基于可穿戴式慣性傳感器的帕金森病患者運(yùn)動(dòng)功能自動(dòng)量化研究

孫奕，榮哲，汪豐，徐暢，鄭慧芬

1.江蘇衛(wèi)生健康職業(yè)學(xué)院 全科教研室，江蘇 南京 210029；2.江蘇省老年病醫(yī)院 神經(jīng)內(nèi)科，江蘇 南京 210024；3.東南大學(xué) 生物科學(xué)與醫(yī)學(xué)工程學(xué)院，江蘇 南京 210009

引言

隨著人口老齡化的加劇，帕金森病（Parkinson’s Disease，PD）作為最常見(jiàn)的神經(jīng)變性疾病發(fā)病率逐年上升，據(jù)相關(guān)統(tǒng)計(jì)，在中國(guó)已有近400 萬(wàn)患者[1]。PD 主要表現(xiàn)為包括運(yùn)動(dòng)遲緩、靜止性震顫、強(qiáng)直和姿勢(shì)步態(tài)異常為主要特征的運(yùn)動(dòng)癥狀，以及睡眠障礙、認(rèn)知損害、嗅覺(jué)減退等非運(yùn)動(dòng)癥狀[2]，PD 的臨床診斷和病情評(píng)估主要憑借患者的運(yùn)動(dòng)癥狀[3-4]。目前，統(tǒng)一帕金森病評(píng)分量表（Unified Parkinson’s Disease Rating Scale，UPDRS）為臨床應(yīng)用最廣泛的量表（下列項(xiàng)目包括17 個(gè)項(xiàng)目，每項(xiàng)的計(jì)分值用0、1、2、3、4、5 級(jí)，分值越高表示PD 癥狀越嚴(yán)重）[5]，其包括4 個(gè)部分內(nèi)容，涵蓋核心的運(yùn)動(dòng)癥狀和非運(yùn)動(dòng)癥狀評(píng)估，其中第3 部分量表是患者的運(yùn)動(dòng)功能，內(nèi)容較為全面，但是評(píng)價(jià)時(shí)花費(fèi)時(shí)間長(zhǎng)，同時(shí)評(píng)價(jià)時(shí)易受到醫(yī)護(hù)人員主觀判斷和自身?xiàng)l件的限制[6]。

隨著機(jī)器學(xué)習(xí)技術(shù)尤其是神經(jīng)網(wǎng)絡(luò)的發(fā)展，在對(duì)運(yùn)動(dòng)功能進(jìn)行定量化量表的研究取得一定進(jìn)展，也將人工智能及移動(dòng)技術(shù)加入《中國(guó)帕金森病治療指南（第四版）》[7]中。可穿戴式慣性傳感器能進(jìn)行時(shí)域、頻域分析，獲得如躺、坐、站、走和跑等運(yùn)動(dòng)特征，對(duì)如步頻、步幅、軀干傾角、起立-行走計(jì)時(shí)測(cè)試時(shí)間、運(yùn)動(dòng)對(duì)稱性、協(xié)調(diào)性等PD 患者特征性的運(yùn)動(dòng)參量進(jìn)行實(shí)時(shí)、更精準(zhǔn)、更可靠的檢測(cè)和定量分析，是PD 患者理想的運(yùn)動(dòng)癥狀評(píng)估手段[8-11]。本研究旨在采用可穿戴式慣性傳感器采集的多類別運(yùn)動(dòng)數(shù)據(jù)，探究進(jìn)行UPDRS 運(yùn)動(dòng)相關(guān)指標(biāo)自動(dòng)評(píng)分的方法。

1 資料與方法

1.1 臨床資料

選取2020 年5 月至2021 年12 月在江蘇省老年病醫(yī)院神經(jīng)內(nèi)科就診的PD 患者作為研究對(duì)象。納入標(biāo)準(zhǔn)：① 年齡50～90 歲；② 符合2015 年國(guó)際運(yùn)動(dòng)障礙學(xué)會(huì)原發(fā)性PD 診斷標(biāo)準(zhǔn)；③主訴行走中存在凍結(jié)步態(tài)。排除標(biāo)準(zhǔn)：① 無(wú)獨(dú)立行走和站立能力的患者；② 因骨關(guān)節(jié)及神經(jīng)肌肉疾病、外傷等原因影響行走狀態(tài)；③ 有嚴(yán)重認(rèn)知功能障礙和/或明顯精神癥狀，具體標(biāo)準(zhǔn)為精神狀態(tài)檢查量表（Mini-Mental State Examination，MMSE）評(píng)分＜22 分；④ 嚴(yán)重視力和聽(tīng)力受損無(wú)法配合的患者。共采集有效數(shù)據(jù)110 例，其中男性64 例、女性46 例，年齡61～83 歲，平均年齡（73.35±6.29）歲。正常對(duì)照組為患者家屬或護(hù)工（正常對(duì)照組的納入是為了數(shù)據(jù)集管理工具進(jìn)行自動(dòng)化數(shù)據(jù)的導(dǎo)出和數(shù)據(jù)集構(gòu)建）。所有患者家屬和護(hù)工均規(guī)范簽署知情同意書。

1.2 方法

1.2.1 臨床資料收集

收集所有患者和正常對(duì)照者的性別、年齡、病程等資料，并進(jìn)行MMSE評(píng)分、Hoehn-Yahr（H-Y）分級(jí)（H-Y分級(jí)是為了了解帕金森患者疾病的嚴(yán)重程度。本實(shí)驗(yàn)采用1～4級(jí)的患者，5級(jí)患者無(wú)法完成本實(shí)驗(yàn)）、UPDRS評(píng)分。

1.2.2 范式動(dòng)作

參考UPDRS 量表第3 部分運(yùn)動(dòng)癥狀評(píng)估內(nèi)容，范式動(dòng)作依次為：靜坐動(dòng)作、手臂連續(xù)前旋后旋動(dòng)作、反復(fù)抬腿動(dòng)作、睜眼和閉眼靜止站立動(dòng)作、10 m 折返擺臂行走以及二重任務(wù)的10 m 折返擺臂行走。

1.2.3 運(yùn)動(dòng)采集設(shè)備及數(shù)據(jù)采集

本研究采用東南大學(xué)蘇州醫(yī)療器械研究院開(kāi)發(fā)的可穿戴慣性傳感器系統(tǒng)進(jìn)行運(yùn)動(dòng)數(shù)據(jù)采集，系統(tǒng)由8 個(gè)可穿戴傳感器節(jié)點(diǎn)及上位機(jī)軟件構(gòu)成，全面覆蓋受試者運(yùn)動(dòng)過(guò)程中四肢、軀干的姿態(tài)情況[12]。8 個(gè)傳感器的分布情況如圖1 所示。

如圖2 所示，可穿戴傳感器包含慣性傳感器模塊、微控制單元（Microcontroller Unit，MCU）模塊、電池管理模塊、報(bào)警模塊和存儲(chǔ)模塊共5 個(gè)模塊。MCU 模塊主要負(fù)責(zé)藍(lán)牙通訊、數(shù)據(jù)處理以及通訊處理，傳感器模塊用來(lái)實(shí)現(xiàn)運(yùn)動(dòng)信號(hào)的檢測(cè)，SD 卡用作數(shù)據(jù)備份，電池管理模塊用于電池充放電保護(hù)，報(bào)警模塊用來(lái)進(jìn)行低電量預(yù)警以及通訊狀態(tài)顯示。MCU 模塊采用nRF52840 芯片，支持藍(lán)牙Mesh 無(wú)線組網(wǎng)協(xié)議棧和藍(lán)牙5.0 無(wú)線通信協(xié)議，通過(guò)IIC 接口與傳感器模塊進(jìn)行通信，通過(guò)串行外圍接口（Serial Peripheral Interface，SPI）與存儲(chǔ)模塊進(jìn)行通信，通過(guò)兩個(gè)通用輸入輸出端口（General Purpose I/O Ports，GPIO）來(lái)連接報(bào)警模塊；傳感器模塊采用MPU6050 為核心的慣性傳感單元，獲取三軸加速度、三軸角速度、姿態(tài)角信息，用于檢測(cè)人體運(yùn)動(dòng)姿態(tài)信息并使用IIC 協(xié)議與主控芯片進(jìn)行通信。慣性傳感單元的采樣頻率為100 Hz，加速度量程±16 g，角速度量程±2000°/s；存儲(chǔ)模塊選用32 G 存儲(chǔ)卡，滿足1 周時(shí)間長(zhǎng)度的數(shù)據(jù)存儲(chǔ)；電源管理模塊選擇TP4057 芯片，在保證可穿戴設(shè)備安全性要求的同時(shí)最多可供傳感器連續(xù)工作18 h，滿足日常醫(yī)院使用場(chǎng)景下的需求。

圖2 系統(tǒng)結(jié)構(gòu)框圖

上位機(jī)軟件主要用于接收各個(gè)運(yùn)動(dòng)傳感器的數(shù)據(jù)并進(jìn)行儲(chǔ)存、管理和顯示操作。傳感器采集的數(shù)據(jù)以內(nèi)部格式存儲(chǔ)為記錄文件，包含采樣時(shí)間戳和8 個(gè)傳感器每個(gè)的三軸加速度、角速度、姿態(tài)角信號(hào)。根據(jù)受試者注冊(cè)信息進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的儲(chǔ)存和建立索引，以方便之后的運(yùn)動(dòng)指標(biāo)分析。本研究采用一種基于SQLite 數(shù)據(jù)庫(kù)的記錄管理和數(shù)據(jù)集構(gòu)建工具，使用4 個(gè)數(shù)據(jù)表進(jìn)行管理記錄并使用SQL 內(nèi)聯(lián)受試者動(dòng)作事件表查詢功能進(jìn)行批量導(dǎo)出患者注冊(cè)信息表、評(píng)分表、數(shù)據(jù)記錄表（圖3）。

圖3 上位機(jī)軟件的受試者檔案創(chuàng)建（a）和實(shí)驗(yàn)操作面板（b）

1.2.4 數(shù)據(jù)預(yù)處理

針對(duì)平穩(wěn)動(dòng)作數(shù)據(jù)預(yù)處理采用巴特沃斯（Butterworth）低通濾波器進(jìn)行頻域?yàn)V波，設(shè)置濾波器階數(shù)為8 階，截止頻率16 Hz，主成分分析法對(duì)三軸加速度的三通道信號(hào)做處理去除冗余的坐標(biāo)軸信號(hào)，針對(duì)重復(fù)性動(dòng)作，采用改進(jìn)的加權(quán)滑動(dòng)平均濾波器：Savitzky-Golay 濾波器進(jìn)行去噪處理，針對(duì)腳面快速著地造成的無(wú)效尖峰信號(hào)，采用基于長(zhǎng)度變換的尖峰捕獲-插值重建方法，并進(jìn)行坐標(biāo)軸的動(dòng)態(tài)校準(zhǔn)。

1.2.5 運(yùn)動(dòng)特征參數(shù)提取

對(duì)于震顫和平衡性，著眼于時(shí)域的均方根、頻域的功率譜、信號(hào)熵值等特征參數(shù)，提取的特征參數(shù)通過(guò)基于箱型圖的統(tǒng)計(jì)學(xué)驗(yàn)證。針對(duì)長(zhǎng)時(shí)間動(dòng)作信號(hào)在特征參數(shù)提取后的信息丟失問(wèn)題，利用信號(hào)分段和分段信號(hào)的特征參數(shù)序列組合作為最終的輸入?yún)?shù)向量。各范式動(dòng)作具體特征性參數(shù)如表1 所示。

表1 各范式動(dòng)作的特征參數(shù)

1.2.6 自動(dòng)評(píng)分模型的建立與驗(yàn)證

采用支持向量機(jī)（Support Vector Machine，SVM）作為自動(dòng)評(píng)分的核心分類器，引入松弛參數(shù)ε 和懲罰系數(shù)C，構(gòu)成SVM 的軟間隔模型[13]。在自動(dòng)評(píng)分模型的構(gòu)建中，震顫（靜坐）采用分段信號(hào)的序列參數(shù)作為輸入；平衡性（睜眼、閉眼靜止站立）采用整體信號(hào)的特征參數(shù)差異作為輸入；對(duì)于重復(fù)性動(dòng)作，在應(yīng)用模型前先對(duì)特征參數(shù)進(jìn)行特征篩選，獲取對(duì)UPDRS 評(píng)分具有較高相關(guān)性的特征參數(shù)，再作為輸入向量進(jìn)行模型訓(xùn)練，并對(duì)部分參數(shù)使用主成分分析方法（Principal Component Analysis，PCA）自動(dòng)降維進(jìn)行優(yōu)化，輸出對(duì)應(yīng)的UPDRS 評(píng)分，最后使用k 折交叉驗(yàn)證，將預(yù)測(cè)得分與臨床醫(yī)生的評(píng)分相對(duì)比，檢驗(yàn)一致性。

2 結(jié)果

2.1 震顫自動(dòng)評(píng)分結(jié)果

由圖4 和表2 可知，考慮到UPDRS 評(píng)分為4 分的患者無(wú)法完成動(dòng)作，因此4 分樣本不予考慮，此外震顫測(cè)試動(dòng)作的3 分評(píng)分項(xiàng)目樣本量較少，因此在之后的研究中震顫關(guān)聯(lián)的UPDRS 評(píng)分項(xiàng)目?jī)H關(guān)注評(píng)分為0～2 分的入組患者。SVM 自動(dòng)評(píng)分模型混淆矩陣包括準(zhǔn)確度、精確度、召回率及F1 值在內(nèi)的分類評(píng)價(jià)指標(biāo)，優(yōu)化后的最終準(zhǔn)確度達(dá)到0.87。

表2 震顫自動(dòng)評(píng)分模型整體信號(hào)特征參數(shù)序列作為輸入時(shí)的分類評(píng)價(jià)指標(biāo)

圖4 震顫自動(dòng)評(píng)分模型整體信號(hào)的特征參數(shù)作為輸入時(shí)的混淆矩陣

2.2 平衡性自動(dòng)評(píng)分結(jié)果

如圖5 和表3 所示，睜眼和閉眼靜止站立動(dòng)作整體信號(hào)的特征參數(shù)差異作為輸入，將睜眼和閉眼靜止站立動(dòng)作的4 個(gè)特征參數(shù)的差異值作為維度為4 的輸入?yún)?shù)向量，取得最優(yōu)準(zhǔn)確度時(shí)的混淆矩陣和分量評(píng)價(jià)指標(biāo)。最后準(zhǔn)確度達(dá)0.90。

表3 睜眼和閉眼靜止站立動(dòng)作整體信號(hào)的特征參數(shù)差異作為輸入時(shí)的分類評(píng)價(jià)指標(biāo)

圖5 睜眼和閉眼靜止站立動(dòng)作整體信號(hào)的特征參數(shù)差異作為輸入時(shí)的混淆矩陣

2.3 重復(fù)性自動(dòng)評(píng)分結(jié)果

如圖6 和表4 所示，對(duì)于上肢靈活性，選取翻腕平均周期、翻腕周期變異系數(shù)、平均手腕翻開(kāi)周期、平均手腕閉合周期、平均翻腕角度、翻腕角速度峰值平均這6 個(gè)特征參數(shù)作為輸入向量，最終得到了最高0.83 的準(zhǔn)確度。如圖7 和表5 所示，對(duì)于下肢靈活性測(cè)試，選取抬腿平均加速度峰值、抬腿平均高度、平均抬腿周期、抬腿周期變異系數(shù)作為輸入向量，最終取得了0.81 的最優(yōu)準(zhǔn)確度。如圖8 和表6 所示，對(duì)于步態(tài)測(cè)試，本研究文選取左/右腳平均跨步周期、左/右腳平均跨步長(zhǎng)、步速、左/右腳支撐相、左/右臂平均峰值擺臂角速度、軀干橫截面平均活動(dòng)度作為輸入向量，得到的最優(yōu)準(zhǔn)確度為0.74。使用PCA 方法自動(dòng)降維進(jìn)行優(yōu)化，最后在取得13 維度輸入時(shí)最優(yōu)準(zhǔn)確度增加到0.78。

表4 上肢靈活性評(píng)分預(yù)測(cè)分類評(píng)價(jià)指標(biāo)

表5 下肢靈活性評(píng)分預(yù)測(cè)的分類評(píng)價(jià)指標(biāo)

表6 步態(tài)評(píng)分預(yù)測(cè)的分類評(píng)價(jià)指標(biāo)

圖6 上肢靈活性評(píng)分預(yù)測(cè)的混淆矩陣

圖7 下肢靈活性評(píng)分預(yù)測(cè)的混淆矩陣

圖8 步態(tài)評(píng)分預(yù)測(cè)的混淆矩陣

3 討論

可穿戴設(shè)備是近年來(lái)備受關(guān)注的新型個(gè)體化醫(yī)療的有效方法，能對(duì)患者進(jìn)行全面有效的評(píng)估，尤其適用于需要長(zhǎng)期疾病監(jiān)測(cè)和治療的PD 患者[14]。利用可穿戴式慣性傳感器采集的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行PD 患者運(yùn)動(dòng)癥狀自動(dòng)評(píng)分系統(tǒng)的研究，可有效避免量表評(píng)估的主觀性，使結(jié)果更準(zhǔn)確、更客觀，進(jìn)而可以系統(tǒng)地、動(dòng)態(tài)地監(jiān)測(cè)疾病的進(jìn)程[15-16]。Garza-Rodriguez 等[17]利用一種可被手握緊的旋轉(zhuǎn)角度傳感器，研究手臂前旋后旋的8 個(gè)生理學(xué)參數(shù)作為評(píng)估指標(biāo)，證明這些參數(shù)的顯著性和區(qū)分性。何娟娟等[18]針對(duì)PD 患者運(yùn)動(dòng)遲緩這一運(yùn)動(dòng)癥狀，從反復(fù)翻腕、反復(fù)踮腳、起坐測(cè)試等測(cè)動(dòng)作入手，使用神經(jīng)網(wǎng)絡(luò)多層感知機(jī)算法對(duì)患者和正常對(duì)照者進(jìn)行分類，同時(shí)使用梯度提升迭代決策樹(shù)算法對(duì)癥狀進(jìn)行量化評(píng)分，最終判斷準(zhǔn)確度達(dá)97%，量化評(píng)分準(zhǔn)確度達(dá)到84%。這些方法能針對(duì)特定的PD 運(yùn)動(dòng)功能表征動(dòng)作提取出具有區(qū)分度的運(yùn)動(dòng)學(xué)參數(shù)，但是不能對(duì)運(yùn)動(dòng)功能進(jìn)行綜合評(píng)價(jià)，限制了其在臨床的應(yīng)用。林志榕[19]利用可穿戴設(shè)備采集手部運(yùn)動(dòng)信息，并基于運(yùn)動(dòng)傳感器數(shù)據(jù)提取與震顫和運(yùn)動(dòng)遲緩癥狀嚴(yán)重程度相關(guān)的特征參數(shù)。算法驗(yàn)證試驗(yàn)結(jié)果表明，SVM 分類模型具有最高的分類精度，其研究顯示對(duì)震顫和運(yùn)動(dòng)遲緩癥狀的嚴(yán)重程度分類準(zhǔn)確度較高，與本研究結(jié)果一致，但其主要利用的是佩戴于患者手腕的設(shè)備，通過(guò)手部的范式動(dòng)作進(jìn)行評(píng)估，結(jié)果也存在一定的局限性，研究使用8 個(gè)傳感器，希望能夠盡可能全面地覆蓋受試者運(yùn)動(dòng)過(guò)程中四肢、軀干的姿態(tài)情況。

本研究從臨床UPDRS 評(píng)估量表入手，針對(duì)典型運(yùn)動(dòng)癥狀設(shè)計(jì)多維度范式動(dòng)作，并與UPDRS 量表運(yùn)動(dòng)評(píng)分內(nèi)容建立對(duì)應(yīng)關(guān)系。利用可穿戴式慣性傳感器采集收集到的PD 患者和健康對(duì)照者的數(shù)據(jù)，基于SQLite 數(shù)據(jù)庫(kù)，開(kāi)發(fā)一款自動(dòng)導(dǎo)出、自動(dòng)管理的患者信息、評(píng)分與運(yùn)動(dòng)信號(hào)管理工具，用于后續(xù)自動(dòng)評(píng)分模型的訓(xùn)練。針對(duì)平穩(wěn)動(dòng)作的數(shù)據(jù)處理，提取其震顫和平衡性的運(yùn)動(dòng)特征參數(shù)，并提出分段化信號(hào)處理的思路，得到特征參數(shù)序列并探索特征參數(shù)序列的組合方式，以彌補(bǔ)長(zhǎng)時(shí)間信號(hào)在提取特征時(shí)產(chǎn)生的信息丟失。運(yùn)動(dòng)特征參數(shù)選取了包括了震顫測(cè)試動(dòng)作的6 個(gè)特征參數(shù)和平衡性測(cè)試動(dòng)作的6 個(gè)特征參數(shù)。與吳浩然[20]研究不同的是，本實(shí)驗(yàn)未泛化地對(duì)所有傳感器的所有信號(hào)通道使用采集算法，而是有針對(duì)性地對(duì)范式動(dòng)作的感興趣部位的傳感器進(jìn)行通道預(yù)處理。

在算法上，本研究使用粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）以訓(xùn)練樣本集的準(zhǔn)確度為優(yōu)化條件，對(duì)SVM 的超參數(shù)調(diào)節(jié)[21]。最終建立基于PSO超參數(shù)優(yōu)化的SVM 自動(dòng)評(píng)分模型，同時(shí)本研究進(jìn)行了震顫和步態(tài)的分析。使用分段參數(shù)序列組合作為輸入，在震顫測(cè)試中獲得了最優(yōu)準(zhǔn)確度0.90，在平衡性測(cè)試中取得最優(yōu)準(zhǔn)確度0.87。針對(duì)重復(fù)性動(dòng)作，提取了其上肢靈活性測(cè)試、下肢靈活性測(cè)試和步態(tài)測(cè)試的若干特征參數(shù)。考慮到特征參數(shù)較多，應(yīng)用特征工程進(jìn)行特征篩選和PCA 降維。最后應(yīng)用基于PSO 超參數(shù)優(yōu)化的SVM自動(dòng)評(píng)分模型，上肢靈活性測(cè)試、下肢靈活性測(cè)試分別可以達(dá)到0.83 和0.81 的準(zhǔn)確度。步態(tài)測(cè)試直接使用PCA 降維方法得到的最優(yōu)準(zhǔn)確度是0.78。在震顫、平衡性、肢體靈活性方面均顯示與臨床量表評(píng)估有較好的相關(guān)性。

4 結(jié)論

本研究提出了一種基于可穿戴慣性傳感器的PD運(yùn)動(dòng)功能自動(dòng)量化系統(tǒng)，用于評(píng)估PD 人和健康人的UPDRS 運(yùn)動(dòng)量表動(dòng)作，同時(shí)對(duì)傳感器數(shù)據(jù)進(jìn)行處理并從震顫、平衡、規(guī)律性動(dòng)作和步態(tài)4 個(gè)角度出發(fā)分別提取運(yùn)動(dòng)特征參數(shù)，應(yīng)用PSO-SVM 模型區(qū)分帕金森患者和健康人，本研究模型在準(zhǔn)確度、精確度、召回率和F1分?jǐn)?shù)均較高。表明，本研究提出的PD 運(yùn)動(dòng)功能自動(dòng)量化系統(tǒng)能夠整體評(píng)估患者運(yùn)動(dòng)功能，給臨床工作帶來(lái)便捷的同時(shí)，在一定程度上有助于提高診斷的精準(zhǔn)性，在臨床上有很好的應(yīng)用價(jià)值。