一种早期帕金森病预测方法技术

本发明专利技术涉及帕金森病研究技术领域，具体公开了一种早期帕金森病预测方法

【技术实现步骤摘要】
一种早期帕金森病预测方法、装置及系统


[0001]本专利技术涉及帕金森病研究
，尤其涉及一种早期帕金森病预测方法
、
装置及系统
。

技术介绍

[0002]帕金森病是一种中枢神经系统退行性改变的病症，其主要的临床表现症状包括快速眼动期睡眠行为障碍
(
下称简称
RBD
，
《
初诊帕金森病患者快速眼动期睡眠行为障碍相关危险因素分析
》
及其它相关论文都提出要重视帕金森患者
RBD
症状的筛查
)、
静止性震颤
、
肌强直
、
运动迟缓
、
姿势平衡障碍
、
冻结以及非运动症状等，主要的病理改变是中脑黑质多巴胺能神经元的变性死亡，这个过程是不可逆的
。
有研究表明，在帕金森病早期阶段就进行治疗的病人相较于晚期治疗的病人可以平均多独立生活
15
年，所以尽量在帕金森病的早期阶段将其诊断出来对于进行有效治疗以及改善患者生活状态具有十分重要的意义
。
[0003]但是，帕金森病实现早诊断是很困难的，因为通常情况下帕金森病进展到运动出现异常时患者才会重视，才会去医院看病，另一问题就是帕金森病本身的确诊平均需要用时超过1年
。
现在的诊断主要是医疗机构利用专用设备来诊断，不但耗费大量时间，费用昂贵，需要由受过培训的专业医护人员进行专业操作，受到场地限制，而且这些诊断方式属于主观测量方法，缺少客观性
、
可重复性及刻度敏感性，误诊率高，对早期症状诊断不明
。
[0004]现有技术已有部分结合人工智能，尤其是机器学习技术，在挖掘数据中隐藏关系的能力
、
抵抗数据错误的能力
、
向患者和医生提供交互式反馈
/
监控总结的能力及对大量病人数据进行处理的能力等多方面，都相较于其他方法具有优越性，因此基于机器学习的支持工具在增强帕金森病临床诊断准确性
、
可靠性
、
评估的效率等方面有着很大的潜力
。
例如已研发出一些智能可穿戴设备，提取帕金森病患者上肢
、
下肢运动特征提供了支持，然而这类可穿戴设备中，由于采集的信息类型以及所采集人体位置的不同，对信息的处理以及运算产生的结果或结论也都存在或多或少的差异
。
所以基于上述问题，如何设计一种准确度更高的早期帕金森病预测方案，是一个亟待解决的问题
。

技术实现思路

[0005]针对现有技术中的技术问题，本专利技术提供一种早期帕金森病预测方法
、
装置及系统
。
[0006]本专利技术公开了一种早期帕金森病预测方法，包括步骤：
[0007]获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；所述眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；
[0008]获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；所述步行监测数据为运动监测设备对用户的下肢状态进行采集得到；
[0009]通过预设的患病预测策略以及所述第一数据序列和所述第二数据序列，得到患病预测结果；所述患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率
值；
[0010]其中，所述患病预测策略包括：
[0011]将所述第一数据序列和所述第二数据序列处理为同维度的待运算数据；
[0012]将所述待运算数据按照预设单位时间段分为
N
个单元数据，通过所述单元数据以及预设的第一
LSTM
模型运算得到
N
个第一特征值；单位监测周期包括
X
个单位时间段；
[0013]通过所述第一特征值以及预设的
informer
模型运算得到每单位监测周期对应的第二特征值；
[0014]通过所述第二特征值以及预设的全连接网络模型运算得到所述患病预测结果
。
[0015]进一步的，所述获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，包括：
[0016]获取眼动监测数据为若干个数据序列
Prx
；
[0017]计算用户处于非快速眼动睡眠状态下所述数据序列
Prx
的平均值
Pv
以及标准差
Sv
；
[0018]根据所述标准差
Sv
以及预设的第一阈值条件，在若干个数据序列
Prx
中筛选出用户处于快速眼动睡眠状态的数据序列
Prx1
；
[0019]根据所述数据序列
Prx1
生成所述第一数据序列
R
＝
[T,S,Ts,C]；
T
为眼动周期，表示相邻两次眼动至最远距离的时间差；
Ts
为眼动起始时间；
S
为眼动距离，表示单次眼动的最大距离变化值；
C
为眼动轨迹，表示眼动距离
S
的轨迹与所述平均值
Pv
相交形成的面积
。
[0020]进一步的，所述眼动监测数据还包括三轴加速度检测值，所述第一数据序列还包括水平方向加速度
Av
，所述第一数据序列为
R
＝
[T,S,Ts,C
，
Av]，其中，
[0021]所述水平方向加速度为
[0022]其中，
ax、ay、az
分别表示所述三轴加速度检测值中
x
轴
、y
轴
、z
轴的加速度值，
α
为
x
轴与重力方向的夹角，
β
为
y
轴与重力方向的夹角，
γ
为
z
轴与重力方向的夹角；
α
＝
arccos(ax/Ac)
，
β
＝
arccos(ay/Ac)
，
γ
＝
arccos(az/Ac)
，
[0023]进一步的，所述获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，包括：
[0024]获取步行监测数据；
[0025]根据预设的步行判断策略以及所述步行监测数据判断用户是否处于行走状态，若是，
[0026]根据所述步行监测数据生成用户行走每一步所对应的第二数据序列；所述第二数据序列为
Rm
＝
[St,Spt,Sga,Sgi,Sga,Sgi,Sy]，其中，
St
为当前时间
,Spt
为行走一步所用的时间长
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种早期帕金森病预测方法，其特征在于，包括步骤：获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列；所述眼动监测数据为眼动监测设备对用户在睡眠状态下的眼球往复运动情况进行采集得到；获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列；所述步行监测数据为运动监测设备对用户的下肢状态进行采集得到；通过预设的患病预测策略以及所述第一数据序列和所述第二数据序列，得到患病预测结果；所述患病预测结果包括不同的病情分级所对应的概率值以及当前无风险概率值；其中，所述患病预测策略包括：将所述第一数据序列和所述第二数据序列处理为同维度的待运算数据；将所述待运算数据按照预设单位时间段分为
N
个单元数据，通过所述单元数据以及预设的第一
LSTM
模型运算得到
N
个第一特征值；单位监测周期包括
X
个单位时间段；通过所述第一特征值以及预设的
informer
模型运算得到每单位监测周期对应的第二特征值；通过所述第二特征值以及预设的全连接网络模型运算得到所述患病预测结果
。2.
如权利要求1所述的一种早期帕金森病预测方法，其特征在于，所述获取眼动监测数据，并根据预设的第一信息处理策略生成第一数据序列，包括：获取眼动监测数据为若干个数据序列
Prx
；计算用户处于非快速眼动睡眠状态下所述数据序列
Prx
的平均值
Pv
以及标准差
Sv
；根据所述标准差
Sv
以及预设的第一阈值条件，在若干个数据序列
Prx
中筛选出用户处于快速眼动睡眠状态的数据序列
Prx1
；根据所述数据序列
Prx1
生成所述第一数据序列
R
＝
[T,S,Ts,C]
；
T
为眼动周期，表示相邻两次眼动至最远距离的时间差；
Ts
为眼动起始时间；
S
为眼动距离，表示单次眼动的最大距离变化值；
C
为眼动轨迹，表示眼动距离
S
的轨迹与所述平均值
Pv
相交形成的面积
。3.
如权利要求2所述的一种早期帕金森病预测方法，其特征在于，所述眼动监测数据还包括三轴加速度检测值，所述第一数据序列还包括水平方向加速度
Av
，所述第一数据序列为
R
＝
[T,S,Ts,C
，
Av]
，其中，所述水平方向加速度为其中，
ax、ay、az
分别表示所述三轴加速度检测值中
x
轴
、y
轴
、z
轴的加速度值，
α
为
x
轴与重力方向的夹角，
β
为
y
轴与重力方向的夹角，
γ
为
z
轴与重力方向的夹角；
α
＝
arccos(ax/Ac)
，
β
＝
arccos(ay/Ac)
，
γ
＝
arccos(az/Ac)
，
4.
如权利要求1所述的一种早期帕金森病预测方法，其特征在于，所述获取步行监测数据，并根据预设的第二信息处理策略生成第二数据序列，包括：获取步行监测数据；根据预设的步行判断策略以及所述步行监测数据判断用户是否处于行走状态，若是，根据所述步行监测数据生成用户行走每一步所对应的第二数据序列；所述第二数据序列为
Rm
＝
[St,Spt,Sga,Sgi,Sga,Sgi,Sy]
，其中，
St
为当前时间
,Spt
为行走一步所用的时间长
,Sga
为最大垂直冲击力
,Sgi
为最小垂直冲击力
,Sga
为最大水平冲击力
,Sgi
为最小水平
冲击力
,Sy
为左右迈步的角度差
。5.

【专利技术属性】
技术研发人员：彭莉玲，高欣，李伟凯，
申请(专利权)人：高欣，
类型：发明
国别省市：