【技术实现步骤摘要】
一种用于震颤检测的建模方法、手部震颤检测装置及方法
[0001]本专利技术属于医疗信息检测领域，具体地，涉及用于手部震颤检测模型的建模方法、手部震颤检测装置及方法。
技术介绍
[0002]通常人体的某部位发生非意愿颤动的现象，医学上称之为“震颤”。震颤常见于人体的四肢和头部，是最常见的神经科疾病之一，如原发性震颤(ET)、帕金森病(PD)等。肢体震颤从产生机理上震颤可以分为以下两类，生理性震颤和病理性震颤，生理性震颤是人体的一种固有震颤，所有人的肢体都有这种现象，只是强弱不同，经常在紧张、激动、疲劳的情况下产生，当这些原因消除时，震颤也将消失，生理性震颤频率多集中在8
‑
15Hz。病理性震颤是由人体的病变引起的震颤，会一直伴随着人体运动而运动，病理性震颤具有大振幅、低频、多集中在2
‑
6Hz。虽然震颤不危害生命，但是却给众多的患者带来了生活上的不便，严重的甚至可以导致患者的生活不能自理。
[0003]早期临床实践中对震颤患者运动功能障碍症状的评估主要依靠评分量表，但是量表法受到评分医师的操作经验和主观影响，依靠评分量表对震颤患者运动功能进行评估并不够客观准确，会对震颤患者的早期诊断、分期造成影响；近年出现患者配备可穿戴设备利用加速度计测量手部动作，进而识别出震颤，然而这种方法识别精度有限，算法通常十分简陋，无法准确、真实地区分出生理性震颤或病理性震颤，且测量容易受到个人生理特性、设备以及其他噪声影响，导致测量结果不准确，甚至出现反复测量的情况。
技术实现思路
>[0004]有鉴于此，本专利技术旨在提供一种能客观准确地、定量检测手部震颤的装置及方法。
[0005]第一方面，提供一种用于震颤检测模型的建模方法，包括：步骤1：获取不同等级的震颤信号训练样本集，震颤信号训练样本集包括加速度训练样本和肌电数据训练样本；步骤2：分别提取震颤信号训练样本集中加速度训练样本和肌电数据训练样本的震颤信号特征参数，其中，震颤信号特征参数包括谱熵、小波熵、样本熵、近似熵和排列熵中至少之一；步骤3：将震颤信号特征参数输入训练模型进行训练，得到不同等级的震颤检测模型。
[0006]进一步，不同等级的震颤信号训练样本集是根据评定表采集的，包括无震颤、轻微震颤、中度震颤、严重震颤和重度震颤五个等级的加速度数据和肌电数据，分别作为所述加速度训练样本和所述肌电数据训练样本。其中优选地，所述加速度数据包括三维加速度数据；所述肌电数据由4个粘贴在手部不同位置的肌肉电信号差分传感器采集获得。
[0007]进一步，在进行步骤2之前，对震颤信号训练样本集中的加速度训练样本和肌电数据训练样本进行滤波操作。
[0008]第二方面，提供一种手部震颤的检测装置，包括：加速度计、肌肉电信号差分传感器、滤波组件、特征参数提取组件、震颤检测建模组件；其中，加速度计采集三维加速度数据，肌肉电信号差分传感器采集肌电数据，三维加速度数据和肌电数据作为手部震颤信号；
滤波组件对所述手部震颤信号进行滤波，得到滤波后的手部震颤信号，并发送给特征参数提取组件；特征参数提取组件基于滤波后的手部震颤信号进行特征提取，获得手部震颤信号的特征参数，并输入震颤检测建模组件；震颤检测建模组件利用已训练的模型及输入的特征参数进行分类，得到手部震颤信号的检测结果。
[0009]进一步，滤波组件包括6阶巴特沃斯带通滤波器及配合使用的陷波器；优选地，滤波组件还包括平稳小波阈值去噪组件，平稳小波阈值去噪组件依次包括平稳小波变换SWT模块、方差估计模块、小波系数阈值模块及平稳小波SWT逆变换模块。
[0010]进一步，手部震颤信号的检测结果包括：震颤等级。
[0011]进一步，手部震颤信号的特征参数包括：谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
[0012]第三方面，提供一种手部震颤检测方法，其特征在于，包括：步骤1、获取手部震颤信号，手部震颤信号包括三维加速度数据和肌电数据；步骤2、提取手部震颤信号的特征参数；以及步骤3、利用已训练的模型及特征参数进行分类，得到手部震颤信号的检测结果。
[0013]进一步，在获得手部震颤信号之后，将手部震颤信号进行6阶巴特沃斯带通滤波；且，配合使用陷波器对带通滤波之后的信号消除工频干扰。优选地，对滤波之后的信号依次进行以下操作：平稳小波SWT变换；估计分解后各层小波系数的噪声方差，得到不同尺度下的阈值；经过阈值函数选取不同尺度下的小波系数合适的阈值；进行SWT逆变换。
[0014]进一步，手部震颤信号的检测结果包括：震颤等级。
[0015]进一步，手部震颤信号的特征参数包括：谱熵、小波熵、样本熵、近似熵和排列熵中至少之一。
[0016]第四方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令由处理器执行时，实现本专利技术第一方面或第三方面所述的方法。还提供一种计算机设备，其包括存储装置及处理装置，所述存储装置存储有计算机程序，当所述计算机程序被处理装置执行时，使得所述计算机设备实现本专利技术第一方面或第三方面所述的方法。
[0017]根据本专利技术的第一方面～第四方面，可以达到以下有益效果：1、综合利用加速度与肌电数据来评估和判断手部震颤信号，相比于仅依据加速度信息的判断方式更加精准、客观；2、利用相对简单易行的滤波去噪方式，凸显特征参数的个性化，结合训练模型进行分类，进一步提高手部震颤信号的检测准确度。
[0018]本专利技术的其他特征及优点，将在随后的说明书具体实施方式部分阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0019]图1示出本专利技术第一实施例的震颤检测模型的建模方法示意图；
[0020]图2示出本专利技术第二实施例的手部震颤检测装置结构示意图；
[0021]图3为本专利技术第二实施例中平稳小波阈值去噪组件的结构示意图；
[0022]图4示出本专利技术第三实施例的手部震颤检测方法示意图；
[0023]图5示出本专利技术第三实施例中滤波方法的示意图；
[0024]图6和图7分别示出本专利技术采集的手部震颤信号中加速度数据和肌电数据的信号
波形示例。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]根据本专利技术的第一实施例，如附图1所示，提供一种用于震颤检测模型的建模方法，其包括：
[0027]步骤1：获取不同等级的震颤信号训练样本集，震颤信号训练样本集包括加速度训练样本和肌电数据训练样本。震颤是一种重复的、刻板的运动，该运动的频率和幅度都具有一定的规律性。震颤的类型很多，且容易混淆，帕金森震颤和特发性震颤是最容易被混淆误诊的两种疾病，有时候其他类型的震本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于震颤检测的建模方法，其特征在于，包括：步骤1：获取不同等级的震颤信号训练样本集，所述震颤信号训练样本集包括加速度训练样本和肌电数据训练样本；步骤2：分别提取所述震颤信号训练样本集中加速度训练样本和肌电数据训练样本的震颤信号特征参数，所述震颤信号特征参数包括谱熵、小波熵、样本熵、近似熵和排列熵中至少之一；步骤3：将所述震颤信号特征参数输入训练模型进行训练，得到不同等级的震颤检测模型。2.根据权利要求1所述的用于震颤检测的建模方法，其特征在于，所述不同等级的震颤信号训练样本集是根据评定表采集的，包括无震颤、轻微震颤、中度震颤、严重震颤和重度震颤五个等级的加速度数据和肌电数据，分别作为所述加速度训练样本和所述肌电数据训练样本。3.根据权利要求2所述的用于震颤检测的建模方法，其特征在于，所述加速度数据包括三维加速度数据。4.根据权利要求2或3所述的用于震颤检测的建模方法，其特征在于，所述肌电数据由4个粘贴在手部不同位置的肌肉电信号差分传感器采集获得。5.根据权利要求1所述的用于震颤检测的建模方法，其特征在于，在进行所述步骤2之前，对所述震颤信号训练样本集中的所述加速度训练样本和肌电数据训练样本进行滤波操作。6.一种手部震颤检测装置，其特征在于，包括：加速度计、肌肉电信号差分传感器、滤波组件、特征参数提取组件、震颤检测建模组件；其中，所述加速度计采集三维加速度数据，所述肌肉电信号差分传感器采集肌电数据，所述三维加速度数据和所述肌电数据作为手部震颤信号；所述滤波组件对所述手部震颤信号进行滤波，得到滤波后的手部震颤信号，并发送给所述特征参数提取组件；所述特征参数提取组件基于所述滤波后的手部震颤信号进行特征提取，获得手部震颤信号的特征参数，并输入所述震颤检测建模组件；所述震颤检测建模组件利用已训练的模型及输入的所述特征参数进行分类，得到所述手部震颤信号的检测结果。7.根据权利要求6所述的手部震颤检测装置，其特征在于，所述滤波组件包括6阶巴特沃斯带通滤波器及配合使用的陷波器。8.根据权利要求7所述的手部震颤检测装置，其特征在于，所述滤波组件还包括平稳小波阈值去噪组件，所述平稳小波阈值去噪组件依次包括平稳小波变换SWT模块...
【专利技术属性】
技术研发人员：丁衍，张跃春，
申请(专利权)人：苏州小蓝医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。