CN111297366B - 基于日常生活用品的辅助疾病诊断的数据处理方法和诊断装置 - Google Patents

Abstract

本发明属于数字医疗领域，具体涉及一种基于日常生活用品的辅助疾病诊断的数据处理方法和诊断装置，利用日常生活用品上添加的辅助传感器对运动功能障碍等神经系统疾病进行早期筛查与辅助诊断。本发明的目的在于针对运动功能障碍等神经系统疾病，利用日常吃饭使用的日常生活用品，添加辅助传感器隐式采集分析用户行为数据，有效量化评估手部运动功能。本发明利用运动传感器采集用户数据信号，提取疾病的相关特征并结合机器学习算法建立用户数据模型，能够对用户日常生活行为中手部运动功能表现打分，为疾病的早期筛查与辅助诊断建立基础。

Description

基于日常生活用品的辅助疾病诊断的数据处理方法和诊断 装置

技术领域

本发明属于数字医疗领域，具体涉及一种针对运动功能障碍等神经系统疾病通过日常生活中常用物品进行早期筛查与辅助诊断的数据处理方法和诊断装置。

背景技术

神经系统疾病，如帕金森、小血管病、共济失调、痴呆等，在全世界范围内的发病率呈现上升趋势。这些疾病会导致严重的运动功能障碍，包括手部运动功能障碍、上肢运动功能障碍和下肢运动功能障碍等，具有高死亡率和高致残率等特点，严重影响患者寿命及生活质量，给社会和家庭带来沉重负担。

现有的神经系统疾病诊断方法主要依赖于对神经系统功能和影响改变的经验性和定性判断，比如出现持续性的手部抖动、拿不稳东西、走路姿势出现异常等。在临床监测中，还有一些医学量表被设计用于神经系统疾病评估。早在1965年Douglas Carroll提出可以同对捏、抓、握、肘关节屈伸、前臂内旋和外旋等动作评分，定量评测上肢运动功能(参考文献：Douglas Carroll.A quantitative test of upper extremity function.Journalof chronic diseases,18(5):479–491,1965.)。1981年Ronald C.Lyle提出应用于康复治疗研究的上肢运动功能评价方法，将评价动作规定在抓(Grasp)、握(Grip)、捏(Pinch)和大运动(Cross movements)上面(参考文献：Ronald C Lyle.A performance test forassessment of upper limb function in physical rehabilitation treatment andresearch.International Journal of Rehabilitation Research,4(4):483–492,1981.)。Hoehn Yahr量表作为描述帕金森病症的一种常用量表，在1967年被Melvin Yahr和Margaret Hoehn提出(Hoehn M,Yahr M(1967)."Parkinsonism:onset,progression andmortality".Neurology.17(5):427–42)。此外，医疗上还有一种常用的Action ResearchArm Test(ARAT)检测，该检测用到一个工具箱，其中包含的物品有杯子、球、木块、石块、光子、垫圈、螺栓、杆、弹子和盒子等物品，并且有一些相关的检查条目，条目中的每一项都对应一定的分数，在测试过程中，医生按照表中任务让检查者逐条尝试完成规定任务，并对检查者的完成情况进行打分，结束后医生将各条目的数相加得到最终的检查分数，再根据经验分值对检查者的疾病状况进行判断。

这些传统的量表评测方法依赖于医生的主观判断，不同医生对同一检查者的同一动作的打分可能出现差异，导致分数带有主观性成分。另外，整个过程都需要医生的全称陪护和任务引导，对医生的工作量也是一个具体的考验。最后，整个过程耗时略长，在临床中，有很多检查者没有足够的耐心完成所有动作，不能保证检查效果。

随着信息技术的迅猛发展，研究者们开始探索使用智能化的检测方法诊断和评估神经系统相关疾病，并取得了诸多研究成果。如常被用来检测病人的认知和手功能情况的连线测试(Trail making test)，在临床检查中已经渐渐从纸上连线发展到使用电子设备进行相关测试(参考文献：Michael Wu,Chia Shen,Kathleen Ryall,and CliftonForlines.Hand gesture interaction with touch surface,September 10 2003.USPatent App.10/659,180.)，它要求被试按照一定的顺序将一系列目标点连接起来，通过笔迹和握笔姿态分析用户手功能情况和认知情况。佐治亚理工大学的Hyungsin Kim开发的一套基于电子笔的画钟测试(Clock drawing test，CDT)评估系统也是同样的道理(HyungsinKim,Young Suk Cho,and Ellen Yi-Luen Do.Using pen-based computing intechnology for health.In Human-Computer Interaction.Users and Applications，pages 192-201.Springer，2011.)，该测试要求被试独立画出一个钟表，并且按照要求标出指定的时间。步态情况可以反映人体的整体运动能力，其步高、步速、步距和拖地情况等对于评价下肢运动具有重要意义，Kinect作为一种非侵入的人体姿态识别设备，被应用到步态检测中来(参考文献：Moshe Gabel,Ran Gilad-Bachrach,Erin Renshaw,and AssafSchuster.Full body gait analysis with kinect.In Engineering in Medicine andBiology Society(EMBC),2012Annual International Conference of the IEEE,pages1964–1967.IEEE,2012)。此外，Teresa Arroyogallego等人研究表明可以通过智能手机触摸屏输入时的击键动力学分析，评估帕金森病人的运动功能障碍(参考文献：Arroyogallego T,Ledesmacarbayo M J,Sanchezferro A,et al.Detection of MotorImpairment in Parkinson's Disease Via Mobile Touchscreen Typing[J].IEEETransactions on Biomedical Engineering,2017,64(9):1994-2002.)。

尽管这些研究能够有效提高诊疗效率，减轻医护人员的工作负担，但是都需要一些特定的工具或场地，不能做到实时检测和早期预警，有悖于新型医疗早发现早治疗的原则。同时基于任务式的检测过程会对病人的心理和行为有一定的干预，影响最终评测结果的准确性。

发明内容

本发明的目的在于针对运动功能障碍等神经系统疾病，在日常生活中使用的物品上添加辅助传感器，隐式收集用户行为数据，提取疾病的相关特征并结合机器学习算法建立用户数据模型，能够有效量化评估用户手部运动功能表现，为疾病的早期筛查与辅助诊断建立基础。

具体来说，本发明的技术方案如下：

一种运动数据采集装置，部署在日常生活用品上，用于进行神经系统疾病辅助诊断的数据采集，包括以下功能模块：

传感器模块，用于采集用户运动数据；

传输模块，用于将采集的用户运动数据传输至计算机端(PC端)；

主控芯片模块，用于执行程序命令，控制所述传感器模块和所述传输模块进行数据采集和传输；

电源模块，用于为所述传感器模块、所述传输模块和所述主控芯片模块提供电源。

进一步地，所述传感器模块采用运动传感器，采集用户使用物品过程中的加速度信号、角速度信号。优选地，所述运动传感器使用JB901B模块(JB901B是一种现有的传感器型号)，包含一个三轴加速度计(范围：16g，灵敏度：6.1e-5g)和一个三轴陀螺仪(范围：2000/s，灵敏度：7.6e-3/s)。

进一步地，所述运动传感器的采样率为40Hz。

进一步地，所述主控芯片模块使用Bluno Beetle，是一个Arduino UNO开发板。

进一步地，所述传输模块使用HC-06蓝牙模块传输数据，波特率为9600。

进一步地，所述电源模块使用3.7V、800mAh的锂电池进行供电。

进一步地，所述锂电池可以通过所述主控芯片模块的Micro USB接口充电。

一种融合运动功能障碍疾病特征的数据处理方法，其步骤包括：

1)将所述运动数据采集装置中的传感器得到的三轴信号数据整合为两条一维信号数据；

2)使用时间滑窗分隔所述两条一维信号数据；

3)从采用时间滑窗分隔后的信号数据中提取四类病症相关特征：基本统计特征、频域特征、形态特征以及运动特征；

4)利用提取的特征，使用机器学习分类算法训练用于辅助疾病诊断的数据分类模型。

一种神经系统疾病辅助诊断装置，其包括：

数据预处理模块，负责将所述运动数据采集装置得到的三轴信号数据整合为两条一维信号数据，并使用时间滑窗分隔所述两条一维信号数据；

特征提取模块，负责从采用时间滑窗分隔后的信号数据中提取四类病症相关特征：基本统计特征、频域特征、形态特征以及运动特征；

模型训练模块，负责利用提取的特征，使用机器学习分类算法训练数据分类模型；

辅助诊断模块，负责使用训练完成的数据分类模型实时分析所述运动数据采集装置采集的信号数据，进行辅助诊断。

进一步地，所述两条一维信号其中一条为MAG(magnitude，幅度)信号，计算方法为

另一条为PCA(principal component analysis，主成分分析)信号，计算方法为三轴信号在其主成分分量上的投影；

进一步地，所述时间滑窗为3秒，且两个滑窗之间有2.8秒的重叠；

进一步地，所述基本统计特征包含均值，标准差，峰度和均方根；

进一步地，所述频域特征包含十条频谱能量带以及最大能量对应的频率值；

进一步地，所述形态特征包含信号曲线的极差与零点个数；

进一步地，所述运动特征包含对信号曲线进行积分后计算的平均绝对值；

进一步地，所述机器学习分类算法为随机森林算法。

与现有技术对比，本发明具有的积极效果是：

本发明将现有传感器技术与日常生活中使用的物品相结合，能够在日常生活中对用户的神经系统疾病进行监测和早期预警；采用非任务式的设计，隐式采集用户在自然状态下使用生活用品的数据，避免对用户行为心理产生干扰；本发明建立的数据模型融合了疾病特征，能够有效定量化评估手部运动表现，为医生诊断患者病情提供参考。

附图说明

图1为本发明运动数据采集装置的示意图。

图2为帕金森患者与正常人原始信号数据对比示意图。其中，(a)图为正常人加速度数据，(b)图为正常人角速度数据，(c)图为帕金森患者加速度数据，(d)图为帕金森患者角速度数据。

图3为本发明数据模型建立过程示意图。

图4为实施例中使用勺子进行运动监测的步骤流程图。

具体实施方式

为使本发明的目的、特征和优点能更明显易懂，下文通过具体实施例，并结合附图，做详细的说明。

本实施例提供一种通过在日常生活中使用的勺子上添加辅助工具进行帕金森疾病手部运动功能障碍的监测方法，智能勺子的功能模块如图1所示，包括：传感器模块，采集用户运动数据；主控芯片模块，执行程序命令；传输模块，将用户数据传输至PC端；电源模块，为其他模块提供电源。其中传感器模块使用运动传感器。

数据分类模型的建立过程如图3所示，主要包括三个步骤：1)信号预处理；2)特征提取；3)数据模型训练。

在步骤1)中，所述信号预处理过程首先使用卡尔曼滤波算法对数据进行平滑处理，随后为了反映整体运动信息，将每个传感器的三轴信号整合为两条信号曲线，分别称为MAG和PCA。MAG的计算方法为

其中X、Y、Z分别表示三个方向的传感器信号数据；反映了使用勺子过程中整体的(加速度/角速度)信号大小变化。PCA通过计算三轴信号在其主成分分量上的投影，使该投影方向上的数据方差最大，尽可能保留了原始信号中的特征信息。

然后进行滑窗切分，即对整合后的信号曲线使用5-10秒的滑动窗口分割数据，两个滑动窗口之间可以存在重叠。

在步骤2)中，所述特征提取过程计算与帕金森病症相关的四类数据特征：

(1)基本统计特征：均值，标准差，峰态和均方根(4个特征)。均值、均方根分别反应了运动过程中速度变化的平均大小和总体大小，标准差反应了运动过程中速度变化的波动情况。由于帕金森病人运动不够灵活，使用勺子进食动作缓慢，整体运动的速度变化及波动都会低于正常人。峰态反应了运动过程中速度的突变情况，帕金森病人由于震颤等症状在运动过程中峰态值普遍偏高，而正常人的峰态值只在动作变换时偏高。

(2)频域特征：十条频谱能量带以及最大能量对应的频率值(11个特征)。帕金森病人的震颤频率会高于正常人，通常在4-6Hz。因此对数据信号做快速傅里叶变换,计算0.1-10Hz之间均匀分布的10条能量带，因为本发明更关注能量在不同频域分布，所以进一步对这10条能量带进行归一化操作。此外，还计算信号频谱中能量含量最多的频率，即信号功率谱密度的最大振幅对应的频率(即后文表1中的模频率)。

(3)形态特征：计算曲线的极差与零点个数(2个特征)。极差是加/角速度信号最大值与最小值的差，反应运动过程中最快能达到的程度，帕金森病人因运动迟缓会低于正常人。曲线的零点个数，反应运动方向的改变次数，帕金森病人由于震颤等症状，不能稳定地控制勺子，容易反复摇摆导致运动方向改变的更频繁。

(4)运动特征：对加/角速度进行积分运算，得到他们的运动速度，之后计算平均绝对值(1个特征)，反应运动过程中整体的速度大小，由于帕金森病人运动迟缓、肌强直等症状，平均绝对值会低于正常人。

如表1所示，共有18个特征被使用，不同特征的维度可能不同，最终得到的特征向量有72维。

在步骤3)中，所述数据模型对比4种不同机器学习分类算法，包括支持向量机(SVM)、K-近邻(KNN)、逻辑斯蒂回归(LR)以及随机森林(RF)，并采用10折交叉验证方法分析每个模型的分类准确率(accuracy)、敏感性(sensitivity)、特异性(specificity)和F1度量以及ROC曲线下的面积(AUC)，如表2所示。

表1本发明数据模型所用四类特征

表2分类预测结果

分类算法	分类准确率	敏感性	特异性	F1度量	AUC
						SVM(RBF-kernel)	82.37％	0.8464	0.7991	0.8385	0.9058
KNN	91.81％	0.9326	0.9010	0.9248	0.9656
						LR	81.96％	0.8670	0.7640	0.8386	0.9081
RF	95.61％	0.9556	0.9568	0.9593	0.9896

由于随机森林算法达到了最高准确率，因此所述模型使用此算法作为最终的分类算法并实时分析用户当前数据。

为了便于理解如何应用该模型，下面给出使用勺子进行具体监测步骤，如图4所示，包括：

(1)用户在使用勺子前打开部署在勺子上的运动数据采集装置的电源开关；

(2)用户使用勺子进食，同时传感器开始采集数据，并通过蓝牙回传信号数据；

(3)使用数据分类模型实时分析信号数据；

(4)用户使用勺子完毕，关掉电源开关；

(5)生成可视化运动功能检查报告。

在步骤(2)中，所述传感器包含三轴加速度传感器和三轴角速度传感器，加速度传感器反映了用户在使用勺子过程中，在三维空间(x，y，z轴)内移动速率的变化快慢；角速度传感器(陀螺仪)反映了三轴姿态角(横摆角，航向角，俯仰角)偏转速率的变化快慢。如图2所示，由于帕金森病人的肌强直、运动迟缓等症状，导致他们在使用勺子进食时移动速率缓慢，且变化波动较大，在加速度数据上会有差异；而伴随着震颤等症状使他们不能很好地保持平衡，容易摇摆，从而导致偏角速率变化也会有巨大波动，这在角速度数据中得到反应。

在本发明中，蓝牙传输采用9600Bd/s的波特率，8位数据位，1位停止位，1位校验位。每秒传输的比特数为：9600/(8+1+1)*8＝7680位，即7680/8＝960字节。所有的数据都以40Hz的采样率进行记录，根据Nyquist定理，该采样率可检测20Hz以内的运动。

在步骤(3)中，所述数据分类模型为使用已经训练好的随机森林分类器，对步骤(2)得到的信号数据使用上述信号处理与特征提取方法进行处理，然后进行预测。

在步骤(5)中，所述可视化运动功能检查报告由两部分组成。一部分为根据原始加速度信号曲线还原出的勺子运动过程，包含运动轨迹以及姿态偏转。另一部分为可视化的特征分析报告，通过使用本发明所述技术方法预先采集大量正常人和病人的数据并计算相应的统计分布模型，进而显示用户当前特征在该分布模型中的阈值划分图，使医生能够较为直观的得到检查结果，并在最后以文字和分数形式给出辅助诊断的建议。

本发明另一实施例提供一种神经系统疾病辅助诊断装置，其包括：

数据预处理模块，负责将上述智能勺子的传感器模块采集装置得到的三轴信号数据整合为两条一维信号数据，并使用时间滑窗分隔所述两条一维信号数据；

特征提取模块，负责从采用时间滑窗分隔后的信号数据中提取四类病症相关特征：基本统计特征、频域特征、形态特征以及运动特征；

模型训练模块，负责利用提取的特征，使用机器学习分类算法训练数据分类模型；

辅助诊断模块，负责使用训练完成的数据分类模型实时分析上述智能勺子采集的信号数据，进行辅助诊断。

本发明所述神经系统疾病辅助诊断装置同样可以部署在杯子、餐具等日常生活中常用的物品上。通过隐式捕获用户使用该物品的运动数据，使用本发明所述数据分析方法，实现运动功能障碍等神经系统疾病的早期筛查与辅助诊断。

以上通过实施例对本发明进行了详细的说明，但本发明的具体实现形式并不局限于此。本领域的一般技术人员，可以在不背离本发明所述方法的精神和原则的情况下对其进行各种显而易见的变化与修改。本发明的保护范围应以权利要求书所述为准。

Claims (7)

1.一种融合运动功能障碍疾病特征的数据处理方法，其特征在于，包括以下步骤：

1)将运动数据采集装置得到的三轴信号数据整合为两条一维信号数据；所述两条一维信号其中一条为幅度信号MAG，计算方法为

其中X、Y、Z分别表示三个方向的传感器信号数据，另一条为主成分分析信号，为三轴信号在其主成分分量上的投影；

2)使用时间滑窗分隔所述两条一维信号数据；

3)从采用时间滑窗分隔后的信号数据中提取四类病症相关特征：基本统计特征、频域特征、形态特征以及运动特征；所述基本统计特征包含均值，标准差，峰度和均方根；所述频域特征包含十条频谱能量带以及最大能量对应的频率值；所述形态特征包含信号曲线的极差与零点个数；所述运动特征包含对信号曲线进行积分后计算的平均绝对值；

4)利用提取的特征，使用机器学习分类算法训练用于辅助疾病诊断的数据分类模型。

2.如权利要求1所述的方法，其特征在于，所述运动数据采集装置部署在日常生活用品上，用于进行神经系统疾病辅助诊断的数据采集，其包括：

传感器模块，用于采集用户运动数据；

传输模块，用于将采集的用户运动数据传输至计算机端；

主控芯片模块，用于执行程序命令，控制所述传感器模块和所述传输模块进行数据采集和传输；

电源模块，用于为所述传感器模块、所述传输模块和所述主控芯片模块提供电源。

3.如权利要求2所述的方法，其特征在于，所述传感器模块包含运动传感器，采集用户使用物品过程中的加速度信号、角速度信号；所述传输模块包含蓝牙模块，与计算机端通信并传输数据；所述主控芯片模块采用Bluno Beetle开发板，集成所有控制指令；所述电源模块使用可充电锂电池进行供电。

4.如权利要求1所述的方法，其特征在于，所述时间滑窗为3秒，且两个滑窗之间有2.8秒的重叠。

5.如权利要求1所述的方法，其特征在于，所述机器学习分类算法为随机森林算法。

6.一种神经系统疾病辅助诊断装置，其特征在于，包括：

数据预处理模块，负责将运动数据采集装置得到的三轴信号数据整合为两条一维信号数据，并使用时间滑窗分隔所述两条一维信号数据；所述两条一维信号其中一条为幅度信号MAG，计算方法为

其中X、Y、Z分别表示三个方向的传感器信号数据，另一条为主成分分析信号，为三轴信号在其主成分分量上的投影；

特征提取模块，负责从采用时间滑窗分隔后的信号数据中提取四类病症相关特征：基本统计特征、频域特征、形态特征以及运动特征；所述基本统计特征包含均值，标准差，峰度和均方根；所述频域特征包含十条频谱能量带以及最大能量对应的频率值；所述形态特征包含信号曲线的极差与零点个数；所述运动特征包含对信号曲线进行积分后计算的平均绝对值；

模型训练模块，负责利用提取的特征，使用机器学习分类算法训练数据分类模型；

辅助诊断模块，负责使用训练完成的数据分类模型实时分析所述运动数据采集装置采集的信号数据，进行辅助诊断。

7.如权利要求6所述的装置，其特征在于，所述机器学习分类算法为随机森林算法。

Images