基于步态分析的帕金森病分级评估算法研究.pdf

第 卷 第 期 年 月龙 岩 学 院 学 报 工业技术基于步态分析的帕金森病分级评估算法研究邱启明，王清辉，陈鑫华（龙岩学院 福建龙岩）摘要：设计一种基于 深度学习模型的帕金森病辅助诊断与分级评估算法。该算法先对原始数据进行小波降噪和滑动窗口采样预处理，然后使用 模型进行训练和识别，最后使用由 名特发性帕金森病患者和 名健康正常人组成的足底压力步态数据集对算法进行验证。实验结果表明，严重程度四等级的分级准确率达到。证明该算法可以诊断帕金森病人的病情严重程度，为医生在临床上分析和判断病人的患病程度提供了一套良好的辅助诊断工具。关键词：帕金森病；卷积神经网络；长短时记忆网络中图分类号：文献标识码：文章编号：（）帕金森病（，）是一种常见的中老年疾病，其主要作用于大脑，通过破坏脑神经元导致大脑损伤和身体功能障碍。由于疾病进展速度不同，在病情初期通过药物治疗进而缓解病情发展的速度。因此，早期发现和治疗对于患者非常重要。近年来，随着医学技术的不断突破，对于 患者步态的研究已经取得了许多重要的成果。在不同时期的 患者步态差异方面，国内外学者采用了包括统计分析、机器学习和深度学习等各种模型训练方法。通过对数据及其变化进行统计分析，发现数据中的异常现象并分析出其中的规律；机器学习总结以往数据的经验，对新数据进行判断；深度学习提取已有数据的深度特征。国内外研究者在该领域开展了持续的研究，取得了显著的成果。赵文婷研究了 年 月至 年 月在济宁医学院 专科门诊就诊的 例早、中、晚期患者，采用统计分析等方式对患者在不同时期的病情严重程度进行分类。林英杰采用多通道膨胀卷积神经网络对 名 患者和 名健康正常人的步态信号进行分类，取得了 的识别准确率。施翼采用多个机器学习分类器，如随机森林、线性判别分析和多层感知机，对 名中晚期 患者的冻结步态数据进行分类研究，最终准确率分别达到、和。等人利用 有限元分析软件比较 患者和健康正常人足底压力数据之间的变动差异，并使用卷积神经网络（，）取得了 的分级准确率。等人在医学诊断中纳入机器学习（，）算法后，使用了三种级联神经网络模型，包括多层感知机（，）、循环神经网络（，）和长短时记忆网络（，）来提高 诊断性能，疾病预测的准确率达到了。等人提出结合 患者的运动和语音数据，使用深度神经网络和统一帕金森病评定量表进行分级评估，准确率达到 收稿日期：作者简介：邱启明，男，福建龙岩人，龙岩学院物理与机电工程学院实验师，主要研究方向为模式识别、深度学习、智能信息处理。通信作者：王清辉，男，福建龙岩人，龙岩学院物理与机电工程学院副教授，主要研究方向为模式识别、智能信息处理、深度学习、机器学习。基金项目：福建省自然科学基金项目（，）。基于步态分析的帕金森病分级评估算法研究工业技术了。尽管机器学习和深度学习在帕金森病辅助诊断方面已经取得了不错的成果，但是仍然存在不少需要解决的问题。首先，由于不同研究者使用的数据集不同，有些甚至是私有的，因此算法的泛化能力难以评估。其次，特征提取一直是一个难点，虽然一些高级的神经网络可以通过自动学习特征来解决这个问题，但是这种方法也存在一定的局限性。同时，目前的许多研究都是集中在是否患有帕金森病的二分类问题上，对于帕金森病严重程度分级研究关注较少。基于上述问题，提出了一种基于 模型的帕金森病辅助诊断与分级评估算法。在该模型中，网络可以通过多个卷积层和池化层来逐渐提取足底压力数据的局部特征。这些卷积层和池化层可以自动构建滤波器，从而提取出数据中的波峰、波谷、过渡区等局部特征。网络则可以处理时间序列特征，通过自动学习状态转移矩阵，捕捉不同时间点的足底压力数据特征，并结合 网络提取出足底压力数据的整体特征。最终，通过将 和 网络提取的特征组合起来，实现基于足底压力数据对帕金森病的自动分析和诊断。基于 模型的帕金森病辅助诊断与分级评估算法提出的 分类和严重程度分级算法如图 所示。首先从帕金森病步态数据库中提取不同严重程度的帕金森患者和健康正常人的步态数据，并标记不同的标签。随后，对这些数据进行预处理，包括小波降噪和滑动窗口采样等。然后，结合 模型进行特征提取和模型训练，最终得出可用于疾病分类的模型。图 算法框图 数据库简介 表 帕金森病数据集构成表数据库健康轻度中度重度总计合计使用的数据库包括来自（）、（）和（）的 个帕金森病步态子数据集。该数据集包含 名患者和 名健康对照组的数据，是现有能够公开获取到的最大型的帕金森病患者步态数据库。通过患者穿着嵌入八个特定足底压力传感器的鞋垫采集数据，根据霍亚（，）指数进行分级。严重程度分为健康（）、轻度（）、中度（）和重度（）四个等级，详见表。足底压力传感器在步态数据库中的具体分布位置请参考图。数据集中每列特征值都有其独特的意义，其中包括时间戳、左右脚各 个垂直地面反作用力特征值以及两只脚的总垂直地面反作用力特征值，共计 个特征值。具体特征值构成请参考表。数据采集频率为 次，数据集共收集了 名受试者的数据，实验将采用 指数对训练数据进行分类。基于步态分析的帕金森病分级评估算法研究工业技术图 足底传感器分布位置图表 步态数据集特征值构成列号属性第 列时间戳（单位：）第 列患者左脚上 个足底传感器的垂直地面反作用力第 列患者右脚上 个足底传感器的垂直地面反作用力第、列分别为左右脚上的总垂直地面反作用力 数据预处理传感器传输过来的信号可能包含运动过程中产生的有用信号和后续研究无关的信号，这些信号可能会影响分类结果。此外，设备自身也可能存在噪声。因此，通常需要对采集到的数据进行降噪处理。图 滑动窗口取样图采用了小波去噪和滑动窗口方法对原始数据进行降噪和数据集扩展。小波变换是近些年来发展的一种降噪方法，这种方法源于傅里叶变换。小波去噪其实就是融合了特征提取、低通滤波这两种数据。在深度学习网络中，训练所需的数据量越大，就能提取出越多的特征。使用的数据为 行 列的二维时间序列数据，对于机器学习来说，这个数据量足够。然而，对于深度学习模型来说，这个数据量过于稀少，能够提取出的特征也有限。因此，使用滑动窗口取样的方法，用于扩展可用的数据量。具体来说，将单个数据分割成 个 行 列的数据。这个过程可以通过使用 行 列的窗口向下滑动取样来实现，窗口每次向下移动的步长为 行。通过这种方法，将原始的单个数据分割成了 个数据，从而成功扩充了数据量。具体过程如图 所示。模型构建卷积神经网络虽然在信息挖掘领域具有很好的效果，但是在时序预测方面还有欠缺。考虑设计采用的数据集是帕金森病人足底压力的时序数据，因此模型中在卷积神经网络（）的前提下引入长短时记忆网络（）。由于长短时记忆网络中包含遗忘门，可以对时序数据进行选择性遗忘，这样可以过滤无关信息，只保留有效信息，提高了模型提取有效信息的能力。使用的 模型可视化结构如图 所示，参数表如表 所示。表 超参数设置表（），（，），（，），（，）（，），（，）基于步态分析的帕金森病分级评估算法研究工业技术（续表）（），（，），（，）（，），（，），（，），（，）（，），（，），（，），（，）（，），（，），（，）（，），（，）（，）（，），（，）（，），（，）图 模型结构图 实验结果通过实验验证了上述方案生成的四分类效果，评估使用 个性能参数，包括敏感性（，）、特异性（，）、准确率（，）、阳性预测值（，）、阴性预测值（，）、马修斯相关系数（，）和 分数（）。这些参数的计算公式分别如公式（）（）所示，具体介绍可参看文献。式中：为真阳性，为假阴性，为真阴性，为假阳性。敏感性和特异性分别对应 患者和健康对照组被正确分类的概率。基于步态分析的帕金森病分级评估算法研究工业技术（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）（）模型训练过程中的准确度（）曲线和损失率（）曲线如图 所示，受试者工作特征曲线（，）如图 所示，混淆矩阵如图 所示。（）准确度曲线图 （）损失率曲线图图 模型相关曲线图图 的 曲线图 图 四分类 混淆矩阵图基于步态分析的帕金森病分级评估算法研究工业技术四分类训练后得出的分类性能指标如表 所示。提出的算法四分类取得的成果与其他文献所报道的结果对照如表 所示，从表中可得提出的算法精度要高于文献 、文献和文献的算法，虽然分类精度低于文献中的算法，但提出了一种新的分类工具，仅使用了 个特征，而文献中使用了至少 个特征。因此，提出的算法相较于以往的研究成果，在准确率方面得到了显著提高。表 四分类相关因素表分类器表 四分类准确率对比表（在同一个数据库上做比较）序号 参考文献特征分类器准确率 （），（），（），（）（）（），本文提出的算法 结束语提出一种基于 的 分级评估算法，用于将 和 患者按照霍亚分级进行四分类。研究表明，基于步态数据和深度学习模型的分类方法能够客观、无创地评估不同 分级下 患者和 的步态差异。最后将该算法与以往算法进行了比较，并证明了该算法在进行 严重程度分类方面具有良好的分类效果。未来的研究将聚焦在以下两个方面：（）构建更大规模的步态数据库，在大量不同 分级的 患者和年龄匹配的健康对照组中进行算法修正、性能提升和临床验证；（）考虑构建多模态数据库，综合利用包括步态、声音、面部表情、手部运动等在内的多模态数据，以综合反映 患者的病理特征，为 分级预测提供更好的依据。参考文献：赵文婷早中期帕金森病姿势步态障碍亚型的临床特点分析济宁：济宁医学院，：林英杰帕金森病异常步态深度学习模型研究福州：福建师范大学，：施翼基于运动感知的帕金森患者冻结步态检测方法研究武汉：华中科技大学，：，（）：，（）：，（）：，基于步态分析的帕金森病分级评估算法研究工业技术，（）：，：，（）：，：，（）：邵云虹，周晓晶，野金花，等改进小波阈值函数图像去噪通化师范学院学报，（）：解天舒基于卷积神经网络的 方法研究成都：电子科技大学，：管振国基于 模型的医疗智能问答算法研究太原：山西大学，：，：，（）：，（）：，（）：，：，：，：责任编辑：巫永萍 ，（，）：（）（）（），：；