一种穿戴式手部震颤的多肢体段联合分析方法及系统技术方案

一种穿戴式手部震颤的多肢体段联合分析方法，包括以下步骤：步骤1、手部多肢体段震颤数据采集，通过传感装置采集同步的手部多肢体段震颤数据；步骤2、手部多肢体段数据预处理，对各肢体段分别进行姿态估计、去噪降维处理；步骤3、多肢体段联合震颤特征提取，分别提取各肢体段的震颤频率、震颤幅度和震颤变异性特征，同时提取肢体段震颤之间协同关系特征；步骤4、疾病自动分类判别，通过特征选择算法选择多肢体段联合震颤特征，使用智能分类器完成帕金森病和特发性震颤的分类。以及提供一种所述穿戴式手部震颤多肢体段联合分析系统。本发明专利技术提供了一种通过多肢体段联合分析、提升帕金森病和特发性震颤分类准确率的手部震颤分析方法及系统。法及系统。法及系统。

【技术实现步骤摘要】
一种穿戴式手部震颤的多肢体段联合分析方法及系统


[0001]本专利技术属于涉及数字医疗领域，具体涉及一种穿戴式手部震颤的多肢体段联合分析方法及系统。

技术介绍

[0002]手部震颤是帕金森病和特发性震颤的典型症状。一般来说，帕金森病患者的手部震颤主要表现为静止性震颤，特发性震颤患者的手部震颤主要表现为姿势性震颤。但约18％的特发性震颤患者会有静止性震颤症状，90％的帕金森病患者会有姿势性震颤症状。这使得临床实践中帕金森病和特发性震颤的鉴别诊断存在困难。
[0003]目前多数震颤分析系统集中于对单肢体段的震颤频率、震颤幅度和震颤变异性进行分析，例如：青岛大学.一种帕金森病手颤的三维姿态实时分析系统及方法:CN202211181166.9[P].2022
‑
12
‑
20；部分视觉系虽然涉及了多肢体段的震颤频率、震颤幅度和震颤变异性分析，但未对肢体段震颤之间的协同关系进行分析，例如Oktay A B,Kocer A.Differential diagnosis of Parkinson and essential tremor with convolutional LSTM networks[J].Biomedical Signal Processing and Control,2020,56:101683.即基于卷积长短期记忆神经网络鉴别帕金病和特发性震颤。由于帕金森病患者和特发性震颤患者的震颤频率、震颤幅度和震颤变异性有所重叠，相关系统难以有效地区分症状相似的帕金森病患者和特发性震颤患者。

技术实现思路

[0004]为了克服已有技术的不足，本专利技术提供了一种穿戴式手部震颤的多肢体段联合分析方法及系统，通过分析手部各肢体段的震颤频率、震颤幅度和震颤变异性，并结合肢体段震颤之间的协同关系，实现对帕金森病患者和特发性震颤患者的自动、准确的分类。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种穿戴式手部震颤的多肢体段联合分析方法，包括以下步骤：
[0007]步骤1：手部多肢体段数据采集，所述的采集患者的手部多肢体段震颤数据是通过传感装置绑在手部各肢体段上进行采集，所述的手部多肢体段是元素个数大于2的手部肢体段候选集合的子集，所述的手部肢体段候选集合包括手腕、大拇指、食指、中指、无名指、小指和手背；
[0008]步骤2：手部多肢体段震颤数据预处理，对于各肢体段分别采用姿态融合算法和去噪滤波器进行处理，得到以欧拉角形式表示的各肢体段姿态信号，采用主成分分析方法将各肢体段的三维欧拉角信号降至一维，得到各肢体段角度主成分信号，所述的各肢体段是手部多肢体段集合中的所有元素；
[0009]步骤3：多肢体段联合震颤特征提取，通过功率谱分析和时域波形分析得到各肢体段的震颤频率、震颤幅度和震颤变异性特征，通过相干谱分析得到肢体段震颤之间的协同关系特征；
[0010]步骤4：疾病自动分类判别，通过特征选择器获取入选的多肢体联合震颤特征，并通过智能分类器，完成帕金森病和特发性震颤的分类，判断用户是帕金森病患者或特发性震颤患者。
[0011]进一步地，所述的步骤2的过程为：
[0012]步骤2
‑
1：肢体段姿态估计，对于各肢体段的传感信号，通过四元数姿态融合算法，融合加速度计、陀螺仪和磁力计信号得到各肢体段的无漂姿态估计信号，并将姿态信号转换为三维欧拉角信号；
[0013]步骤2
‑
2：姿态信号去噪降维，对于各肢体段的欧拉角信号，通过去噪滤波器将信号频率限制在手部震颤常见频段内，然后通过主成分分析算法将三维欧拉角信号降维至一维角度主成分信号。
[0014]再进一步，所述步骤3中，多肢体段联合震颤特征包括：
[0015]震颤频率特征：各肢体段角度主成分信号的主频、中值频率、频率色散和平均震颤瞬时频率。所述的平均震颤瞬时频率的计算方法为：
[0016][0017]其中为手部多肢体段集合中任一肢体段的平均震颤瞬时频率，所述的手部多肢体段集合是选择的手部肢体段构成的集合，n
S
为该肢体段主成分信号中导数大于0的过零点个数，T
iS
为该肢体段角度主成分信号中第i个导数大于0的过零点与第i+1个导数大于0的过零点之间时间间隔；
[0018]震颤幅度特征：各肢体段角度主成分信号的均方根、频率峰值、最大峰值和平均峰值；
[0019]震颤变异性特征：峰值变异系数、瞬时频率变异系数、幅度稳定系数，所述幅度稳定系数的计算方法为：
[0020][0021]其中MSI
S
为手部多肢体段集合中的任一肢体段的手腕幅度稳定系数，为该肢体段角度主成分信号第i个导数大于0的过零点与第i+1个导数大于0的过零点之间的最大值，iqr为四分位距函数；
[0022]肢体段震颤之间的协同关系特征：肢体段角度主成分信号相位差，所述的肢体段角度主成分信号相位差为手部多肢体段集合中的任意相异的两个肢体段角度主成分信号之间的相位差，计算方法为：
[0023][0024][0025][0026]其中S1和S2为手部多肢体段集合中的任意相异的两个肢体段，为手部肢体段S1角度主成分信号与手部肢体段S2角度主成分信号的相干谱，为手部肢体段S1角度主成分信号的自相关谱，为手部肢体段S2角度主成分信号的自相关谱，为所述的手部肢体段S1与手部肢体段S2之间角度主成分信号相位差，angle为取虚数角度的函数。
[0027]所述的步骤4中，所述特征选择器的入选特征集由以下步骤得到：
[0028]步骤S1：候选特征集选取，采用套索回归、岭回归或弹性网回归等正则化回归算法，对提取的三维模式特征与传统特征进行初步筛选，得到候选特征集。
[0029]步骤S2：入选特征集决定，采用顺序浮动特征选择算法，从候选特征集中得到入选特征集。
[0030]所述的智能分类器采用支持向量机、随机森林或人工神经网络使用入选特征集构建。
[0031]采集的震颤数据包括静止性震颤和Wing
‑
beating姿势下姿势性震颤的震颤数据。
[0032]去噪滤波器采用截止频率为3
‑
12Hz的FIR滤波器以避免信号失真。
[0033]正则化回归算法选择弹性网回归以解决总特征数大于样本数的问题。
[0034]分类器采用支持向量机算法训练。
[0035]一种手部震颤的多肢体段联合分析系统，包括传感装置和计算单元；所述传感装置用于绑在手部各肢体段的对应位置同步采集各肢体段的加速度、角速度和磁力数据，并无线发送数据；所述计算单元包括数据接收模块和数据处理模块，可部署在传感装置的嵌入式处理模块或部署在上位机；所述的数据接收模块接收传感装置采集的数据并解码发送给数据处理模块，所述数据处理模块对数据分析处理并生成分析结果。
[0036]进一步，所述传感装置包括N个传感单元和1个嵌入式处理模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种穿戴式手部震颤的多肢体段联合分析方法，其特征在于，所述方法包括以下步骤：步骤1：手部多肢体段数据采集，所述的采集患者的手部多肢体段震颤数据是通过传感装置绑在手部各肢体段上进行采集，所述的手部多肢体段是元素个数大于2的手部肢体段候选集合的子集，所述的手部肢体段候选集合包括手腕、大拇指、食指、中指、无名指、小指和手背；步骤2：手部多肢体段震颤数据预处理，对于各肢体段分别采用姿态融合算法和去噪滤波器进行处理，得到以欧拉角形式表示的各肢体段姿态信号，采用主成分分析方法将各肢体段的三维欧拉角信号降至一维，得到各肢体段角度主成分信号，所述的各肢体段是手部多肢体段集合中的所有元素；步骤3：多肢体段联合震颤特征提取，通过功率谱分析和时域波形分析得到各肢体段的震颤频率、震颤幅度和震颤变异性特征，通过相干谱分析得到肢体段震颤之间的协同关系特征；步骤4：疾病自动分类判别，通过特征选择器获取入选的多肢体联合震颤特征，并通过智能分类器，完成帕金森病和特发性震颤的分类，判断用户是帕金森病患者或特发性震颤患者。2.如权利要求1所述的一种穿戴式手部震颤的多肢体段联合分析方法，其特征在于，所述的步骤2的过程为：步骤2
‑
1：肢体段姿态估计，对于各肢体段的传感信号，通过四元数姿态融合算法，融合加速度计、陀螺仪和磁力计信号得到各肢体段的无漂姿态估计信号，并将姿态信号转换为三维欧拉角信号；步骤2
‑
2：姿态信号去噪降维，对于各肢体段的欧拉角信号，通过去噪滤波器将信号频率限制在手部震颤常见频段内，然后通过主成分分析算法将三维欧拉角信号降维至一维角度主成分信号。3.如权利要求1或2所述的一种穿戴式手部震颤的多肢体段联合分析方法，其特征在于，所述步骤3中，多肢体段联合震颤特征包括：震颤频率特征：各肢体段角度主成分信号的主频、中值频率、频率色散和平均震颤瞬时频率，所述的平均震颤瞬时频率的计算方法为：其中为手部多肢体段集合中任一肢体段的平均震颤瞬时频率，所述的手部多肢体段集合是选择的手部肢体段构成的集合，n
S
为该肢体段主成分信号中导数大于0的过零点个数，T
iS
为该肢体段角度主成分信号中第i个导数大于0的过零点与第i+1个导数大于0的过零点之间时间间隔；震颤幅度特征：各肢体段角度主成分信号的均方根、频率峰值、最大峰值和平均峰值；震颤变异性特征：峰值变异系数、瞬时频率变异系数、幅度稳定系数，所述幅度稳定系数的计算方法为：
其中MSI
S
为手部多肢体段集合中的任一肢体段的手腕幅度稳定系数，为该肢体段角度主成分信号第i个导数大于0的过零点与第i+1个导数大于0的过零点之间的最大值，iqr为四分位距函数；肢体段震颤之间的协同关系特征：肢体段角度主成分信号相位差，所述的肢体段角度主成分信号相位差为手部多肢体段集合中的任意相异的两个肢体段角度主成分信号之间的相位差，计算方法为：的相位差，计算方法为：的相位差，计算方法为：其中S1和S2为手部多肢体段集合中的任意相异的两个肢体段，为手部肢体段S1角度主成分信号与手部肢...

【专利技术属性】
技术研发人员：潘赟，李俊捷，罗巍，朱怀宇，王昊天，李家祥，
申请(专利权)人：浙江大学，
类型：发明
国别省市：