[发明专利]一种基于深度学习的WD震颤患者病情自评估系统

说明书

本发明涉及一种基于深度学习的WD震颤患者病情自评估系统，包括震颤信号采集模块，其用于采集WD震颤患者的震颤信号；信号处理模块，其用于分离出震颤和非震颤窗口；特征提取模块，其用于提取震颤信号中的频率和振幅特征；特征选择模块，其用于从相对多的可用特征中选择一个特征子集；基于神经网络的分类模块以及评分模块，其通过分析特征值与医生评分的相关性，使得预测评分与医生的评分有较高的相关性。本发明通过手指惯性节点对患者震颤的频率及幅度的数据进行收集，对数据的深度学习，进而得到患者震颤程度的分析，便于医生对疗效的掌握，对指导医生改进治疗方法等方面具有重大的意义。

技术领域

本发明涉及一种通过深度学习的评估系统，尤其是涉及一种基于深度学习的WD震颤患者病情自评估系统。

背景技术

Wilson病(Wilson’s disease，WD)又称肝豆状核变性(hepatolenticulardegeneration，HLD)，是一种常染色体隐性遗传的铜代谢障碍性疾病，以铜代谢障碍引起的肝硬化、基底节损害为主的脑变性疾病为特点。在研究的484例HLD患者中有330例(68.2％)出现震颤，临床检查中，通常只有通过医生观察来判断患者震颤的程度。

HLD患者神经系统表现一般出现在12～30岁患者，平均年龄约19岁，常缓慢发展，可有阶段性缓解或加重，亦有进展迅速者，特别是年轻患者。突出的神经系统临床表现是锥体外系症状，表现为肢体舞蹈样及手足徐动样动作，肌张力障碍，怪异表情，静止性、意向性或姿势性震颤，肌强直，运动迟缓，构音障碍，吞咽困难，屈曲姿势及慌张步态等。于成年期起病的患者中多见静止性或/及姿位性震颤，在研究的484例HLD患者中有330例(68.2％)出现震颤，HLD出现的震颤大多属于姿位性震颤，或以姿位性震颤为主，同时存在意向性或/及静止性震颤，也有少数患者以意向性震颤为主要体征。震颤于发病早期仅局限于单侧或双侧手指或/及腕部，逐渐累积前臂、上臂、躯干、双下肢和头颈部，部分HLD亦可见下颌、面肌、舌肌及喉部震颤。震颤的幅度不一，早期或轻型患者仅在两臂向前平伸时出现双手轻微的细小震颤。如果未能及时获得正确的诊断和驱铜治疗，震颤在部位扩展的同时，幅度也渐加大。典型的重症病人，不论静止或活动过程中，均呈现腕部、双臂击拍样动作，以至自己不能自理饮食、穿衣等日常生活。轻型患者的震颤常可由意志短暂控制数秒至数分钟，但失控后震颤幅度可一过性加重；严重震颤一般不受意志控制。从震颤的分类而言，绝大多数HLD患者表现为姿位性震颤及意向性震颤。

2006年，深度结构化学习，或者通常更多的称为深度学习或分层学习，已经成为机器学习研究的新领域。2006年，加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton在《科学》上发表论文提出深度学习主要观点：

(1)多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。

(2)深度神经网络在训练上的难度，可以通过“逐层初始化”(layer-wise pre-training)来有效克服，逐层初始化可通过无监督学习实现的。在过去的这几年中，深度学习的开发技术对传统的信号与信息处理研究产生了广泛的影响，更广泛的来看，也包括机器学习和人工智能等重要领域，见(Bengio等概述文章，2013；Hinton等，2012；Yu和Deng，2011；Deng，2011；Arel等，2010年，纽约时报也在媒体报道中报道了这一进步(Markoff，2012)。最近的一系列研讨会，专著，工作室等都支持研究深度学习以及在信号与信息处理领域的各种应用。

当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。(多层的好处是可以用较少的参数表示复杂的函数)。