一种基于机器学习的原发性震颤患病程度的判断方法技术

本发明专利技术涉及计算机数据处理技术领域，更具体地，涉及一种基于机器学习的原发性震颤患病程度的判断方法。基于机器学习的辨别原发性震颤疾病程度的回归模型，对于训练完成的回归模型，仅需要使测试者在电子手写板上书写一些汉字即可计算出测试者患有原发性震颤的程度。

【技术实现步骤摘要】
一种基于机器学习的原发性震颤患病程度的判断方法
本专利技术涉及计算机数据处理
，更具体地，涉及一种基于机器学习的原发性震颤患病程度的判断方法。
技术介绍
原发性震颤(EssentialTremor，ET)是一种常见的运动障碍，又称为特发性震颤、良性震颤。患有原发性震颤的病人中，约有60％有家族史，因此又称为遗传性震颤或家族性震颤。多项研究显示，本病平均起病年龄为45岁，发病率为0.14％至5.10％，70岁以上人群发病率高达12.6％。其临床症状为震颤，表现为姿态性或动作性震颤，姿态性震颤即在保持某一姿势时震颤最明显，动作性震颤患者很少在静止时出现震颤。震颤通常从一侧手开始，并逐渐扩散至整个上肢和对侧上肢，向上可至头和咽喉部肌肉。震颤频率一般为4Hz至12Hz。原发性震颤虽然被看作是一种良性震颤，但部分患者的严重震颤会妨碍手完成精细动作，喉肌受累时会影响发音，更甚者丧失独立生活能力。帕金森病(Parkinson’sDisease,PD)与原发性震颤在某些病例上具有类似的特征，因此有时在诊断时难以确定，此时可以对患者进行SPECT-DAT扫描测试，然而这种测试非常昂贵。在此背景下，通过采集患者行为信息进行分析的系统将成为首选，因为大多数患者认为语音分析、手写分析或绘图分析没有压力，且这些技术的成本很低，对采集设备的要求也不高。此外，在判断患者的患病程度方面，还没有一个量化的指标，目前仅靠医生的判断而给出一个模糊的形容。传统的笔记分析都是离线进行的，因为只有纸张上的笔画可以进行分析，电子手写板可以同时收集手写数据和时间信息，同时还可以采集到设备表面的压力、手写笔和手写板的夹角，甚至可以采集手写笔在空中运动的轨迹。对这些数据的集成分析可以很好的对原发性震颤病例的诊断。对于原发性震颤而言，医务人员通常使用手写任务来诊断。
技术实现思路
为此，需要提供一种基于机器学习的原发性震颤患病程度的判断方法，基于机器学习的辨别原发性震颤疾病程度的回归模型，对于训练完成的回归模型，仅需要使测试者在电子手写板上书写一些汉字即可计算出测试者患有原发性震颤的程度。为实现上述目的，本专利技术采用如下技术方案：一种基于机器学习的原发性震颤患病程度的判断方法，它包括以下步骤，步骤一、从汉字字库中挑选N个汉字作为评估原发性震颤疾病时测试者需要书写的测试字，其中N≥1；步骤二、采集健康人和原发性震颤患者使用电子笔在电子手写板上书写测试字时的数据作为样本数据；步骤三、对采集到的样本数据进行预处理；步骤四、将样本特征整理成相同结构，以供训练使用；步骤五、对SVR回归模型训练，回归结果为患病程度系数；保存训练后的回归模型数据；步骤六、采集测试者在电子手写板上书写的测试字的数据，并对采集的数据按照步骤三和步骤四进行处理，输入到步骤五训练好的SVR回归模型，得到患病程度系数。本技术方案进一步的优化，步骤二中采集的样本数据包括电子笔在电子手写板上未接触手写板的时间，电子笔在电子手写板上接触手写板的时间，笔尖坐标X和Y，笔尖与水平面的夹角O，笔尖与垂直面的夹角A，笔尖对电子手写板的压力。本技术方案进一步的优化，步骤三中样本数据预处理，具体包括检查采集到的数据是否有错误，若有则丢弃错误数据。比如对于测试者书写时出现中断，或者记录时出现明显的不符合常识的数据，若有则直接丢弃该组数据。对时间特征进行归一化处理，将同类数据映射到-1至1之间的小数，可使用下式对数据进行归一化：对笔尖X轴数据、Y轴数据、笔尖与水平面的夹角O、笔尖与垂直面的夹角A进行傅里叶变换，获得前50hz频域数据；计算记录的压力数据的最大值、最小值、平均值、中位数和方差。本技术方案进一步的优化，步骤四具体为，对经过预处理的特征结构化如下：X＝[TupTdownfXfYfOfAFmaxFminFaveFmidσF2]T其中Tup表示经归一化处理后电子笔在电子手写板上未接触手写板的时间，Tdown表示经归一化处理后电子笔在电子手写板上接触手写板的时间，fX和fY表示笔尖X轴和Y轴数据的频率向量，fO和fA表示笔尖与水平面的夹角O、笔尖与垂直面的夹角A的频率向量，Fmax,Fmin,Fave,Fmid,σF2分别表示压力数据的最大值、最小值、平均值、中位数和方差。此外，还需要医生给出患者的患病程度。本技术方案进一步的优化，步骤五中SVR回归模型为：建立SVR回归模型的优化目标为：ξi∨≥0,ξi∧≥0区别于现有技术，上述技术方案具有如下优点：针对传统的检测方法，对测试者的检验需要由有经验的医生对其书写的汉字进行判断，而本专利技术通过搜集一个样本集进行回归模型的训练，最终使用回归模型对测试者进行预测，不需要有经验的医生在旁指导，同时可以获得关于患者病情的评估，对应的经济开销也将大大减少，并且本专利技术诊断一个测试者的病情的速度也将比人工诊断提高很多。附图说明图1为基于机器学习的原发性震颤患病程度的判断方法执行流程图。具体实施方式为详细说明技术方案的
技术实现思路
、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。请参阅图1所示，本专利技术优选一实施例一种基于机器学习的原发性震颤患病程度的判断方法，包括如下步骤：步骤一：从汉字字库中挑选10个汉字作为评估原发性震颤疾病时测试者需要书写的测试字。步骤二：收集健康人和原发性震颤患者的在电子手写板上书写步骤一选出的汉字时的数据。这些数据包括：电子笔在电子手写板上未接触手写板的时间，电子笔在电子手写板上接触手写板的时间，笔尖坐标X和Y，笔尖与水平面的夹角O，笔尖与垂直面的夹角A，笔尖对电子手写板的压力。步骤三：对收集到的数据进行预处理。检查采集到的数据是否有明显错误，比如对于测试者书写时出现中断，或者记录时出现明显的不符合常识的数据，若有则直接丢弃该组数据。对时间特征进行归一化处理，将同类数据映射到0至1之间的小数。可使用下式对数据进行归一化：其中Tup/down表示电子笔在电子手写板上未接触手写板或接触手写板的时间，Tup/down'表示归一化后的时间数据。对笔尖X轴数据、Y轴数据、笔尖与水平面的夹角O、笔尖与垂直面的夹角A进行傅里叶变换，获得前50hz频域数据。傅里叶变换是一种分析信号的方法，它可以分析信号的成分，将数据表现在频域空间，可以根据下式将数据从时域空间转换到频域空间：对于SVR回归模型而言，如果训练数据直接使用时域信息，由于时域信息的震荡极大，且类似样本之间的差异也很大，训练出的模型过拟合概率很大，将训练数据转换成频域信息后，数据量变少的同时，特征差异也变得明显，更容易进行拟合。计算记录的压力数据的最大值、最小值、平均值、中位数和方差。此外，还需要医生给出患者的患病程度，用来作为回归训练时的标签。患病程度和对应的量化数据如下：患病程度量化数据健康0.0轻微0.25中等0.5较严重0.75严重1.0步骤四：将样本特征整理成相同结构，以供训练使用。对经过预处理的特征结构化如下：X＝[TupTdownfXfYfOfAFmaxFminFaveFmidσF2]T其中Tup表示经归一化处理后电子笔在电子手写板上未接触手写板的时间，Tdown表示经归一化处理后电子笔在电子手写板上接触手写板的时间，fX和fY表示笔尖X轴和Y轴数据的频率向量，fO和fA表示本文档来自技高网...

【技术保护点】
1.一种基于机器学习的原发性震颤患病程度的判断方法，其特征在于：它包括以下步骤，步骤一、从汉字字库中挑选N个汉字作为评估原发性震颤疾病时测试者需要书写的测试字，其中N≥1；步骤二、采集健康人和原发性震颤患者使用电子笔在电子手写板上书写测试字时的数据作为样本数据；步骤三、对采集到的样本数据进行预处理；步骤四、将样本特征整理成相同结构，以供训练使用；步骤五、对SVR回归模型训练，回归结果为患病程度系数；保存训练后的回归模型数据；步骤六、采集测试者在电子手写板上书写的测试字的数据，并对采集的数据按照步骤三和步骤四进行处理，输入到步骤五训练好的SVR回归模型，得到患病程度系数。

【技术特征摘要】
1.一种基于机器学习的原发性震颤患病程度的判断方法，其特征在于：它包括以下步骤，步骤一、从汉字字库中挑选N个汉字作为评估原发性震颤疾病时测试者需要书写的测试字，其中N≥1；步骤二、采集健康人和原发性震颤患者使用电子笔在电子手写板上书写测试字时的数据作为样本数据；步骤三、对采集到的样本数据进行预处理；步骤四、将样本特征整理成相同结构，以供训练使用；步骤五、对SVR回归模型训练，回归结果为患病程度系数；保存训练后的回归模型数据；步骤六、采集测试者在电子手写板上书写的测试字的数据，并对采集的数据按照步骤三和步骤四进行处理，输入到步骤五训练好的SVR回归模型，得到患病程度系数。2.如权利要求1所述的基于机器学习的原发性震颤患病程度的判断方法，其特征在于：所述步骤二中采集的样本数据包括电子笔在电子手写板上未接触手写板的时间，电子笔在电子手写板上接触手写板的时间，笔尖坐标X和Y，笔尖与水平面的夹角O，笔尖与垂直面的夹角A，笔尖对电子手写板的压力。3.如权利要求1所述的基于机器学习的原发性震颤患病程度的判断方法，其特征在于：所述步骤三中样本数据预处理，具体包括检查采集到的数据是否有错误，若有则丢弃错误数据；对时间特...

【专利技术属性】
技术研发人员：段峰，黄梓浩，孙哲，乔治·苏来·卡萨尔斯，
申请(专利权)人：南开大学，
类型：发明
国别省市：天津,12