一种运动障碍症状量化评估模型的建模方法技术

本发明专利技术涉及运动障碍症状评估技术领域，提供一种运动障碍症状量化评估模型的建模方法，包括：步骤100：采集人体动作数据，建立人体动作识别模型；步骤200：提取患者的震颤特征和运动迟缓特征，并进行皮尔逊相关性分析；步骤300：获取患者的步态参数；步骤400：得到运动障碍特征集；步骤500：基于全连接神经网络，建立运动障碍症状量化评估网络；利用运动障碍特征训练集对运动障碍症状量化评估网络进行训练，利用运动障碍特征测试集对运动障碍症状量化评估网络进行测试，最终获得运动障碍症状量化评估模型。利用本发明专利技术所提出的量化评估模型能够较准确的对患者的运动障碍症状进行分级评估。估。估。

【技术实现步骤摘要】
一种运动障碍症状量化评估模型的建模方法


[0001]本专利技术涉及运动障碍症状评估
，尤其涉及一种运动障碍症状量化评估模型的建模方法。

技术介绍

[0002]帕金森等运动障碍性疾病和脑卒中临床上会出现运动障碍症状(运动迟缓、静止性震颤、肌强直、姿势平衡障碍等)，帕金森病等运动障碍性疾病初期患者首先出现运动障碍症状，而脑卒中、偏瘫等疾病中后期以运动功能障碍为主要表现。运动障碍症状的评估对于帕金森等运动障碍性疾病的诊断和脑卒中等疾病的康复评定具有重要意义。
[0003]目前，针对运动障碍症状的临床评估大多依赖医学量表，例如最常见的运动障碍性疾病帕金森病依据运动障碍学会统一帕金森病评定量表(Movement Disorder Society
‑
Unified Parkinson＇s Disease Rating Scale，MDS
‑
UPDRS)来评估。这种评估方式临床上被广泛使用，但存在一定的弊端：消耗大量时间且在分析上存在一定程度的主观性，导致不同医生的评估结果之间存在差异。与此同时，评估结果不同对疾病的治疗与康复也会有影响，随之而来的就是治疗效果和康复效果的评估也存在着一定的难度。
[0004]运动障碍症状的临床评估中，研发一种智能的、客观的运动障碍症状量化分析有段是有必要的。目前，医学工程等研究领域尝试用惯性传感器、肌电传感器或视频的方式对运动障碍症状进行量化评估，而临床中，患者病情发展程度不同，单一传感器的方式难以解决所有的实际问题，在实际条件下，患者比正常人的动作具有随意性以及无序性，增加了动作识别以及量化特征提取的难度；许多研究者在进行运动障碍症状量化研究时通过机器学习或深度学习，对正常人和帕金森等运动障碍性疾病患者的惯性数据或视频数据进行分类识别，有效区分了正常人和帕金森等运动障碍性疾病而忽略了对运动障碍症状的量化分级评估，另外通过单一传感器获取的信息不全面易导致评估结果不够准确。现有基于多种模态信息的运动障碍症状的量化分析技术过程繁琐、操作复杂且大多要求实验室环境，不适合临床应用，另外所提取特征提取不够全面，量化分级程度精细度较低。
[0005]本专利技术结合多源信息对提高运动障碍症状的临床测试动作的识别性能有很大提升，利用多模态信息提取的多维度、高效率的运动障碍特征对于运动障碍症状的高精细度量化分级评估有着非常重要的价值，而便捷的、智能的、客观的疾病量化分析有段对疾病的治疗和康复评估具有重要意义。

技术实现思路

[0006]本专利技术主要解决现有技术的难以全面客观量化的评估帕金森等运动障碍性疾病和脑卒中的运动障碍症状的技术问题，提出一种运动障碍症状量化评估模型的建模方法，能够有效的克服由人工主观分析患者临床症状的弊端，本专利技术所提出的特征提取方法所提取的多种运动障碍特征都与神经内科专家的量表评分具有显著相关性，而利用本专利技术所提出的量化评估模型能够较准确的对患者的运动障碍症状进行分级评估。
[0007]本专利技术提供一种运动障碍症状量化评估模型的建模方法，包括以下过程：
[0008]步骤100：采集人体动作数据，建立人体动作识别模型；
[0009]步骤200：提取患者的震颤特征和运动迟缓特征，并进行皮尔逊相关性分析；
[0010]步骤300：获取患者的步态参数；
[0011]步骤400：利用步骤200得到的震颤特征、第一运动迟缓特征、第二运动迟缓特征以及步骤300得到的步态参数，得到运动障碍特征集，将神经内科专家的医学量表评分作为标签；并将运动障碍特征集按比例随机划分为运动障碍特征训练集和运动障碍特征测试集，随机选择运动障碍特征训练集的一部分作为运动障碍特征验证集；
[0012]步骤500：基于全连接神经网络，建立运动障碍症状量化评估网络；利用运动障碍特征训练集对运动障碍症状量化评估网络进行训练，利用运动障碍特征测试集对运动障碍症状量化评估网络进行测试，最终获得运动障碍症状量化评估模型。
[0013]进一步的，步骤100，包括如下步骤101
‑
步骤103：
[0014]步骤101：利用分别固定于人体不同部位的N个惯性传感器节点，采集人体动作数据；利用视频采集设备采集人体动作视频；
[0015]步骤102：利用滑动窗口分割技术，对每个可穿戴传感器节点所采集的人体动作数据进行窗口分割，得到每个可穿戴传感器节点的多个动作数据片段；
[0016]步骤103：利用每个惯性传感器节点的多个动作数据片段，形成动作数据集，将动作数据集按比例随机划分为动作数据训练集和动作数据测试集，随机选择动作数据训练集的一部分作为动作数据验证集；
[0017]步骤104：建立动作识别网络；
[0018]步骤105：利用动作数据训练集，对动作识别网络进行训练，得到动作识别模型；并利用动作数据验证集上对动作识别模型进行验证；利用动作识别模型测试集，对动作识别模型进行测试，获得性能最佳的人体动作识别模型；其中，所述人体动作识别模型识别的动作类别包括：震颤动作、运动迟缓动作或步态动作。
[0019]进一步的，所述动作识别网络包括：一个FCN模块和一个LSTM模块；输入变量个数为v；变量并行作为输入，每个时间序列的输入长度为l帧；
[0020]所述FCN模块包括K个卷积层；
[0021]所述LSTM模块的时间步长设置为m；在LSTM模块之前设置一个注意机制，在LSTM之后设置一个dropout层；
[0022]LSTM模块中的注意力机制如下式所示，将LSTM模型注意力集中在不同维度的变量：
[0023][0024]其中，w
i
为ν
i
的权重之和，每个ν
i
的权重σ
i
定义为σ
i
＝f(ν
i
)
⊙
ν
i
'，
⊙
为Hadamard积，f(
·
)为一个全连接层；
[0025]代价函数包括L2正则化和类不平衡损失函数两部分：
[0026][0027]其中，类别为i时，y
i
＝1，否则y
i
＝0；k是类别个数，p是模型的输出；β
i
根据下式计算：
[0028][0029]其中，n
i
表示j类的样本数，δ为超参数。
[0030]进一步的，步骤200，包括如下步骤201
‑
步骤204：
[0031]步骤201：对于震颤动作的动作片段，提取其震颤特征；所述震颤特征包括：加速度、角速度和表面肌电信号的差值的均方根、样本熵、均值、方差、协方差、偏度、峰度；
[0032]步骤202：对于运动迟缓动作的动作片段，提取的第一运动迟缓特征；并对其对应的人体动作视频片段提取第二动作迟缓特征；
[0033]所述第一运动迟缓特征包括：加速度和角速度的峰
‑
峰本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动障碍症状量化评估模型的建模方法，其特征在于，包括以下过程：步骤100：采集人体动作数据，建立人体动作识别模型；步骤200：提取患者的震颤特征和运动迟缓特征，并进行皮尔逊相关性分析；步骤300：获取患者的步态参数；步骤400：利用步骤200得到的震颤特征、第一运动迟缓特征、第二运动迟缓特征以及步骤300得到的步态参数，得到运动障碍特征集，将神经内科专家的医学量表评分作为标签；并将运动障碍特征集按比例随机划分为运动障碍特征训练集和运动障碍特征测试集，随机选择运动障碍特征训练集的一部分作为运动障碍特征验证集；步骤500：基于全连接神经网络，建立运动障碍症状量化评估网络；利用运动障碍特征训练集对运动障碍症状量化评估网络进行训练，利用运动障碍特征测试集对运动障碍症状量化评估网络进行测试，最终获得运动障碍症状量化评估模型。2.根据权利要求1所述的运动障碍症状量化评估模型的建模方法，其特征在于，步骤100，包括如下步骤101
‑
步骤103：步骤101：利用分别固定于人体不同部位的N个惯性传感器节点，采集人体动作数据；利用视频采集设备采集人体动作视频；步骤102：利用滑动窗口分割技术，对每个可穿戴传感器节点所采集的人体动作数据进行窗口分割，得到每个可穿戴传感器节点的多个动作数据片段；步骤103：利用每个惯性传感器节点的多个动作数据片段，形成动作数据集，将动作数据集按比例随机划分为动作数据训练集和动作数据测试集，随机选择动作数据训练集的一部分作为动作数据验证集；步骤104：建立动作识别网络；步骤105：利用动作数据训练集，对动作识别网络进行训练，得到动作识别模型；并利用动作数据验证集上对动作识别模型进行验证；利用动作识别模型测试集，对动作识别模型进行测试，获得性能最佳的人体动作识别模型；其中，所述人体动作识别模型识别的动作类别包括：震颤动作、运动迟缓动作或步态动作。3.根据权利要求2所述的运动障碍症状量化评估模型的建模方法，其特征在于，所述动作识别网络包括：一个FCN模块和一个LSTM模块；输入变量个数为v；变量并行作为输入，每个时间序列的输入长度为l帧；所述FCN模块包括K个卷积层；所述LSTM模块的时间步长设置为m；在LSTM模块之前设置一个注意机制，在LSTM之后设置一个dropout层；LSTM模块中的注意力机制如下式所示，将LSTM模型注意力集中在不同维度的变量：其中，w
i
为ν
i
的权重之和，每个ν
...

【专利技术属性】
技术研发人员：王哲龙，林芳，刘芮辰，石鑫，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：