[发明专利]基于可穿戴式传感装置的帕金森运动症状量化评估系统

权利要求书

1.一种基于可穿戴式传感装置的帕金森运动症状量化评估系统，其特征在于，所述系统包括固定于手腕的震颤检测装置、固定于手指的震颤检测装置、固定于脚腕的平衡障碍检测装置、用于检测肌肉僵直的柔性触觉传感器；所述系统用于实现以下方法步骤：

步骤一、在人体手腕、手指以及脚腕处布置好传感器，摆放好柔性触觉传感器，对传感器进行初始化，设置检测参数；

步骤二、用户利用各传感器同时检测各项测试任务，完成对用户的静止性、姿势性和运动性震颤，肌肉僵直以及平衡障碍数据的采集，并通过连接的计算机向用户实时显示各项运动数据；

步骤三、对采集到的原始序列数据进行预处理；

步骤四、提取预处理后的序列数据以及绘图数据的特征，分别合成新的序列数据和绘图的特征数据谱图；

步骤五、将新的序列数据以及绘图的特征数据谱图输入至已经训练好的神经网络中，对用户的各项帕金森运动症状进行量化评分，并在采集完所有运动症状后依据预先设定好的各项权值对用户的帕金森病情或恢复情况进行综合评估；

步骤四具体为：计算机将预处理后的信号数据和绘图数据传输并存储于指定文件中，再对存储的数据进行特征提取，具体如下：

1)提取预处理后序列数据的时域特征，其中包括：

(1)时域震颤幅度的均值μ，计算公式为：

其中，x_i为第i个峰值；N为一组信号的峰值个数；

(2)时域震颤幅度的标准差σ，计算公式为：

(3)时域震颤幅度的均方根RMS，计算公式为：

(4)时域震颤幅度的偏度S，计算公式为：

(5)时域震颤幅度的峰度K，计算公式为：

2)提取预处理后序列数据的频域特征，其中包括：

(1)谱距离；

(2)频谱基频；

(3)频谱最大频率；

(4)频谱中频；

(5)频谱最大峰值；

(6)频谱能量值E，计算公式为：

其中，其中E为能量值，f表示频点，P(f)为信号能量谱密度；a、b分别为震颤的频率范围边界值；

3)提取绘图数据的特征，其中包括：

(1)平均速度；

(2)平均加速度；

(3)笔画数；

(4)平均压力；

(5)患者所绘图与标准图案平均偏移距离；

提取的时域特征和频域特征作为新的序列数据，作为用于识别序列的复合神经网络的输入；提取的绘图数据的特征以进度条的形式与绘图数据生成标准大小的特征数据谱图，作为用于识别图像的卷积神经网络的输入；

步骤五具体为：计算机将新的序列数据输入到事先训练好的复合神经网络中，将生成的绘图的特征数据谱图输入至事先训练好的卷积神经网络中，程序通过分析神经网络的输出结果对用户的每一项帕金森运动症状进行评分，并依据预先设定好的各项运动症状所占权值对用户的帕金森病情或恢复情况进行综合评估；复合神经网络由一维卷积神经网络和长短期记忆神经网络LSTM组成，一维卷积神经网络架构由一个包含30个长度为20的滤波器的卷积层、一个最大池化层、一个包含30个长度为10的滤波器的卷积层、一个最大池化层和最后一个全连接层组成，一维卷积神经网络末端的全连接层附加到LSTM，LSTM是循环神经网络RNN的一种，其隐藏层的激活计算如下：

其中为网络的隐藏层向量，是将输入连接到第n个隐藏层的权重矩阵，是将第x个隐藏层连接到第y个隐藏层的权重矩阵，b是偏差，H是隐藏层函数，隐藏层函数h不仅采用t处的输入，还采用t-1处的输入来学习输入之间的依赖关系，输出序列计算如下：

LSTM的关键就是细胞状态，LSTM有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力，除了循环神经网络中的经典分类之外，LSTM还包含遗忘、忽略和选择门，以便更好地学习数据之间的依赖关系，LSTM的输入i_t、遗忘f_t、输出o_t和选择门c_t的公式以及每个细胞的最终输出h_t如下：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o)

h_t＝o_ttanh(c_t)

其中，σ()表示Sigmoid函数，i_t、f_t、o_t和c_t分别为输入门、遗忘门、输出门和选择门的输出，h_t为细胞的最终输出，c_t-1为前一个细胞选择门的输出，也是前一个细胞状态，W_xy为不同门相互连接的权重矩阵，b为偏差；

卷积神经网络由输入层、卷积层、输出层、全连接层和输出层组成，一开始卷积层从输入层接收一个2D输入图像，并使用3×50个3×10步长的卷积滤波器来融合来图像的局部信息；图像通过一个卷积层之后，第二个卷积层从先前的特征图中提取更高级特征；卷积层使用整流线性单元函数ReLU作为激活函数；在每个卷积层之后，添加具有30％损失函数的dropout层以规避过拟合；最后，全连接FC层统一所有先前训练的神经元，并将softmax分类器连接到FC层以量化严重性，并由输出层输出分类结果。