基于可穿戴傳感器的帕金森病患者肢體末端震顫的檢測*

武文豪，吳曦，沈林勇，錢晉武△

(1.上海大學機電工程與自動化學院，上海 200072；2.長海醫院，上海 200433)

1 引 言

帕金森病(parkinson′s disease，PD)，是一種中老年人常見的運動障礙性疾病，又稱震顫麻痹，嚴重影響了患者的生活質量。據統計，我國PD患者有170萬, 其中55歲以上的人群中每100人就有1例PD病患者, 估計每6年新增PD病患者約10萬人[1]，因此，帕金森病的診斷技術和評估技術非常重要。

帕金森病的主要癥狀為震顫、運動遲緩、僵直、平衡障礙。其中，手部靜止性震顫是主要的臨床癥狀之一，大約有70%的患者有震顫癥狀，特征為患者的手指在靜止狀態下不自主地抖動，典型患者的癥狀表現為一種稱為搓丸樣的震顫[2]。因為震顫是初期的表現，因此對于診斷早期的帕金森病有著重要作用。目前仍是由臨床醫生根據患者的病史、體檢或患者的自我評價，來診斷帕金森病，判斷病情[3]。這種方式主要是依靠醫生通過量表進行觀察，敏感性較低，不易于發現患者輕微的癥狀，難以消除不同評估者主觀差異造成的影響，不利于對患者的病情進行縱向觀察。因此，通過裝置對震顫進行檢測，測量其數據并對其量化，可以提供可靠有效的數據，幫助醫生更好的了解病情[4]。

目前，研究者采用不同的方法量化和檢測震顫，主要包括表面肌電信號(sEMG)[5-7]、慣性傳感器[8-10]、手畫線檢測[11-12]和光學傳感器檢測[13]。sEMG方法其采集過程較為復雜，不利于快速檢測。光學傳感器檢測對周圍環境的要求較高。以上兩種方法設備都比較復雜，不適合長時間的記錄數據。但隨著微機電系統(micro electro mechanical system，MEMS)技術和微加工技術的發展，微型傳感器也快速發展[14]。慣性傳感器的體積更小、精度更高，使用方便，為長時間的震顫檢測提供了新的方法。美國Cleveland醫療儀器公司研制了人體運動功能評估系統Kinesia，該裝置穿在手腕部和手指，其中包含了加速度計和陀螺儀，將每日采集的數據傳到電腦中[15]。研究者采用智能手機進行震顫檢測，該研究采用手機的加速度計和陀螺儀檢測震顫，并對數據進行存儲和計算[16]。國內的研究中大多進行檢測算法的研究[17]，尚無商業化的產品出現。而且以上研究大部分都是采用角速度和角加速度數據，較少采用加速度數據，并都是臨床性質的研究。

本研究設計了一種采用九軸傳感器的震顫檢測裝置，主要用于臨床上帕金森病的震顫檢測。首先介紹裝置的整體框架，然后介紹對于加速度數據的數據處理。并進行臨床試驗，采集4名帕金森患者和4名健全者的數據，獲取特征參數，采用多元線性回歸方程量化震顫的嚴重程度。

2 檢測裝置設計

針對臨床震顫檢測，要求檢測設備盡可能的小，不影響患者的動作，不會使患者產生不適感，并且能長時間的檢測。檢測裝置硬件分為4部分，分別是傳感器模塊、無線發射模塊、無線接收模塊和數據處理，見圖1。其優點是將傳感器模塊與無線發射模塊分開，將傳感器模塊通過魔術貼綁在食指上，而無線發射模塊綁在手腕上，減輕患者手指部的負重感和不適感。通過將數據無線傳輸到電腦，可以存儲大量的數據，并且不會受到數據傳輸線纜的影響。

通過傳感器模塊進行采集數據，然后通過無線傳輸模塊傳輸數據到接收模塊，接收模塊通過USB接口將數據傳輸到電腦上，電腦通過軟件將數據保存成txt格式，然后通過美國MathWorks公司的Matlab R2014a軟件對數據進行處理。

圖1 檢測裝置總體框圖

圖2是檢測裝置的實物圖。圖2(a)是完整裝置，包括左手檢測裝置、右手檢測裝置和無線接收模塊，其中左手檢測裝置和右手檢測裝置分別包括傳感器模塊和無線發射模塊。圖2(b)顯示當傳感器模塊穿戴在手上時的坐標系，顯示了傳感器三軸加速度的方向。

圖2 檢測裝置實物圖

其中，傳感器采用以MPU6050為檢測芯片的JY-901模塊。該模塊集成高精度的陀螺儀、加速度計、地磁場傳感器，采用高性能的微處理器和先進的動力學解算與卡爾曼動態濾波算法，能夠快速求解出模塊當前的實時運動姿態。無線發射模塊采用Nordie公司的NRFL01作為核心控制芯片，實現與傳感器模塊的信息交互，并進行數據無線傳輸。無線發射模塊與傳感器模塊通過串口進行通信，之間通過柔性的杜邦線相連。電源模塊采用400 mAh的鋰電池為傳感器模塊和無線發射模塊進行供電，可以連續測量4 h。

3 實驗方案

選取8名受試者參與該項實驗，被分為2組，分別為實驗組和對照組。實驗組包括4名PD患者，對照組包括4名健全受試者。所有受試者均要求神智清楚，能夠配合完成評估。該實驗獲得了上海長海醫院醫學倫理委員會批準，受試者簽署了知情同意書。

實驗組的4名PD受試者為上海長海醫院確診的帕金森病患者，2男2女，PD受試者的年齡在62～65歲之間，平均年齡為63.00±1.23 歲，平均病齡為10.50±0.87 年。對照組為4名健全受試者，3男1女，目的是為了與PD患者的加速度數據進行對比，得到患者數據與健全人數據的差異。健全受試者的平均年齡是51.02±5.20歲。所有受試者左右手均穿戴手部震顫檢測裝置，傳感器模塊穿戴在食指的第2節指骨，無線發射模塊穿戴在手腕上。

目前，臨床上對PD患者運動癥狀嚴重程度的評估主要通過統一帕金森評定量表(UPDRS)[18]。該表是對PD患者生活質量評價的常用量表，可以對PD患者的運動、日常生活能力、病程發展程度等方面做出客觀的評判。UPDRS中的第三部分是對運動能力的評估，評估每個項目評分分為5級(0～4分)，0分為正常，4分癥狀最嚴重。

受試者需要完成UPDRS-III中的第20項靜止性震顫項目，只評估手部的信號，即將雙手放在大腿上，保持不動持續15 s。PD受試者要求受試者不服藥12 h后，第二天早晨完成測量，以確保可以體現受試者藥前的真實癥狀，同時所有測試過程均由攝像機錄下。實驗后將錄像中的患者信息去除，由一名醫生進行評估，得到評分。健全受試者由于無震顫癥狀，因此評分默認為0。PD患者震顫的主要頻率是在3～8 Hz之間，因此根據采樣定理，設定采樣頻率為100 Hz。

4 數據處理

圖3為PD受試者的數據處理流程圖。針對PD受試者的數據處理主要分為兩個部分：震顫檢測和特征提取。震顫檢測是為了判斷受試者是否發生震顫。當震顫發生時，對該數據段提取特征值，以量化評估患者癥狀的嚴重程度。數據處理過程主要對數據進行了時域、頻域的分析，并在其中求取了特征值。數據處理的過程均在MATLAB中完成。

圖3 PD受試者數據處理流程圖

4.1 震顫檢測

PD受試者得到的X，Y，Z軸的加速度數據受到重力、衣物摩擦、驅干的微動等影響，需要對數據進行濾波，采用截止頻率為1 Hz的高通濾波器進行濾波處理。

使用5 s的窗口對數據進行劃分，判斷這5 s內是否發生震顫。由于震顫的主要頻率是在3～8 Hz之間[5]，因此需要對數據進行頻域的分析。采集的數據是離散的，這里采用離散傅里葉變換(DFT)對數據進行處理。經過DFT變換后，判斷震顫的條件有2個，若2個條件都滿足，判斷在該窗口內發生震顫。

條件1：檢測靜止性震顫，手部無其他運動，因此，如果受試者有震顫，其頻譜圖中就會有明顯的峰值，只要x,y,z軸數據中任意有一軸存在明顯峰值，則條件1通過。幅頻圖中的第一大峰值Pm和第二大峰值Pm2，若第二大峰值小于第一大峰值的60%，則判斷存在明顯峰值。

(1)

條件2：若第一大峰值所在的頻率f在3～8 Hz，則條件2通過。

3Hz

(2)

4.2 特征提取

當檢測到震顫發生后，需要對數據進行特征提取，主要提取震顫在時域、頻域和譜域的特征。由于得到的數據受到一些高頻噪聲干擾，因此這里需要采用3～8 Hz的帶通濾波器將震顫信號分離出來。FIR濾波器是一種在數字信號處理領域中應用非常廣泛的基礎性濾波器，其可以在保證任意幅頻特性的同時具有嚴格的線性相頻特性。本研究采用凱塞窗的有限脈沖響應數字濾波器(FIR)，FIR濾波器下截止頻率為3 Hz，上截止頻率為8 Hz，過渡帶寬為0.2 Hz，通帶波動小于0.1 dB。

在時域、頻域和譜域中計算震顫信號的特征值，由于每個PD受試者的震顫方向均不同，因此，特征的提取均是基于x、y、z三軸的合加速度

(3)

其中N表示該數據段的點數，i表示第幾個點，a(i)表示在i點的總加速度，ax(i)、ay(i)、az(i)分別表示x,y,z三軸在i點的加速度。

(1)時域：

均方根(RMS)是一種統計量，其計算公式如下：

(4)

(2)頻域：由于震顫是以一種固定頻率的抖動，因此對x、y、z軸數據進行DFT變換，可以求出震顫主頻率。震顫主頻率是一種顯示PD受試者震顫特性的特征值。若三軸的主頻率不同，取三軸中最大峰值的頻率作為主頻率Pf。震顫峰值PM為三軸在Pf處的合加速度。

(5)

(3)功率譜：在現代信號分析中，對于常見的隨機信號，不可能用清楚的數學關系式來描述，但可以利用給定的N個樣本數據估計一個信號的功率譜密度，叫做功率譜估計(PSD)。由功率譜密度計算得出的峰值功率，可以較好的反應信號的能量，與震顫的評分相關性較好[17]。這里采用周期圖法進行PSD分析，根據PSD進一步計算峰值功率。總的峰值功率為各個軸的加速度信號的峰值功率之和。總峰值功率也表示震顫的幅度。對于PSD評估，各個軸的峰值功率為圍繞主頻率Pf在±0.4 Hz長度的功率評估。圖4表示了PSD評估，其中陰影部分的面積就是表示峰值功率。

方程6表示的加速度信號某一軸的峰值功率Ppeak計算，式7計算了三軸總的峰值功率：

(6)

(7)

圖4 PSD評估與峰值功率計算

5 實驗結果與分析

經過實驗和數據處理，圖5為選擇實驗組中任意一名PD受試者和對照組任意一名健全受試者的左右手靜止性震顫波形圖。其中，PD受試者左手震顫UPDRS評分為3，右手UPDRS評分為1，健全受試者由于無震顫，認定左右手評分均為0。

圖5 PD受試者和健全受試者手部波形圖

Fig5WaveformsofhandinPDsubjectsandhealthysubjects

將PD受試者和健全受試者的波形對比，健全受試者的加速度數據數值較小且波動較小，而PD受試者存在明顯波形，數值大且波動較大。表明該裝置可以檢測出靜止性震顫信號，并且可以分辨出PD患者和健全者。針對于PD受試者的數據，其左手和右手的波形數據也有較大不同，左手比右手的波動幅度更大，這與UPDRS的評分相對應，左手的UPDRS評分為3，右手的UPDRS評分為1。這表明加速度信號的時域數據可以用于量化PD受試者靜止性震顫的嚴重程度，幫助醫生判斷病情。

經過DFT變化，對數據進行頻域上的分析，檢測震顫的發生。圖5(a)和(b)分別為上述PD受試者和健全受試者左手和右手數據的頻域對比圖，包括X、Y、Z三軸數據的幅頻曲線，虛線表示X軸，實線表示Y軸、點線表示Z軸。對比PD受試者和健全受試者，觀察到PD受試者的幅頻圖在3～8 Hz之間有明顯的峰值，并且幅度較大，而健全受試者的沒有明顯的峰值，并且幅度較小，較為平緩。對比PD受試者的左手和右手幅頻圖，觀察到左手的峰值比右手的峰值大，并且其峰值頻率也不同，與UPDRS評分相對應。說明頻域數據可以量化震顫嚴重程度。

對4名PD受試者和4名健全受試者穿戴采集儀器得到的數據進行濾波后，進行時域和頻域的分析，并計算特征值，得到表1的數據。表1中包含8名受試者5種特征值，分別為MEAN(均值)、RMS(均方根值)、pf(峰值頻率)、pm(峰值振幅)和Ppeak(峰值功率)，并且分析了5種特征值與受試者UPDRS靜止性震顫評分之間的相關系數。相關系數反映了特征值與評分之間的相互關系。從表中可以看出MEAN、RMS、Pm和Ppeak與評分之間的相關性較好，相關系數分別為r=0.886,r=0.885,0.883，0.816，并且通過研究發現這四種特征值的對數值與評分的相關性更高，分別為r=0.97,0.971,0.954,0.963。而pf與評分的相關系數為r=0.093，兩者的相關程度極弱，可以視為不相關，表明峰值頻率是震顫的特性，與癥狀的嚴重程度沒有關系。

圖6PD受試者和健全受試者手部數據的頻域對比圖

Fig6FrequencydomaincomparisonofhanddatabetweenPDsubjectsandhealthysubjects

表1中時域和頻譜域中均方根值和峰值功率的對數值的相關系數更高一些。因此，采用這兩種特征值建立多元線性回歸模型對UPDRS分數進行預測評估。多元線性回歸模型公式為：

表1 PD受試者和健全受試者特征值

Rank=a1×ln(RMS)+a2×ln(PPeak)+b

(8)

其中，a1、a2、b分別回歸系數，Rank為預測的震顫評分。通過計算，得出a1=0.878、a2=-0.087、b=2.57。該回歸模型得出的預測評分如表1中的最后一列。由于回歸模型為線性的，通過計算可能出現預測的評分為負值，但是真實的評分最低為0，因此將負值評分均作為0。將預測的評分與醫生評分進行相關性分析，r=0.971。但是針對個別數據，誤差較大，最大誤差0.405。

6 結束語

本研究設計的可穿戴式肢體末端震顫數據采集裝置測量帕金森患者手部震顫的加速度信號，經過濾波得到震顫的數字信號。通過對震顫信號的時域分析和離散傅立葉變換分析可以得到相關的震顫特征參數，通過對特征值與醫生的評分進行相關性分析，得到均值、均方根值和峰值振幅和峰值功率的對數值與評分高度相關(r>0.9)，得出的預測評分與醫生評分相關性較高。本研究設計的可穿戴震顫數據采集裝置能方便的提取受試者的震顫加速度信號，并基于此裝置進行的震顫信號分析方法能夠有效提取相關的震顫特征參數和量化震顫的嚴重程度，可以在一定程度給醫生提供輔助定量診斷的幫助。后續可以對震顫的種類進行分類評分，并且可以采用更加智能的學習方式進行量化評分，如支持向量機、神經網絡算法等。