[发明专利]一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法

摘要

本发明提出了一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法，该方法涉及医疗卫生、模式识别等领域，其特征在于包括指定动作下拇指震颤数据采集、食指震颤数据采集及统一帕金森病评分量表UPDRS打分；震颤数据预处理；样本训练集与样本测试集划分；震颤数据近似熵与震颤数据之间的互近似熵计算；分类器的模型构建以及方法的有效性验证。本发明方法利用近似熵和互近似熵有效揭示了帕金森患者震颤的规律性和同步性，结合患者的震颤幅度、震颤频率等特征能够准确对患者的震颤症状进行量化分级。本发明方法是一种客观评估帕金森患者震颤症状的方法，可应用于帕金森患者的治疗和康复评估等领域。

主权项

一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测的分类器，其特征在于：所述分类器为利用模式识别理论中的支持向量机分类模型构建，所述分类器包括区分正常人震颤与帕金森患者震颤的分类器和区分帕金森患者不同震颤等级的分类器；所述分类器的模型构建部分是指利用模式识别理论中的支持向量机分类模型分别构建区分正常人震颤与帕金森患者震颤的分类器以及区分帕金森患者不同震颤等级的分类器；所述分类器的输入均为计算的7个参数：拇指震颤数据幅值、拇指震颤数据频率、食指震颤数据幅值、食指震颤数据频率、拇指震颤数据近似熵、食指震颤数据近似熵、拇指与食指震颤数据之间的互近似熵；所述区分正常人与帕金森患者的分类器输出为正常人震颤或帕金森患者震颤；所述区分帕金森患者不同震颤等级的分类器输出为震颤等级，0级到4级；所述近似熵的定义为ApEn(SN,m,r)，式中的SN为包含N个数据的拇指震颤数据序列或食指震颤数据序列，记SN＝[HR1,HR2,HR3,…HRN]；m为划分数据序列的滑动窗口长度；r为相似阈值；SN中的HRi表示第i时刻的采样数据值，i取值范围为1到N；所述拇指震颤数据和食指震颤数据利用惯性单元采集；再利用巴特沃斯低通滤波器对惯性单元采集的拇指震颤数据和食指震颤数据进行低通滤波；同时基于滤波处理后的拇指震颤数据和食指震颤数据，计算拇指震颤数据幅值、拇指震颤数据频率、食指震颤数据幅值和食指震颤数据频率；然后对经过滤波处理后的所有测试人员指定动作震颤数据以4:1的比例随机构建样本训练集和样本测试集；再计算样本训练集中每一样本的拇指震颤数据近似熵、食指震颤数据近似熵以及拇指震颤数据与食指震颤数据之间的互近似熵；所述惯性单元包括：设备盒、六轴惯性传感器、嵌入式无线模块、锂电池、电源按键、状态指示灯、数据线；嵌入式无线模块、锂电池、电源按键、状态指示灯置于设备盒中，设备盒表面留有电源按键接口和状态指示灯接口，设备盒侧面留有数据线连接接口；六轴惯性传感器与设备盒之间通过数据线连接；锂电池负责嵌入式无线模块和状态指示灯供电；电源按键控制锂电池供电的开与关；六轴惯性传感器固定在测试人员右手或左手的拇指和食指上，用于获取测试人员在指定动作下的拇指震颤数据和食指震颤数据，并将震颤数据通过嵌入式无线模块进行传输；所述震颤数据是指利用惯性单元节点中的六轴惯性传感器获取的三轴加速度数据和三轴陀螺仪数据；所述指定动作是指静止性震颤动作和姿势性震颤动作，静止性震颤动作为：测试人员坐在椅子上，眼睛目视前方，双手放在大腿上保持静止；姿势性震颤动作为：测试人员在站立状态下，双脚并拢，眼睛目视前方，双臂向前伸展，保持与肩同宽，五指伸开，五指手指之间微微分开；所述巴特沃斯低通滤波器的截止频率为30Hz；所述拇指震颤数据近似熵和食指震颤数据近似熵的具体计算步骤为：(1)对所述的拇指震颤数据序列或食指震颤数据序列SN，以m长度，利用滑动窗口方式进行截取，得到N‑m+1个子序列集合，子序列集合记为Pm＝[p(m)(1),p(m)(2),…p(m)(N‑m+1)]，其中pm(i)＝[HRi,HRi+1,…,HRi+m‑1]，1≤i≤N‑m+1；(2)利用下式比较子序列集合Pm中的p(m)(i)与p(m)(j)是否相似，dij=max{|HR(i+k)-HR(j+k)|}dij<r]]>式中1≤i≤N+m‑1，1≤j≤N+m‑1，0≤k≤m，|*|表示距离计算，max{*}表示取最大值，dij表示m个序列之间的距离最大值；统计在序列集合Pm中与p(m)(i)相似的个数nim(r)，相似的个数包含与自身相似；定义Cim(r)为：在滑动窗口长度为m的情况下，子序列集合Pm中与p(m)(i)相似的个数与子序列集合中序列个数N‑m+1的比值，Cim(r)记为：(3)计算子序列集合Pm中每一个子序列p(m)(1),p(m)(2),…,p(m)(N‑m+1)的Cim(r)，所有子序列Cim(r)的平均值记为Cm(r)：(4)在滑动窗口长度为m，相似阈值为r的情况下，定义数据序列SN的近似熵ApEn(SN,m,r)为：式中ln表示取对数；Cm+1(r)可按步骤(1)、步骤(2)和步骤(3)取滑动窗口长度为m+1进行计算；所述近似熵ApEn(SN,m,r)的取值范围为0到2，用于表征数据序列SN的规律性和可预测性；ApEn(SN,m,r)的值越小，表明数据复杂度越小，越有规律性和可预测性；ApEn(SN,m,r)的值越大，表明数据复杂性越高，数据规律性不明显，难以预测；所述互近似熵的定义为Cross‑ApEn(STN,SINm,r)，式中STN和SIN分别为：包含N个数据的拇指震颤数据序列和包含N个数据的食指震颤数据序列，记STN＝[HRT1,HRT2,HRT3,…HRTN]，SIN＝[HRI1,HRI2,HRI3,…HRIN]；HRTi表示拇指第i时刻采样的数据值，Ti的取值范围为：T1到TN；HRTj表示食指第j时刻采样的数据值，Tj的取值范围为：T1到TN；m为划分数据序列的滑动窗口长度，r为相似阈值；所述拇指震颤数据与食指震颤数据之间的互近似熵的具体计算步骤为：(1)对所述的拇指震颤数据序列STN和食指震颤数据序列SIN分别以m长度，利用滑动窗口方式进行截取，分别得到N‑m+1个子序列集合Pm和Qm，子序列集合Pm和Qm分别记为：Pm＝[p(m)(1),p(m)(2),…,p(m)(N‑m+1)]和Qm＝[q(m)(1),q(m)(2),…,q(m)(N‑m+1)]；其中pm(i)＝[HRTi,HRT(i+1),…,HRT(i+m‑1)]，qm(i)＝[HRIi,HRI(i+1),…,HRI(i+m‑1)]，1≤i≤N‑m+1；(2)利用下式比较拇指震颤数据子序列集合Pm中的p(m)(i)和食指震颤数据子序列集合Qm中的q(m)(j)是否相似：dij=max{|HRT(i+k)-HRI(j+k)|}dij<r]]>式中1≤i≤N+m‑1，j＝i，0≤k≤m，|*|表示距离计算，max{*}表示取最大值，dij表示m个序列之间的距离最大值；统计在拇指震颤数据子序列集合Pm中与食指震颤数据子序列集合Qm中的q(m)(j)相似的个数nim(r)，定义Cim(r)为：在滑动窗口长度为m的情况下，拇指震颤数据子序列集合Pm中与食指震颤数据子序列集合Qm中的q(m)(j)相似的个数与子序列集合中序列个数N‑m+1的比值，记Cim(r)为：(3)计算食指震颤数据子序列集合Qm中每一个子序列q(m)(1),q(m)(2),…,q(m)(N‑m+1)的Cim(r)，所有子序列Cim(r)的平均值记为Cm(r)：(4)在滑动窗口长度为m，相似阈值为r的情况下，定义拇指震颤数据序列STN和食指震颤数据序列SIN之间的互近似熵Cross‑ApEn(STN,SINm,r)为：式中ln表示取对数；Cm+1(r)可按步骤(1)、步骤(2)和步骤(3)取滑动窗口长度为m+1进行计算；所示互近似熵Cross‑ApEn(STN,SINm,r)的取值范围为0到2，用于表征拇指震颤数据序列STN和食指震颤数据序列SIN的同步性，Cross‑ApEn(STN,SINm,r)的值越小，表明数据STN与SIN的同步性越高，越有规律性和可预测性；Cross‑ApEn(STN,SINm,r)的值越大表明数据STN与SIN的同步性越低，数据规律性不明显，难以预测。