数据估计、并解决含有低噪声的间隔紧密的正弦信号。Burg法的精度在阶数高、数据长、信噪比高的情况下降低。Burg法计算的谱密度估计也易受噪声正弦信号初始相位影响。matlab中的spectrum.burg对象和pburg函数实现了Burg法另外,最大熵MEM法、Y-W法与此类似,仅采用不同的矩阵计算预测误差。5.MUSIC方法和特征向量分析法(eigenvector,EV法)Schmidt提出的MUSIC算法和Johnson提出的EV算法,也称为子空间法(SubspaceMethods),方法把系统的自相关矩阵R写作时信号自相关矩阵S与噪声自相关矩阵W之和:R=+SW23 东南大学硕士学位论文信号自相关矩阵S的特征向量v扩展成为信号子空间。如果系统包含M个复正弦信号,自相关矩阵阶数为p,则特征向量vM+1至vp+1扩展成自相关矩阵的噪声子空间。选择一个频率估计函数,在一个输入正弦信号频率点上趋于无穷(分母趋于0)。MUSIC估计由下面方程所示:11PfMUSIC()==NNH2eHHffvvevef()kk()k()kp=+1kp=+1EV算法通过自相关矩阵的特征值对求和进行加权:1PfEV()=N2Hvekk()f/kp=+1其中,N是特征向量的维数,𝑣𝑘是输入信号相关矩阵的第𝑘个特征向量;H代表共轭转置,e()f是复正弦信号向量:He()f=1exp(j2f)exp(j2f2)exp(j2f4)……exp(j2f(n−1))Hvek()f等价于傅里叶变换。求和中的特征向量对应了最小的特征值形成噪声空间(p是信号子空间维度)。matlab中以spectrum.music对象和spectrum.eigenvector对象实现。3.1.3.2PSD信号源选择一般认为震颤振幅类似于正弦信号及其频率特征最终体现在人类最易于观察的位移信号上,而文献中,也存在处理其角速度、加速度、位移的不同方法。关于信号的选取,本论文做以下对比考量:加速度、速度、位移(振幅)互为微积分关系,理想情况下,微积分对PSD得到的幅度随积分增加、微分减少,而不对主峰位置产生影响,理应是对位移进行处理最佳。但实际上,如图3-1,采用积分处理时一方面需要不断修正因初值假设错误而造成的直流分量及其积分增加,另一方面,积分对高频噪声有很好的抑制作用,但相应的对低频噪声影响会很大的有增益,使得信号在低频噪声较多时,不能随积分保持信噪比;若初值造成的直流分量修正失败,甚至可能被低频噪声和初值假设错误主导分析。相对的,微分则会减小信号的幅度(能量),且对高频噪声有较大的增幅,而对低频信号作用不大。本文最终认为,如同多数文献中,基于IMU的PSD处理都直接处理其原始信号,本论文也对此步骤的信号不做处理,直接处理其原始信号。24 第三章震颤事件识别与分析图3-1微积分与PSD示意图(a)不加修正的积分,(b)每次积分用本文3.2.3节中设计的高通滤波4器滤波修正,(c)直接微分(𝑓(𝑥)=SGN+ZS,SGN=sin(2∗pi∗()×(1:1000)),ZS=0.1∗50rdmn(1,200))3.1.4准确度衡量与评价原理3.1.4.1准确度衡量指标作为好的诊断试验应在疾病存在时正确地发现疾病事件、疾病不存在时正确地排除疾病事件。本试验的准确度衡量以视频、实验笔录、UPDRS-Ⅲ、病历为诊断标准。在一般的实际诊断标定中,一般选定一个诊断标准或阈值,判断患者是否患病;对本文来说即选定阈值标定出特征事件。因为患者与非患者的指标常有一定重叠,导致诊断不准确。本文主要使用以下常用衡量指标来度量试验的准确度,表3-1为统计原始数据:表3-1准确度衡量四格表诊断试验结果金标准阳性阴性合计患者aba+b非患者cdc+d合计a+cb+da+b+c+d敏感性(Sensitivity,Se),又叫灵敏度、真阳性率(TruePositiveRate,TPR),反映正确诊断的能力:𝑎𝑆𝑒=×100%.....................................................(3-6)𝑎+𝑏特异性(Specificity,Sp),又叫特异度、真阴性率(TrueNegativeRate,TNR),反映正确排除的能力:𝑑𝑆𝑝=×100%......................................................(3-7)𝑐+𝑑25 东南大学硕士学位论文样本较大时,以正态近似估计其标准误和可信区间:𝑝(1−𝑝)(P−𝑢𝛼𝑆𝑝,P+𝑢𝛼𝑆𝑝),𝑆𝑝=√.......................................(3-8)22𝑛样本较小或特异性、敏感性接近1时,需要用精确概率法估计。标准误(StandardError):𝑆𝑒(1−𝑆𝑒)𝑎𝑏𝑆𝐸(𝑆𝑒)=√=√...........................................(3-9)𝑎+𝑏(𝑎+𝑏)3𝑆𝑝(1−𝑆𝑝)𝑐𝑑𝑆𝐸(𝑆𝑝)=√=√........................................(3-10)𝑐+𝑑(𝑐+𝑑)3一致性(AgreementRata),也叫一致率,反映诊断正确例数占比:𝑎+𝑑一致性=×100%............................................(3-11)𝑎+𝑏+𝑐+𝑑其他诸如,假阴性率(FalseNegativeRate,FNR)𝐹𝑁𝑅=1−𝑆𝑒、假阳性率(FalsePositiveRate,FPR)𝐹𝑃𝑅=1−𝑆𝑝、Youden指数(Youden’sindex,J)𝐽=𝑆𝑒−𝐹𝑃𝑅=𝑆𝑒+𝑆𝑝−1、似然比(LikelihoodRatio,LR)、阳性和阴性预测值(PositivePredictiveValue,PPV,FalsePredictiveValue,NPV)等参数也常被用来衡量诊断的准确率,一些参考文献中也采用了这些参数。这些参数与Se、Sp、一致性参数可以互相转换,本文不再赘述。3.1.4.2ROC分析试验结果为定量指标时,取不同临界值(区分点)有不同诊断结果。受试者工作特征曲线(Receiveroperatingcharacteristiccurve,ROC),是对所有诊断阈值的灵敏度和特异度进行综合分析的曲线,用来最终确定临床诊断的最优区分点。ROC曲线横坐标(1-Sp),纵坐标Se,曲线(折线段)连接不同区分点下的值;从(0,0)到(1,1)的连线称为机会线(chanceline),此线上(Se=1-Sp)、(TPR=NRP),即患者和非患者有相同机会诊断为阳性。一般平移机会线,取肩部(Se+Sp最大的点)为最优区分点。ROC曲线下面积(AUC)能综合反应试验准确度。本文ROC分析以SPSS软件辅助完成,ROC分析后,最优区分点的选取及结果输出表格中的参数以公式3-6~11计算。对两条ROC曲线下面积的比较时,可对ROC分析中计算的AUC的标准误进行u检验:𝐴𝑈𝐶1−𝐴𝑈𝐶2𝑢=..............................................(3-12)√𝑆𝐸2(𝐴𝑈𝐶1)+𝑆𝐸2(𝐴𝑈𝐶2)26 第三章震颤事件识别与分析3.2方法3.2.1方法总述开始单轴原始信号加窗IIR滤波滤波单轴加窗滤波信号震颤指示RMSPSD信号(特征)计算(PSD)RMS能量频率……能量>能量阈值震颤否RMS>RMS阈值判据的本窗频率分析是其他轴TF筛选结果置零频率分析有(TremorFlag)和效,成为TF合成按坐标轴加权(TF)震颤占比总TF(TF_s等)否TF>TF阈值患者不震是震颤判定颤,TF判定震颤,TF判无效定有效强度判定不震颤计算S(RMS)评价强度结束图3-2震颤识别方法总述27 东南大学硕士学位论文本文以图3-2方法识别震颤,具体方法实现在以下小节进行详述。其中阈值以PD+T组和健康对照组数据对比确定;识别方法的可靠性说明,以PD-T组、风险T组、无命令坐位实验组、异动并发症组等完成,具体数值确定将在3.3.2中进行详细说明。3.2.2分析数据的选取本章数据以第二章设计实验中的实验1坐位震颤测试和实验6静止站立的数据为分析样本。3.2.2.1节点的选取考虑PD患者震颤发病不对称、上下肢不同时发病,在进行研究时对四肢节点都进行分析;而腰部节点对震颤体现最弱,干扰却较多,不作为标记依据。3.2.2.2坐标轴的选取实际上所有轴数据都应表现出震颤特征,但经过分析,认为实际上6轴数据对于“震颤”信息的包含与表现能力是不同的,盲目地把六轴数据放在等同的地位分析,会使得噪声影响在分析中所占比重增大、进一步影响分析结果。首先,从临床表现入手分析。根据实际对传感器的佩戴情况,X轴沿手臂方向,Y轴垂直与手臂、平行于手平面,Z轴穿过手臂、垂直于手平面(如图3-3示意,描述手与坐标轴);根据PD患者的临床震颤模式(参考ChristopherGGoetzmd的MDS-UPDRS说明视频),可以想见以X轴角速度、Y轴加速度和Z轴加速度表现最为明显。图3-3手部传感器坐标示意图同时理论上,震颤时的加速度、角速度波形主要由震颤运动形成;静止时,仅表现出保持动作造成肌肉紧张而形成的细微运动,加速度角速度波形主要由噪声形成。时域上,震颤28 第三章震颤事件识别与分析状态对比稳定状态下的信号,表现为一组幅度更大的较为杂乱的震荡波型;频域上,震颤状态下的幅频特性表现出更大的幅度、更加明显的主峰,并且主峰落在特定的频带中。而根据本文3.1.3节PSD信号源选择小节中对信号的分析,若震颤的正弦函数特征确实是表现在振幅上,那么对同一段信号来说,角速度信号的表现力应当大于加速度表现力。对比视频观察及频域数据分析结果,结果如图3-4示意,也能够得到与物理模型分析同样的结果。最终认为Y轴加速度、Z轴加速度、X轴角速度这三组数据为震颤的主要特征数据轴,而Y轴加速度、Z轴加速度与X轴角速度有合成关系。认为各轴对震颤的表现能力:X轴角速度>Y轴加速度≈Z轴加速度>Y轴角速度≈Z轴角速度>X轴加速度。可以对特征最明显的这三个坐标轴数据加权后再进行分析,从而得到较优的结果。本方法对6轴分别加权(1,2,2,2,1,1)。图3-4震颤6轴信号示意(a)时域,从上到下依次1~6轴,(b)频域,从左到右从上到下依次1~6轴3.2.3原始数据滤波在本论文中,最主要的影响噪声是测试者自主运动的低频噪声、零点漂移、人体自主的节律运动(如腰部节点有明显的呼吸信号)、(患者)不自主异动。常用的滤波方法有经典高通、带通滤波器(主要用巴特沃斯、切比雪夫、贝塞尔等)方法;自适应滤波方法;小波滤基线漂移方法。本文采用巴特沃斯IIR高通方法滤波。采用双线性法设计IIR高通数字滤波器。1.首先设计归一化模拟低通滤波器原型,通带临界频率𝑓𝑝=0.4Hz,通带内衰减小于rp=0.01;阻带临界频率𝑓𝑠=0.2Hz,阻带内衰减大于rs=10。a)数字域变换为模拟域(角频率转换):𝜔𝑝=𝑓𝑝∗2∗π;𝜔𝑠=𝑓𝑠∗2∗π;2𝜔𝑝2𝜔𝑠b)双线性法预畸变Ω𝑝=𝑡𝑎𝑛,Ω𝑠=𝑡𝑎𝑛𝑇2𝑇2c)以buttord、buttap、zp2tf函数完成滤波器设计:滤波器的归一化、截止频率、阶数选择、零极点和传递函数确定。29 东南大学硕士学位论文2.lp2hp做频率变换成为模拟高通滤波器;3.bilinear函数做双线性变换,从S域变换到Z域,得到数字高通滤波器,图3-5滤波器幅频、相频响应滤波器的应用:初考虑对整段数据做高通滤波后分段处理,处理过程中发现因为整个震颤实验长达30s,实际主观运动的周期性不强,这样的方法对于后方处理的3s窗数据来说,不能很好地滤除主观运动和漂移,转而改为直接对3s窗进行滤波,效果拔萃。图3-6对整段信号和加窗信号的滤波图示,右图的加窗原始信号是经过了对整段信号处理后的信号,仍能看到明显的低频信号,重新滤波后效果良好3.2.4计算震颤指示信号本文如同3.1节所述,采用文献常用的加窗PSD方法判断震颤。首先按照本节的方法分别对每个坐标轴的信号做PSD和RMS计算。3.2.4.1加窗方法窗宽取文献普遍使用的3s窗,认为足够提取震颤信号,也不至于遗漏过多的震颤信号。而考虑PD患者的震颤,在3s小窗内,一般表现为连续震颤,且震颤模型为正弦信号,认为可加连续滑动窗以增加有效信号,但考虑处理速度,每隔0.6s(30点)做加窗识别处理。30 第三章震颤事件识别与分析3.2.4.2PSD方法选取本论文对比了几种PSD方法,对同一段信号的结果如图3-7,对比结果如表3-2表3-2PSD方法对比方法实现方法计算速度频谱图描述FFT直接计fft,maxTime对边缘冲激无处理、谱线多算方法周期图spectrum.periodogra8.5×Time与定义法结果相似,频率分布趋势相同、幅度值有细微差m,periodogram别Welchspectrum.welch,10.5×Time相对周期图法谱线合并、毛刺减少(频率分辨率降低),pwelch,cpsd,减少程度与窗宽参数有关;“去线性”方法对低频(边缘冲激)产生抑制MTM(选用spectrum.mtm,15×Time阶数增加降低频率分辨率,高阶过高会产生谱线偏移4阶)pmtmBurg(选用spectrum.burg,5×Time尖峰消失谱线连续平滑,抑制边缘冲激,高阶频率分辨率14阶)pburg较好但阶数过高会产生谱线分裂MUSICspectrum.music,20×Time以计算速度极慢,谱估计产生谱线合并、保留尖峰,趋势类pmusic上似于直接计算方法其中,计算速度以1点连续滑动窗,连续计算、绘图、评估相同的100组(一般每组4个动作、计算所有5节点的6轴)数据做出估计。在直接计算方法中,绘图花费时间为主(未优化matlab绘制策略),而在其他方法中以PSD花费时间为主,MUSIC方法过于缓慢,在计算完成前就被放弃。图3-7各种PSD方法对同一段震颤信号处理结果示意图最终本文认为,Burg估计法在准确度和计算速度的综合表现上较优,最终选用Burg法做估计。31 东南大学硕士学位论文3.2.4.3RMS判据加入文献常使用RMS定义震颤的严重程度。RMS是物理上定义AC波的有效电压或电流的一种数学方法,是功率的函数。对任意离散信号的RMS计算:∑𝑥2𝑖RMS=√.......................................................(3-13)𝑛本文认为RMS是一种适合于描述运动烈度的参数,且在PD震颤评价上受到了普遍认同,可以用来区分可见的震颤和不可见的细微运动和噪声的影响,因此在判断部分也将均方根纳入考虑。计算时,与PSD分析使用相同的3s窗。3.2.5震颤判据的筛选和合成为筛选有效数据排除静止动作的影响,不能直接以PSD主峰为判据,需要对PSD主峰的计算结果进行筛选;为处理间歇震颤,需要对筛选结果进行进一步的时间维度合成。3.2.5.1PSD主峰的选取由于静止动作仅表现出保持动作造成肌肉紧张而形成的细微运动,加速度角速度波形主要由噪声形成。运动数据与噪声的区分非常重要,否则“静止”时的噪声信号会对分析造成较大的影响。因此必须对PSD主峰直接得到的结果进行筛选,主要为排除静止动作的影响。而无论是传统的类似正弦波还是多次谐波分析的研究,都支持“震颤的幅频特性中,会出现一个幅度上十分明显的主峰”;实际分析时发现有谱线分裂的情况,而BurgAR法结果是平滑曲线,能在一定程度上减弱分裂,但Burg法自身原理问题在高阶时仍无法避免谱线分裂。因此应当直接提取主峰,但又无法以是否存在唯一明显主峰来筛选判据。本文根据主峰幅度和其RMS为依据筛选:PSD主峰频率记为PSD震颤判据,但若主峰幅度过小或RMS过小,认为此信号是噪声主导的静止动作信号,PSD分析结果不宜纳入PSD震颤判据中,此位置记为0。3.2.5.2判据时间维度合成对于主峰选取结果,本论文以PD震颤特征带3.5~7.5Hz震颤带判断,本步骤仍对每一轴数据分别处理。实际的临床情况下,有许多间歇性震颤的例子,虽然每项测试的时间仅短短30s,但也确实存在许多间歇性震颤的例子,如实验后半震颤的情况,或轻度PD患者主观抑制的情况下,32 第三章震颤事件识别与分析确实可能在开始震颤的阶段出现数秒的间歇震颤,再转为较长时间的持续震颤。因此以类似于Alam使用仿真数据处理,以整段时间内80%震颤为病例震颤的判据是不准确的。本论文采用二次加窗分析的方法,在时间维度上合成判据。本系统设定最小判定震颤的区间为2秒,对每2秒再次加窗对PSD震颤判据再做分析:连续2秒窗内,计算的“PSD震颤判据(即PSD主峰选取结果)”有80%落在“3.5-7.5Hz震颤带”中,则认为这2秒震颤。若判定为震颤,此窗后紧接着点与这个震颤窗拼合判定。3.2.6“震颤”的判定方法在震颤判定中,本论文一方面认为健康人也会在短时间被捕捉到类似震颤的信号,另一方面也是为了进一步规避PSD误估计的影响,引入震颤占比概念。先以震颤占比判断患者是否震颤,若判断此患者为震颤,则认为标记的震颤段为有效;若判定此患者不表现出震颤,则前一步标记的震颤段无效。为判断单次实验是不是震颤,本步骤将上一节单轴的震颤判据按照3.2.2提出的加权方法对结果加权,在计算这个加权结果对总时间的占比。即震颤占比并不是实际的时间比,而是加权比。震颤占比考虑以下TF(tremorflag)参数:总𝑇𝐹𝑆:𝑇𝐹𝑆=∑𝑃∑𝐿𝑇𝐹𝐿,𝐴𝑆,𝑃/𝑁,L=LA,RA,LL,RL,P=1,2,3,4....................(3-14)其中𝑇𝐹𝐿,𝐴𝑆,𝑃=𝑇𝐹𝐿,1,𝑃+2∗(𝑇𝐹𝐿,2,𝑃+𝑇𝐹𝐿,3,𝑃)+4∗𝑇𝐹𝐿,4,𝑃+𝑇𝐹𝐿,5,𝑃+𝑇𝐹𝐿,6,𝑃,即1~6轴的加权和AS(axissum);L(limb)指LA左手、RA右手、LL左腿、PL右腿四个肢体(佩戴的节点);P(postural)对应静止震颤rtsi(静坐位)、姿势震颤pt(双手平举位)、睁眼站立rtst1、闭眼站立rtst2四个动作。N是参数总数,作为归一化处理,一般情况是(实验动作数×轴数×节点数=4×6×4),在实验次数不全、单个节点数据损坏的情况下做相应处理。四肢𝑇𝐹𝐿:𝑇𝐹𝐿𝑆=𝑚𝑎𝑥{∑𝑃𝑇𝐹𝐿,𝐴𝑆,𝑃/𝑁},L=LA,RA,LL,..............................(3-15)N一般情况是(实验动作数×轴数×节点数=4×6×1)。最主要轴𝑇𝐹𝑀:𝑇𝐹𝑀=𝑚𝑎𝑥{∑𝑃𝑇𝐹𝐿,4,𝑃}...............................................(3-16)姿势𝑇𝐹𝑃∑𝐿𝑇𝐹𝐿,𝐴𝑆,𝑃𝑇𝐹𝑃=max{}................................................(3-17)𝑁N一般情况是(实验动作数×轴数×节点数=1×6×4)静止震颤𝑇𝐹𝑅𝑇33 东南大学硕士学位论文𝑇𝐹𝑅𝑇=(∑𝐿𝑇𝐹𝐿,𝐴𝑆,𝑟𝑡𝑠𝑖+∑𝐿𝑇𝐹𝐿,𝐴𝑆,𝑟𝑡𝑠𝑡1+∑𝐿𝑇𝐹𝐿,𝐴𝑆,𝑟𝑡𝑠𝑡2)/𝑛...............(3-18)n是完成的静止震颤实验的实验个数,一般情况是3,如有实验缺失做相应调整。姿势震颤𝑇𝐹𝑃𝑇:𝑇𝐹𝑃𝑇=∑𝐿𝑇𝐹𝐿,𝐴𝑆,𝑝𝑡/1................................................(3-19)一组实验是否震颤;以六个TF参数是否大于阈值确定。3.2.7震颤严重程度评价以判据震颤过程中以式3-13计算的RMS求和做震颤严重程度的评价。对每次震颤实验的四肢,定义强度S为落在震颤带中的点的RMS的均值(每轴、每点、每动作)。S=∑𝑅𝑀𝑆/𝑁......................................................(3-20)3.3结果3.3.1结果总述本文人口资料选择合理,以健康和PD+T组对比获得的TF阈值参数约取在10%左右,震颤判定有很好的结果,敏感性91.7%,特异性90.9%,一致性95.8%,对特殊病例、PD-T等的识别效果合乎预期,但对少数不累及手腕的指尖轻微轻微震颤识别效果不理想。对震颤强度评价合乎韦伯定律(心理学),与UPDRS统一性做了对比,但由于数据量不足等原因结果不理想。以上每项的具体情况如下文描述:3.3.2人口资料分析PD+T组要求视频或实验记录有明显震颤;风险组在实验时四肢未见震颤,但有病历(如治疗前有震颤、关期震颤)、主诉、面部震颤、实验前后表现出震颤的病例或实验中极端时间内表现出极其轻微的指尖震颤。有2例患者的不同时间的实验例次被分在PD+T和风险组中。四组选取的性别、年龄、病程、H-Y分期无显著差异,见表3-3,其中值以均值±标准差表示,独立性检验的P值分别使用卡方分析、T检验和单因素方差分析。表3-3一般资料比较PD+T风险TPD-T对照组P值男/女(例)11/1324/2217/145/60.901年龄(岁)64.59±7.78169.00±8.95470.00±7.10466.64±5.4820.076病程(月)106.4±61.08189.6±57.79105.0±62.04-0.525H-Y分期2.64±1.1042.66±0.6242.58±0.797-0.88334 第三章震颤事件识别与分析3.3.3震颤判定3.3.3.1受试者震颤判断,及算法验证说明考虑震颤患者发病过程一般由末端向近心端发展,由单侧发病或单手单脚发病向全身犯病发展的病情发展情况,以患者为单位识别震颤,而不以肢体为单位。震颤患者肉眼可见明显震颤的肢体被检测出震颤为“正确识别”(真阳性)的一组;不考虑不震颤一侧的评估情况(即,如果患者左侧发病,则只要识别出左手左脚震颤,无论右手右脚的评价结果如何,都认为这一组评估正确)。对照组以没有被检测出震颤为“正确识别”(真阴性)的一组。反之,以震颤患者肉眼可见明显震颤的肢体未被检测出震颤为“错误识别”(假阳性)的一组,对照组被以检测出震颤为“错误识别”(假阴性)的一组。对风险病例(风险T)、无震颤标记病例(PD-T),考虑患者发病过程中微小变化不易被肉眼识别,不纳入ROC阈值确定分析,作为震颤识别结果的评估手段之一(不震颤部分)。此外,以在完成标准实验范式的同时(十分钟内)采集到的,无指导者命令的坐位实验数据和异动的特殊病例的识别结果作为本算法的震颤识别结果的评估手段的另一部分。3.3.3.2参数与判定方法能标记出震颤带,如图3-8,分析结果与检测时目测发生震颤标记(视频、实验笔录、UPDRS-Ⅲ、病历等的综合评估标记)可比较。图3-8典型信号示例(a)严重震颤(eID=114_2),(b)明显震颤(eID=21),(c)轻微指尖震颤(识别失败)(eID=133),(d)PD-T(eID=128),(e)健康对照(eID=160),(f)间歇震颤(eID=82)(红线标记识别结果,首尾各有一小段作为加窗边缘没有做判断)35 东南大学硕士学位论文各参数表现,P+T组明显有别于另外三组(P<0.01),另外三组差别不大,均无显著差别(P>0.05),原始数据如图3-9;对各参数单独做ROC分析,获取最优区分点,表3-4。𝑇𝐹𝑆𝑇𝐹𝐿𝑆𝑇𝐹𝑀𝑇𝐹𝑃𝑇𝐹𝑅𝑇𝑇𝐹𝑝𝑡图3-9各TF结果(ROC阈值确定仅分析健康和PD+T组),其中红虚线为ROC分析取得的最优区分点36 第三章震颤事件识别与分析表3-4各判据参数的基本表现及初步处理组别𝑇𝐹𝑆𝑇𝐹𝐿𝑆𝑇𝐹𝑀𝑇𝐹𝑃𝑇𝐹𝑅𝑇𝑇𝐹𝑝𝑡参数P+T(μ±σ)0.4449±0.9193±0.5270±0.6647±0.4649±0.2569±0.365850.553890.335150.450370.25690.31393对照组(μ±σ)0.0202±0.0543±0.0162±0.0463±0.0229±0.0121±0.013350.032950.024870.045030.01740.01103P值0.0000.0000.0000.0000.0020.000最优区分点(P+T与对照0.0406870.1338250.0894910.1199530.1531090.041686组)敏感性90.00%90.00%90.00%90.00%75.00%75.00%特异性90.91%100.00%100.00%90.91%100.00%100.00%一致性90.27%92.97%92.97%90.27%82.43%82.43%根据以上单判据的最优区分点,综合以上6个参数,4个以上判据通过的认为是震颤,1~3个判据通过的,提示为有风险,结果见表3-5。计算敏感性、特异性时,将风险结果合并入震颤结果:仅考虑PD+T和对照组,敏感性91.7%,特异性90.9%,一致性95.8%。表3-5实验震颤判断结果震颤风险不震颤总计P+T221124健康对照组011011总计22211353.3.3.3震颤识别结果评价首先,实验中未表现出明显震颤的PD组的TF值结果如图3-9和表3-6,震颤识别结果如表3-7,震颤识别特异性83.0%。表3-6实验中未表现出明显震颤的PD组的TF值结果分布组别参数𝑇𝐹𝑆𝑇𝐹𝐿𝑆𝑇𝐹𝑀𝑇𝐹𝑃𝑇𝐹𝑅𝑇𝑇𝐹𝑝𝑡P+T(μ±σ)0.4449±0.9193±0.5270±0.6647±0.4649±0.2569±0.365850.553890.335150.450370.25690.31393T风险(μ±σ)0.0309±0.0846±0.0398±0.0555±0.0375±0.0127±0.030180.093350.069500.060350.041320.002056P-T(μ±σ)0.0218±0.0649±0.0300±0.0428±0.0226±0.0173±0.034470.132620.109800.053570.048790.02329对照组(μ±σ)0.0202±0.0543±0.0162±0.0463±0.0229±0.0121±0.013350.032950.024870.045030.01740.01103P值(四组)0.0000.0000.0000.0000.0020.000P值(T风险、P-T、对照)0.3120.5830.6890.6320.1960.518表3-7实验震颤判断结果震颤风险不震颤总计T风险293746P-T062531总计2156277本论文同步收集12例坐位的震颤实验作为验证,此部分实验中无强制命令、无主观周期性运动,有对应正常震颤实验(两实验的时间差在10分钟以内)。37 东南大学硕士学位论文表3-8用作评价坐位震颤识别结果分组对应震颤实验结果自由坐位判定结果例数PD+T震颤震颤2风险T不震颤风险2不震颤4PD-T不震颤不震颤4图3-10评价数据的TF参数表现表3-8结果可以看出自由动作状态的识别结果与实验动作结果相近,略好于实验动作评价结果:10/12例结果一致,2/12例好于震颤实验结果。本论文认为这可能与患者状态有关,但由于本论文未收集健康对照组的日常数据,暂不对此做统计评价。3.3.3.4特殊病例对pID=85病例,有肌张力障碍报告,与PD经典震颤特征不同,不同时间的2次实验的识别结果都为不震颤,符合实际情况。视频复查可见姿势震颤实验时手指轻微颤抖,其他未见明显震颤,不排除指尖震颤微弱难以识别的情况。本论文共收录5例异动病例,识别结果见表3-9,4例识别正确,例数较少不做统计分析。表3-9异动病例震颤识别结果实际情况识别结果识别正确例数明显合并震颤震颤√1不合并震颤轻微风险×1不震颤√33.3.4“震颤程度”评价对判断为震颤和风险组用RMS得到的参数S评价震颤强度,四肢震颤时间占比𝑇𝐹𝐿评价震颤时间和震颤肢体。数据表明,一般𝑇𝐹𝐿最大的肢体对应S最大的肢体,数据可以判断出表现最严重的肢体并判断震颤轻重,与视频和记录有比较。对照组中被识别为不震颤的例次,S=0.1223±0.5300;38 第三章震颤事件识别与分析识别出震颤的例次,S=0.7874±0.99183,范围0.05~3.88,其中视频复查明显震颤的0.8249±0.92738,0.05~3.68。。韦伯1860年提出把最小可觉差(连续的差别阈限)作为感觉量的单位,即每增加一个差别阈限,心理量增加一个单位:𝑆=𝑘log𝐼+𝐶(S为感觉量、K为常数、I为物理量,C是积分常数)。对实验记录的震颤严重程度做0~4分级,对S与分级绘制散点图,如图3-11,符合韦伯-费希纳定律。43.53)2.52RMS(1.5S10.5001234震颤记录严重程度图3-11震颤严重程度分布3.3.5实验动作分析本论文不同于多数文献研究仅以坐位震颤实验作为标准震颤识别动作,而是使用坐位实验和静止站立实验。静止站立时患者无其他动作,发生震颤为静止震颤,采集数据时观察认为,PD患者多在站立时表现出比静坐时更严重且易于观测的震颤。本节对两种实验动作是否可以互成替代做出研究:以与本文3.3.3相同的方法处理数据,仅计算同时做了站立实验和坐位实验的实验例次,结果见表3-10。表3-10站坐实验震颤识别结果对比同时考虑站坐震颤风险不震颤总计P+T181120T风险243036P-T051823健康对照组011011总计20115990仅坐位实验震颤风险不震颤总计P+T145120T风险1102536P-T441523健康对照组02911总计19215090仅站立实验震颤风险不震颤总计P+T162220T风险39243639 东南大学硕士学位论文P-T061723健康对照组011011总计19185390仅考虑确定的PD+T和健康对照组,合并风险结果和震颤结果,三种识别方式仅1例的差别,可以互为替代;但细分结果可以看出结合两实验得到的结果更符合实际情况,以任一单一实验都会降低震颤和不震颤的分化程度,站立实验结果略好于坐位实验,但不明显,这有可能是受到了实验时长的影响。3.3.6与UPDRS的统一性医师在做量表时,会根据患者当时的表现和询问平时的表现来评估。而本设备仅仅是佩戴很短一段时间来评估,因此佩戴本设备的评估方法(即,抽取佩戴这一段时间进行评估)是否能够代替UPDRS量表也是一个评估方面。这同时也是评估以实验范式动作设计的有效性的一个步骤。本论文共收集UPDRS量表震颤评分结果40份,现场收集23份,事后收集17份。四肢震颤评分在1以上的量表评分2.91±2.529(24分总分,实际打分0~10分)。其中,四肢震颤5分以上的共5组,全部在测试时发生震颤并且正确识别;2组量表震颤评分为0,但有实验记录或视频表明实验时发生震颤,并且被识别;具体结果见表3-11,由于事后收集的量表存在与实验不对应的风险,分别讨论。表3-11识别结果与UPDRS-Ⅲ对比UPDRS-Ⅲ识别结果震颤风险不震颤合计实验时打分的UPDRS-Ⅲ震颤(10~3分)4004震颤(4~2分)2147震颤(1分)0033不震颤(0~1分)1179小计721423事后收集的UPDRS-Ⅲ震颤(4~1分)021113不震颤(0分)1034小计121417合计842840两部分表的正确率分别是60.87%、29.42%。说明本论文结果与UPDRS-Ⅲ契合度不高,主要对应测试时的震颤表现。对识别正确的组数考察震颤程度,如图3-12,基本符合递增规律。1.5)1RMS(0.5S0024四肢震颤总分681012图3-12UPDRS与震颤程度40 第三章震颤事件识别与分析3.4分析除了Salarian等人在2007年就做出的使用敏感度99.5%、特异性94.2%的好结果外,后续研究一般对PD震颤的识别敏感度特异性不超过90%。本文认为这表明其样本较好和方法科学。本文比较了文献常用方法的实现原理,根据谱估计结果的特征和计算速度选择了合适的谱估计方法(14阶BurgAR方法),并且对传统方法的处理思路和顺序加以改变,以实现准确率较高的震颤识别。首先把信号分割为3s窗宽的信号段,使用截止频率为𝑓𝑐≈0.25Hz的IIR滤波器对每段滤除漂移,然后以基于Burg法的AR模型做PSD分析,认为落在3.5~7.5Hz带内的信号为震颤信号;对于标记为震颤的信号,对这一段信号种被认为是震颤信号的部分计算震颤角速度RMS(°/s)的均值来评价震颤的幅度。此外,本文还针对特殊病例的数据做了具体分析,对研究方法做了评价,具体如下。3.4.1特殊病例数据特征分析3.4.1.1漏识别病例分析对pID=66,eID=135的病例无法识别震颤,视频复查发现该病患在姿势震颤实验中表现出明显的右手手指震颤,但并未累及手腕。这种情况在风险组中也有数例表现。一是手腕获得的震颤信号太小甚至没有获得震颤信号、二是这种震颤的主要特征轴不同,而被本方法弱化。这一方面指示出本论文的传感器的佩戴位置可能可以优化,3.1节中也提到有部分研究指出指尖比手腕敏感度更高。但实际上,表现出这种手腕难检测、指尖明显震颤的PD患者,十指震颤情况迥异,如单指较明显震颤其余四指不受累,因此可以说要仅根据指尖传感器做出合适的综合评价比手腕评价的难度更大,需要更多的数据库支持研究。另一方面也说明本方法中的坐标轴加权办法在应用到指尖震颤时仍需针对性的优化(在本论文的实验结果中的加权方法结果比不加权结果更好,不加权结果见表3-12)。表3-12坐标轴数据不加权方法的震颤识别结果震颤风险不震颤总计P+T211224健康对照组03811总计241474112对pID=37,eID=66的病例,在3.5~7.5Hz判据下几乎不能被识别,但在3~8Hz判据下识别结果良好。而文献中对PD特征震颤带的描述也并不是统一的精确描述,一方面是存在个体差异,另一方面也说明传统的4~7Hz单峰曲线震颤理论模型仍需进一步的完善。41 东南大学硕士学位论文3.4.1.2误识别病例分析在C组和PD-T组中讨论误识别,不考虑T风险组。控制组有一例被识别为风险,TF接近临界值。TF的实际意义是各轴识别出震颤的时间占比的和,对照组的理论TF应当为0或接近0。表现最差的一组(pId=20,eID=33)所有TF接近临界值,双手都能检测出震颤、左手震颤5%、主要在站立时表现、坐位无表现,观察原始数据确实可见小幅波动,如图3-13,复查发现测试者患有缺血性脑血管病,可能合并了肉眼不可见的轻微特发性震颤,这种震颤与PD震颤类似,临床上一般以频率、负重前后震颤情况、是否对左旋多巴敏感等表现等区分。图3-13对照组中识别最差的案例(eID=33)3.4.2IMU检测震颤及采集数据注意事项结果3.3.2~3.3.5表明IMU检测方法非常直观的反映实验当时的现场情况。震颤检测结果与实验记录、视频复查比较有很高的准确率,但与UPDRS-Ⅲ、病历比较仅有很少的重叠;数例病例(eID=114,67等)在同一状态下的前后两次实验的识别结果不同,而识别结果与震颤实际的发生停止时间有强关联,这些都表明IMU检测震颤需要在测试时发生震颤。但也有结果与预期不符,一是对于少数不累及手腕的指尖轻微震颤的情况难以发现;二是许多PD-T的数据表现甚至比健康对照C组更好。第一应当是由IMU佩戴在手腕上很难检测不累及手腕的指尖震颤引起。而第二点可能是由于C组选取不善——C组主要靠实验者主诉选取,未进行系统排查;但也可能指示PD-T的症状可能使得PD-T组的细微运动更加安定,这还需要进一步的研究。由于PD震颤受药物治疗、环境和情绪变化的影响,以上结果也提示了实验数据采集过程中,进行实验的时间、实验持续长短都需要更好的定义。这样的结果也同时表明IMU测试能区分PD+T的震颤状态和非震颤状态,这适合便携设备的长程观察,可以标记出一天内震颤发生的频率、持续时间、烈度等;但想要发现潜在的P+T患者可能难度较大。结果3.3.6中UPDRS-Ⅲ与实验结果的对比结果尤其是事后收集量表的部分非常不理想,究其原因,一是事后收集到的量表震颤均分低(不可控因素)、且并不保证能对应到实验时42 第三章震颤事件识别与分析间,很大一部分评分低的患者并不表现出持续震颤,而在实验时容易情绪紧张,使得震颤消失,这种情况,如前述分析,IMU难以测量,因此无论现场收集还是事后收集的量表的低评分量表的自动识别效果都不很好;二是收集到的量表虽然是现场评分,但一般是在实验前后(一小时内)完成,而非依赖实验视频,不排除患者因为药效等原因导致实验时状态不同;三是收集的量表分别由多名医生完成(现场收集的全部由一位医生评价),其主观差异可能也导致了结果的差异。这提示了量表收集和对应实验的难度,而在今后的工作中也必须注意量表收集。3.5本章小结本章从震颤的病理表现和文献记录出发,比较了各种方法。以IIR高通滤波器滤波,计算PSD的方法采用了基于Burg法的现代AR方法,结合PSD分析与RMS结果,对PD患者震颤事件做出了识别和严重程度判断。总体来说,可以认为可穿戴IMU结合本论文方法能够较真实地反映实验当时患者的震颤情况,但佩戴在手腕的IMU对于不累及手腕的指尖震颤、和潜在震颤的发现能力不能达到预期。进一步的研究应当结合IMU硬件研究做进一步展开。43 东南大学硕士学位论文44 第四章步态与冻结步态识别第四章步态与冻结步态识别4.1背景PD患者步态多表现为小步走、身体前屈、步速有加快趋势。典型病态表现有“双脚仿佛粘在地上无法走动”的冻结步态和“拖步走”的慌张步态。冻结步态作为帕金森病患者的一个典型受损步态表现,可以较明确地区别于其他病症,也是诱发患者跌倒的一个重要原因。识别患者是否在测试过程中表现出冻结步态甚至是冻结步态倾向对PD的确诊、分级和治疗都有重要意义。根据Yogev等人的研究,冻结步态是一种多重受损步态共同的作用结果,且可能是一个序列反应的结果,或者说是整体步态表现和触发器(步长步速等参数改变或注意力转移等)的共同结果[23]。Plotnik等基于轨道压力传感器的研究FOG,认为FOG与多种受损步态(如节律控制、步态对称性、双侧协调性等、多样姿势控制、步幅变化等)有关,而这些受损步态又相互成为诱因,最终共同形成FOG:在步态周期中的步态损伤及执行力不足为FOG提供了基础,并在STN-DBS实验中,提出了一种可能:不对称→步长长的腿迎合步长短的腿→PD病人调节失败→恶性循环(在一次次的调节中步长越来越短)→FOG,即步幅减小、步态不对称性增加先于FOG发生;并且认为,FOG能够由一些外因如语音、节奏暗示等方式来减轻,而可穿戴设备在实现了对FOG的实时检测后,很容易实现这些提示[36]。ChlinM.等人在2010年设计了针对PD患者FOG的准实时识别并做出修正步态识别命令(节拍器暗示)可穿戴的设备[19],以患者和专家对设备有效性做问卷评估,认为设备对FOG的在线自动识别的敏感性为73.1%、特异性为81.6%;设备的佩戴位置为腰侧面、同一条腿的膝盖上方和脚踝上方,腰带正后方佩戴便携式的小型处理计算机,耳机带在脖子上,其识别算法参考MooreS.T.等人在2008年的研究[18]:Moore对PD+FOG、PD-FOG和C组做功率谱密度(PSD)分析,认为FOG伴随2-6Hz下肢震颤,而站立时无,行走为1Hz,踏步2Hz,关期的踏步频率平均1.9Hz(0.6Hz-3.2Hz),并伴随拖步走的慌张步态。而在转身和越过障碍时的FOG无明显差别,因此合并为一项分析。在转身和越过障碍时,如果产生FOG,则能量谱有明显的极大点,但正常行走时则没有。并以此为依据,定义FI(Freezeindex)及其临界线(freezethreshold),即3~8Hz冻结带来识别FOG;文章指出,定制个人的FOG临界线能够提高检测的准确性和敏感性。慌张步态与FOG步频相近,但能量谱能然能够区分两种情况。45 东南大学硕士学位论文本文认为Moore的方法(在本章中称为原方法)值得参考并且有一定的改善空间,在本章中对Moore的方法进行复现、做出改善假设,对比原方法与改善方法的结果,并以最优方法对PD-FOG组做进一步的风险分析。Moore的方法根据FOG持续时间的统计结果确定窗宽,并进行下一步主频分析。其理论依据主要为,窗宽不足周期会造成错误分析;窗宽过大,则会在FOG附近造成有效信号的遗漏或误判。本文认为除了上面的因素以外,还应考虑以下因素:步行是一个幅度、周期都在不断变化的动作,在起止、转弯、绕障的步态变化位置附近有非普通步行信号干扰,且FOG经常出现在这些步态变化的位置,不能简单排除这些数据的相关分析。因此窗宽过宽,原信号的周期性分析反而可能被破坏。同时,有许多PD患者,尤其是PD+FOG患者的步行信号通常较健康老年人的小,而FOG信号的幅度往往越来越小并趋于停止,使得信号分析易受噪声影响。在固定窗宽的分析方法中,无法确定加窗位置,步态相位和加窗的位置一般无法匹配;滑动窗则必然在步态变化处伴随冲激影响。最终,不确定的加窗位置、小信号和零点漂移和噪声的叠加影响,让实际数据偏离理想模型,使步态变化处容易造成误判。考虑一般步行、踏步、FOG的主频都应落在1Hz以上,窗宽应在1s以上;FOG基于步态表现,步行是一个近似的周期运动,FOG时,虽然周期破坏,但仍可近似为周期运动,做PSD分析加窗时,窗宽理应接近并稍大于步行周期。基于以上几点,本文提出一种结合时域分析标定步态周期分段,并对分段信号进行频域分析以识别FOG的优化方法。结合时域分析标定步态周期能够更好地控制窗宽与实际信号的比例和加窗位置,在一定程度上减小因窗内信号复杂造成的误判。另外,本文按照Moore的叙述,和对实际频域信号的分析(见《4.2.5频域步态标记-频域步态分析》小节中图4-10中对FOG步态信号分析的举例),从信号分析的角度提出以下假设:FOG检测信号是由FOG特征信号和正常步态信号的叠加,模型如图4-1。因此修改方法中频谱分析特征提取部分中的“直接提取主峰再检测”为“提取3-8Hz段的主峰,检测其是否有足够大的幅度(不是静止站立的噪声信号)”。图4-1FOG信号合成假设的信号流图46 第四章步态与冻结步态识别此外,本文认为,即使是健康对照组,也不能保证步行过程中完全不出现与FOG患者类似的步态,如图。因此,引入输出“FI=1占比”来区分PD+FOG和健康对照组。4.2方法4.2.1方法总述本章数据以第二章设计的实验2.单任务双任务行走对比的数据为分析样本。图4-2方法总述示意图Moore的FOG识别总思路,如图4-2-(a):原始信号(X轴加速度)加窗做PSD获得主频,将有效主频(频率)存为FI,以FI的阈值法确定FOG片段(如图中红色绘制的信号)。本文对比Moore的“以固定窗宽处理”的方法,本文主要对加窗方法做出改进,如图4-2-(b):以时域分析获得步态周期(GaitCycle,GC)为参数,控制加窗的位置和窗宽,再加窗做PSD获得FI,标记FOG。此外本文与Moore不同,不做实时要求、每次实验行走路程接近。为降低误诊率,增加了根据“被标记出FOG占整段实验的比重”判断“本次实验中是否发生FOG”的中间步骤:47 东南大学硕士学位论文在时域分析同时,标记出了每个GC的4个步态特征点,根据其表现,大致标记了病态步态;在频域分析时,根据能量表现,标记了步态中的“转弯”时间段;最后,根据步态是否被预标记为“病态”或“转弯”,对分析中得到的FI做加权处理,处理结果为FF(FOGFlag);以FF判断本次实验中标记的FOG是否为偶发误标记。4.2.2节点的选取FOG主要是一个发生在正常走路过程中的“腿仿佛黏在地上、无法抬腿走路”的动作片段,左右腿的两个节点检测的信号适合用于FOG检测。图4-3PD+FOG病人行走时的五个节点的信号实例4.2.3坐标轴的选取图4-4腿部分析坐标实物图48 第四章步态与冻结步态识别首先做不同加速度坐标轴的观测,考虑现实情况的XYZ轴对应,把躯干Y轴和四肢Z轴做同一组分析;同理,躯干Z轴与四肢Y轴同组分析。根据实际情况与观察,步态分析部分可以在加速度、角速度中选一个特征轴进行分析即足够分析步态特征,选取特征最明显的轴:在涉及加速度时以X轴(竖直轴)为主要特征轴;角速度以绕Z轴角速度(Z轴方向向左指向侧向)为主要特征轴。根据实际情况分析,加速度与角速度的选取是相符的。注:下文中,为简便起见将XYZ轴加速度XYZ轴角速度对应称为1~6轴信号。图4-5实际情况下右腿六轴信号4.2.4时域步态标记图4-6步态周期左为z轴角速度,右为示意图49 东南大学硕士学位论文一个正常人的步态周期按四期分析法可以分为四个特征段,左腿摆动相前后期(即右腿支撑相前后期),左腿支撑相前后期(即右腿摆动相前后期),包含摆动相中期、脚跟着地点、支撑相中期和脚趾离地点四个特征点,其Z轴(侧向轴)角速度信号和示意图如图4-6。其中时域标定的具体方法叙述如下:4.2.4.1定义状态参数gait_flag:0-假定正常(matlab绘图线色:k)1-可用作步态分析的病态(非正常)步态b(能估算出4个特征点,并进行下一步分析,但与正常步态模型相差较大)、2-可做步态分析的FOGy3-不可分析FOG步态r4-正常转身g5-站立(无动作,也不分析)m:6-明显非正常步态m(只能标出两个特征点)7-其他c4.2.4.2检测步态特征点,确定步态周期假设最大合理步宽max_GC=2.5s和最小合理一步窗宽min_GC=0.7s,认为老年人正常走路一个步态周期不长于2.5秒,而0.7s内无法完成一个步态周期。1.静止识别:在max_GC内,如果3轴加速度的极差(最大值最小值差)均小于0.1g,认为本段静止:(伪码)fori=1:length(signal)if(max(𝑎𝑥(𝑖:𝑖+max_𝐺𝐶))−𝑚𝑖𝑛(𝑎𝑥(𝑖:𝑖+max_𝐺𝐶))<0.1×𝑔&&max(𝑎𝑦(𝑖:𝑖+max_𝐺𝐶))−𝑚𝑖𝑛(𝑎𝑦(𝑖:𝑖+max_𝐺𝐶))<0.1×𝑔&&max(𝑎𝑧(𝑖:𝑖+max_𝐺𝐶))−𝑚𝑖𝑛(𝑎𝑧(𝑖:𝑖+max_𝐺𝐶))<0.1×𝑔)gait_flag(i:i+max_GC)=5;endend50 第四章步态与冻结步态识别理论上,此处应当还有“合加速度大小在0.9~1.1g的范围内“的条件,但由于零点漂移,合加速度条件有一定不满足的比例,且无法通过放宽阈值来弥补;考虑人体很难出现2.5秒内做匀加速运动的情况,因此多数情况下,满足极差条件即可认为是静止。因此,本步骤省略合加速度条件。2.用阈值法预选脚跟着地点heel:首先标记出谷值位置,若谷值小于阈值-20,则预选此点为脚跟着地点。findValley;if((valley)<-20)heel=time(valley);end3.检测两相邻脚跟着地点之间的距离,以实际周期表现来修正或排除判断错误的点:a)小于最小合理一步窗宽min_GC:认为角速度数值较大的一个点是错误识别点,删除该点。b)大于最大合理一步窗宽max_GC:标记非正常步态。若包含静止,则整段标记静止。change_flag=1;whilechange_flag=1change_flag=0;fori=1:length(heel)if(time(heel(i+1))-time(heel(i))
此文档下载收益归作者所有