0 引言

    帕金森病（Parkinson Disease，PD）發(fā)病率高居世界第二，震顫是其最主要的臨床癥狀之一^[1]，分為靜止性震顫和動作性震顫。目前，判斷帕金森病人產(chǎn)生震顫的類型以及其嚴(yán)重程度的方法主要依靠醫(yī)生通過統(tǒng)一帕金森病評分量表（UPDRS）評分，評估的準(zhǔn)確度仍然依賴于醫(yī)生的經(jīng)驗(yàn)和主觀判斷，缺乏量化指標(biāo)。因此，建立一套客觀科學(xué)的帕金森病震顫評估系統(tǒng)具有重要的意義。在國外，出現(xiàn)了基于計(jì)算機(jī)視覺、壓力測試以及慣性器件的帕金森病診斷系統(tǒng)?；谟?jì)算機(jī)視覺的診斷系統(tǒng)很容易受到外界和內(nèi)部因素的影響^[2-4]，基于壓力傳感器的診斷系統(tǒng)只能實(shí)現(xiàn)病患與健康者的鑒別^[5]，無法實(shí)現(xiàn)實(shí)時(shí)監(jiān)控與評估。而德國的K.Niazmand等人設(shè)計(jì)了基于加速度計(jì)的“帕金森病診斷智能服”^[6]，實(shí)現(xiàn)了對于帕金森病人震顫的評估，但操作過程相對復(fù)雜。本文提出了基于MEMS慣性器件的帕金森病震顫實(shí)時(shí)評估系統(tǒng)的主要組成模塊和功能。通過識別4種特定的人體姿態(tài)，實(shí)現(xiàn)了對于震顫特征信號的提取以及對于震顫的評估。算法試驗(yàn)結(jié)果表明，系統(tǒng)對于4種姿態(tài)具有較高的識別率且震顫量化評估參數(shù)有一定的合理性。

1 系統(tǒng)設(shè)計(jì)

    由于帕金森病震顫主要發(fā)生于上肢、下肢和軀干處，則設(shè)置被測對象分別在手腕、胸腔和大腿上穿戴3個(gè)基于MEMS的慣性傳感器單元，各個(gè)傳感器單元敏感軸的指向如圖1所示。該系統(tǒng)慣性傳感器單元中選用InvenSense公司的MPU6050三軸加速度計(jì)和陀螺儀傳感器。該傳感器將測得的數(shù)據(jù)傳輸給發(fā)送端，經(jīng)接收端接收后傳輸至上位機(jī)，以實(shí)現(xiàn)原始信號的采集。該系統(tǒng)無線發(fā)送及接收端均選用NORDIC公司NRF24L01無線6通道收發(fā)芯片，其工作在2.5 GHz世界通用ISM頻段。將每一個(gè)慣性傳感器單元都安裝在獨(dú)立的殼體中，在其內(nèi)部完成原始動態(tài)數(shù)據(jù)的測量與采集，各個(gè)子系統(tǒng)單元之間互不影響，并通過各自無線通信傳輸至接收端，避免了傳感器之間的硬件連接，提高了系統(tǒng)的穩(wěn)定性。

    本系統(tǒng)以Cortex-M3內(nèi)核的32位微處理器為核心，選用STM32F103RE型號。圖2所示是慣性傳感器單元的原理框圖，文獻(xiàn)[7]中對帕金森病人震顫進(jìn)行了分析，文中認(rèn)為該類型號的頻率在4 Hz~12 Hz。在被測對象佩戴慣性單元時(shí)，可以認(rèn)為慣性傳感器與被測對象頻率是一樣的，所以編輯程序?qū)⒓铀俣扔?jì)測量范圍置為±8 g、采樣率置為1 000 Hz、分辨率置為4 096 LSB/g。陀螺儀量程為+1 000 °/s、采樣率為1 000 Hz、分辨率為32.8 LSB/°/S。

    上述參數(shù)的值及量程可以達(dá)到系統(tǒng)的測量要求，并且擁有較低的能耗。慣性加速度計(jì)和陀螺儀測到的信號通過I2C總線到達(dá)MCU，并加載后續(xù)算法對原始信號進(jìn)行濾波。MCU把處理算法得到的數(shù)據(jù)利用SPI總線傳到無線收發(fā)芯片發(fā)送端并通過ISM頻段發(fā)送給芯片接收端，設(shè)置無線接收芯片為三數(shù)據(jù)通道并通過串口發(fā)送給上位機(jī)軟件完成原始數(shù)據(jù)的采集。使用無線數(shù)據(jù)傳輸?shù)姆绞娇梢詫?shí)時(shí)地把采集到的慣性加速度計(jì)和陀螺儀數(shù)據(jù)傳輸?shù)缴衔粰C(jī)中，以便在算法試驗(yàn)中能夠同時(shí)把系統(tǒng)得到的姿態(tài)與人為觀察的結(jié)果作對比，將試驗(yàn)結(jié)果更加直觀地展現(xiàn)出來。

2 特征信號提取及分析

2.1 數(shù)據(jù)預(yù)處理

    慣性加速度計(jì)和陀螺儀傳感器均用100 Hz的采樣頻率實(shí)現(xiàn)數(shù)據(jù)采集、處理和存儲。為了降低信號中測量噪聲的比例，需要對慣性傳感器的原始測量數(shù)據(jù)進(jìn)行一系列信號處理。原始數(shù)據(jù)預(yù)處理分為下述兩個(gè)步驟：首先，慣性器件測量得到的加速度信號內(nèi)有一定的奇異點(diǎn)，為了盡量去掉原始信號內(nèi)奇異點(diǎn)，編寫程序使慣性元件輸出的加速度信號進(jìn)行低通數(shù)字濾波處理，加速度計(jì)頻帶寬度設(shè)置為184 Hz，陀螺儀設(shè)置為188 Hz；第二，考慮到震顫信號傳輸過程中會耦合進(jìn)入不必要的高頻噪聲，而休息性震顫信號頻帶在4 Hz～6 Hz之間，動作性震顫信號頻帶在3.5 Hz～12 Hz之間。為了消除信號中存在的高頻噪聲，本系統(tǒng)上位機(jī)LabVIEW程序中分別編寫相應(yīng)的帶通濾波器以將原始震顫信號中包含的外界高頻環(huán)境噪聲去除。

2.2 4種特定人體姿態(tài)特征分析

    帕金森病人震顫類型分為靜止性震顫和動作性震顫，而震顫多發(fā)生于上肢、下肢和軀干處。據(jù)此定義4種特定的人體姿態(tài)：“站立上肢無動作”、“站立上肢有動作”、“坐上肢無動作”和“坐上肢有動作”，在動態(tài)識別4種姿態(tài)的基礎(chǔ)上，進(jìn)一步進(jìn)行震顫的提取和分類。

    為了判斷人體上肢是否有動作，本文采用了人類日常動作識別領(lǐng)域內(nèi)相對較常用且復(fù)雜度較低的評定算法 SMA（Signal Magnitude Area）^[8]，算法定義為：

式(1)中：a_x、a_y和a_z分別表示手腕處慣性單元的 X、Y 和Z 3個(gè)敏感軸的加速度信號輸出值。為了提高判斷的準(zhǔn)確度，同時(shí)提取采集時(shí)間節(jié)點(diǎn)內(nèi)上肢傾斜角度的變化值A(chǔ)_C作第二個(gè)判斷條件，參數(shù)計(jì)算公式定義為：

式中W_z為手腕處角速度輸出值。靜止與動作狀態(tài)手腕處特征參數(shù)曲線如圖3所示。

    “站”與“坐”姿態(tài)大腿處特征參數(shù)曲線如圖4所示。為了判斷被測對象是“站”姿態(tài)還是“坐”姿態(tài)，按照圖中大腿處慣性單元各軸的指向，通過公式解出其Z軸與自然坐標(biāo)系Z軸夾角，定義為

3 分類器設(shè)計(jì)

    經(jīng)過多次針對給定人體姿態(tài)和震顫類別的特征信號提取試驗(yàn)，利用上文介紹的人體姿態(tài)與震顫特征信號提取算法，本文選取了5個(gè)特征參數(shù)用于設(shè)計(jì)分類器，如表1所示。據(jù)二叉決策樹思想設(shè)計(jì)了本系統(tǒng)的目標(biāo)分類器，分類器參數(shù)由特征參數(shù)和一定的偏差量組成，偏差量大小的選取在一定程度上會影響分類器的性能。分類算法的流程圖如圖5所示。

4 量化評估算法

    休息性震顫信息提取過程中，通過窗函數(shù)標(biāo)記可確定震顫周期起始和終止的時(shí)間，對標(biāo)記有震顫發(fā)生的數(shù)據(jù)進(jìn)行時(shí)域處理，計(jì)算加速度數(shù)據(jù)的均方根，記為I(Intensity)，發(fā)生相應(yīng)震顫的持續(xù)時(shí)間記為T，則休息性震顫的嚴(yán)重程度RTS(Rest-Tremor-Severity)定義為：

將敏感軸y軸參數(shù)記為Y_RTS，震顫參數(shù)的具體量化通過試驗(yàn)確定。

    動作性震顫嚴(yán)重程度MTS(Move-Tremor-Severity)通過觀察到運(yùn)動震顫所占整個(gè)運(yùn)動時(shí)間的百分比來實(shí)現(xiàn)，定義為：

式中t為動作震顫發(fā)生的時(shí)間，T為運(yùn)動的總時(shí)間。震顫評估算法實(shí)現(xiàn)如圖6所示。

5 試驗(yàn)驗(yàn)證

    為了驗(yàn)證數(shù)據(jù)處理算法中閾值參數(shù)及分類算法中特征參數(shù)選取的合理性，評估本文提出的人體姿態(tài)分類算法和震顫量化算法的正確性。進(jìn)行了對于4種特定人體姿態(tài)和上肢震顫類型的判定以及震顫評估試驗(yàn)。在上位機(jī)LabVIEW平臺上將分類算法以G語言的形式寫入到人體姿態(tài)及震顫分類評估系統(tǒng)中，進(jìn)行多次試驗(yàn)并按照所得結(jié)果統(tǒng)計(jì)正確識別的次數(shù)，并分析系統(tǒng)的識別率。在相同環(huán)境條件下，重復(fù)進(jìn)行 30 次試驗(yàn)。IMU模塊及試驗(yàn)圖如圖7所示。

    由表2可以得知分類系統(tǒng)對于特定姿態(tài)識別表現(xiàn)出了良好的識別性能。對于震顫的分類識別，在30次試驗(yàn)中均有少數(shù)的錯(cuò)誤識別。靜止性震顫的錯(cuò)誤識別均表現(xiàn)為：將靜止性震顫識別為無震顫；動作性震顫的錯(cuò)誤識別均表現(xiàn)為：將動作性震顫識別為靜止性震顫。分析原因是由于參數(shù)所選取的閾值并不合適，可以通過大量的樣本數(shù)據(jù)來訓(xùn)練優(yōu)化閾值參數(shù)，從而減少識別誤差。試驗(yàn)結(jié)果可以看出對于靜止性輕微震顫和靜止性明顯震顫，震顫量化參數(shù)RTS的均值有明顯的變化，反映了量化參數(shù)與震顫劇烈程度的映射關(guān)系，同時(shí)驗(yàn)證了靜止性震顫量化參數(shù)的選取是合理的。

6 結(jié)論

    本文利用MEMS慣性器件搭建了一套帕金森病震顫實(shí)時(shí)分類評估系統(tǒng)，同時(shí)驗(yàn)證了人體姿態(tài)識別與震顫評估算法。試驗(yàn)結(jié)果表明，該系統(tǒng)能夠在識別特定人體姿態(tài)的基礎(chǔ)上實(shí)時(shí)地分類和量化震顫信息，以達(dá)到輔助醫(yī)生客觀得給出臨床診斷結(jié)論的目的。

參考文獻(xiàn)

[1] EROLA T.Deep brain stimulation of the subthalamic nucleus：A clinical study，in Medica.2015，Acta Universitatis Ouluensis.

[2] CHAO C W，CHAO W H，LI S H，et al.A vision-based analysis system for gait recognition in patients with Parkinson′s disease，Expert Systems with Applications，2009，36(3)：7033-7039.

[3] Li Shancang，Wang Jue，Wang Xinheng.A novel gait recognition analysis system based on body sensor networks for patients with parkinson′s disease.IEEE Geobecom 2010 Workshop on Advanced Sensor Integration Technology：256-260.

[4] Samarjit Das，Laura Trutoiu，Akihiko Murai.Quantitative measurement of motor symptoms in parkinson′s Disease：A Study with Full-body Motion Capture Data.33rd Annual International Conference of the IEEE EMBS Boston，Massachusetts USA，August 30-September 3，2011：6789-6792.

[5] BAMBI R B，SUJATA P，GEORGE C，et al.Application of modified regression techniques to a quantitative assessment for the motor signs of parkinson′s Disease.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2009，17(6)：568-575.

[6] NIAZMAND K，TONN K，KALARAS A，et al.A measurement device for motion analysis of patients with Parkinson′s disease using sensor based smart clothes.2011 5th International Conference on Pervasive Computing Technologies for Healthcare(PervasiveHealth) and Workshops，2011：9-16.

[7] DEUSCHL G，BAIN P，BRIN M.Consensus statement of the movement disorder society on tremor.Movement Disorders，1998，13：2-23.

[8] 王建平，焦國太，劉彩花.智能封鎖雷自修復(fù)策略研究[J].科學(xué)技術(shù)與工程，2013，13(3)：588-592.