[發明專利]一種基于近似熵和互近似熵的帕金森患者震顫癥狀量化評測方法

有效

• 申請號: 201410833652.3
• 申請日: 2014-12-25
• 公開（公告）號: CN104398263B
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 程楠;許勝強;曾強;王訓;楊先軍;韓詠竹;劉遙;汪飛躍;唐正;姚志明;王廣軍;張曉翟;李紅軍;王濤;馬祖長;周旭;孫怡寧
• 申請（專利權）人: 中國科學院合肥物質科學研究院;安徽中醫藥大學神經病學研究所附屬醫院
• 主分類號: A61B5/11
• 分類號: A61B5/11
• 代理公司: 北京科迪生專利代理有限責任公司11251
• 代理人: 成金玉,李新華

1.一種基于近似熵和互近似熵的帕金森患者震顫癥狀量化評測的分類器，其特征在于：所述分類器為利用模式識別理論中的支持向量機分類模型構建，所述分類器包括區分正常人震顫與帕金森患者震顫的分類器和區分帕金森患者不同震顫等級的分類器；所述分類器的模型構建部分是指利用模式識別理論中的支持向量機分類模型分別構建區分正常人震顫與帕金森患者震顫的分類器以及區分帕金森患者不同震顫等級的分類器；所述分類器的輸入均為計算的7個參數：拇指震顫數據幅值、拇指震顫數據頻率、食指震顫數據幅值、食指震顫數據頻率、拇指震顫數據近似熵、食指震顫數據近似熵、拇指與食指震顫數據之間的互近似熵；所述區分正常人與帕金森患者的分類器輸出為正常人震顫或帕金森患者震顫；所述區分帕金森患者不同震顫等級的分類器輸出為震顫等級，0級到4級；

所述近似熵的定義為ApEn(S_N,m,r)，式中的S_N為包含N個數據的拇指震顫數據序列或食指震顫數據序列，記S_N＝[HR₁,HR₂,HR₃,…HR_N]；m為劃分數據序列的滑動窗口長度；r為相似閾值；S_N中的HR_i表示第i時刻的采樣數據值，i取值范圍為1到N；

所述拇指震顫數據和食指震顫數據利用慣性單元采集；再利用巴特沃斯低通濾波器對慣性單元采集的拇指震顫數據和食指震顫數據進行低通濾波；同時基于濾波處理后的拇指震顫數據和食指震顫數據，計算拇指震顫數據幅值、拇指震顫數據頻率、食指震顫數據幅值和食指震顫數據頻率；然后對經過濾波處理后的所有測試人員指定動作震顫數據以4:1的比例隨機構建樣本訓練集和樣本測試集；

再計算樣本訓練集中每一樣本的拇指震顫數據近似熵、食指震顫數據近似熵以及拇指震顫數據與食指震顫數據之間的互近似熵；所述慣性單元包括：設備盒、六軸慣性傳感器、嵌入式無線模塊、鋰電池、電源按鍵、狀態指示燈、數據線；嵌入式無線模塊、鋰電池、電源按鍵、狀態指示燈置于設備盒中，設備盒表面留有電源按鍵接口和狀態指示燈接口，設備盒側面留有數據線連接接口；六軸慣性傳感器與設備盒之間通過數據線連接；鋰電池負責嵌入式無線模塊和狀態指示燈供電；電源按鍵控制鋰電池供電的開與關；六軸慣性傳感器固定在測試人員右手或左手的拇指和食指上，用于獲取測試人員在指定動作下的拇指震顫數據和食指震顫數據，并將震顫數據通過嵌入式無線模塊進行傳輸；所述震顫數據是指利用慣性單元節點中的六軸慣性傳感器獲取的三軸加速度數據和三軸陀螺儀數據；

所述指定動作是指靜止性震顫動作和姿勢性震顫動作，靜止性震顫動作為：測試人員坐在椅子上，眼睛目視前方，雙手放在大腿上保持靜止；姿勢性震顫動作為：測試人員在站立狀態下，雙腳并攏，眼睛目視前方，雙臂向前伸展，保持與肩同寬，五指伸開，五指手指之間微微分開；

所述巴特沃斯低通濾波器的截止頻率為30Hz；

所述拇指震顫數據近似熵和食指震顫數據近似熵的具體計算步驟為：

(1)對所述的拇指震顫數據序列或食指震顫數據序列S_N，以m長度，利用滑動窗口方式進行截取，得到N-m+1個子序列集合，子序列集合記為P_m＝[p_(m)(1),p_(m)(2),…p_(m)(N-m+1)]，其中p_m(i)＝[HR_i,HR_i+1,…,HR_i+m-1]，1≤i≤N-m+1；

(2)利用下式比較子序列集合P_m中的p_(m)(i)與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，|*|表示距離計算，max{*}表示取最大值，d_ij表示m個序列之間的距離最大值；統計在序列集合P_m中與p_(m)(i)相似的個數n_im(r)，相似的個數包含與自身相似；定義C_im(r)為：在滑動窗口長度為m的情況下，子序列集合P_m中與p_(m)(i)相似的個數與子序列集合中序列個數N-m+1的比值，C_im(r)記為：

Cim(r)=nim(r)N-m+1]]>

(3)計算子序列集合P_m中每一個子序列p_(m)(1),p_(m)(2),…,p_(m)(N-m+1)的C_im(r)，所有子序列C_im(r)的平均值記為C_m(r)：

Cm(r)=Σi=1N-m+1Cim(r)N-m+1]]>

(4)在滑動窗口長度為m，相似閾值為r的情況下，定義數據序列S_N的近似熵ApEn(S_N,m,r)為：

ApEn(SN,m,r)=ln[Cm(r)Cm+1(r)]]]>

式中ln表示取對數；C_m+1(r)可按步驟(1)、步驟(2)和步驟(3)取滑動窗口長度為m+1進行計算；

所述近似熵ApEn(S_N,m,r)的取值范圍為0到2，用于表征數據序列S_N的規律性和可預測性；ApEn(S_N,m,r)的值越小，表明數據復雜度越小，越有規律性和可預測性；ApEn(S_N,m,r)的值越大，表明數據復雜性越高，數據規律性不明顯，難以預測；

所述互近似熵的定義為Cross-ApEn(S_TN,S_INm,r)，式中S_TN和S_IN分別為：包含N個數據的拇指震顫數據序列和包含N個數據的食指震顫數據序列，記S_TN＝[HR_T1,HR_T2,HR_T3,…HR_TN]，S_IN＝[HR_I1,HR_I2,HR_I3,…HR_IN]；HR_Ti表示拇指第i時刻采樣的數據值，Ti的取值范圍為：T1到TN；HR_Tj表示食指第j時刻采樣的數據值，Tj的取值范圍為：T1到TN；m為劃分數據序列的滑動窗口長度，r為相似閾值；

所述拇指震顫數據與食指震顫數據之間的互近似熵的具體計算步驟為：

(1)對所述的拇指震顫數據序列S_TN和食指震顫數據序列S_IN分別以m長度，利用滑動窗口方式進行截取，分別得到N-m+1個子序列集合P_m和Q_m，子序列集合P_m和Q_m分別記為：P_m＝[p_(m)(1),p_(m)(2),…,p_(m)(N-m+1)]和Q_m＝[q_(m)(1),q_(m)(2),…,q_(m)(N-m+1)]；其中p_m(i)＝[HR_Ti,HR_T(i+1),…,HR_T(i+m-1)]，q_m(i)＝[HR_Ii,HR_I(i+1),…,HR_I(i+m-1)]，1≤i≤N-m+1；

(2)利用下式比較拇指震顫數據子序列集合P_m中的p_(m)(i)和食指震顫數據子序列集合Q_m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，|*|表示距離計算，max{*}表示取最大值，d_ij表示m個序列之間的距離最大值；統計在拇指震顫數據子序列集合P_m中與食指震顫數據子序列集合Q_m中的q_(m)(j)相似的個數n_im(r)，定義C_im(r)為：在滑動窗口長度為m的情況下，拇指震顫數據子序列集合P_m中與食指震顫數據子序列集合Q_m中的q_(m)(j)相似的個數與子序列集合中序列個數N-m+1的比值，記C_im(r)為：

Cim(r)=nim(r)N-m+1]]>

(3)計算食指震顫數據子序列集合Q_m中每一個子序列q_(m)(1),q_(m)(2),…,q_(m)(N-m+1)的C_im(r)，所有子序列C_im(r)的平均值記為C_m(r)：

Cm(r)=Σi=1N-m+1Cim(r)N-m+1]]>

(4)在滑動窗口長度為m，相似閾值為r的情況下，定義拇指震顫數據序列S_TN和食指震顫數據序列S_IN之間的互近似熵Cross-ApEn(S_TN,S_INm,r)為：

Cross-ApEn(STN,SIN,m,r)=ln[Cm(r)Cm+1(r)]]]>

式中ln表示取對數；C_m+1(r)可按步驟(1)、步驟(2)和步驟(3)取滑動窗口長度為m+1進行計算；

所示互近似熵Cross-ApEn(S_TN,S_INm,r)的取值范圍為0到2，用于表征拇指震顫數據序列S_TN和食指震顫數據序列S_IN的同步性，Cross-ApEn(S_TN,S_INm,r)的值越小，表明數據S_TN與S_IN的同步性越高，越有規律性和可預測性；Cross-ApEn(S_TN,S_INm,r)的值越大表明數據S_TN與S_IN的同步性越低，數據規律性不明顯，難以預測。