基于步态分析的帕金森等级评估系统设计开题报告

全文总字数：8036字

1. 研究目的与意义（文献综述）

帕金森病(parkinson's disease，pd) 又称震颤麻痹，是以运动症状为主要特征的神经系统变性疾病。震颤、缓慢运动、肌肉僵直、姿势步态障碍等运动症状严重影响了病人的生活质量。

目前，pd 症状的严重程度及其治疗效果主要由神经科医生参照 pd 综合评分量表(updrs)等评价标准，根据电生理以及影像检查手段或者凭经验和感觉进行诊断。这要求评价人员具有较高的专业技能，不同评价者的评价结果也具有个体差异性。所以，pd 运动症状的量化评估至今是 pd 治疗中的一个难题 ^[1]。

随着 基 于 微 机 电 系 统 ( micro-electro-mechanical systems，mems)惯性传感技术为主的运动传感器的发展，国内外研究者利用可穿戴式传感装置来客观定量地评估 pd 运动症状，这是实现 pd 的早期发现、病情诊断和疗效反馈的有效辅助性工具。

2. 研究的基本内容与方案

2.1 需求说明和基本内容

本次设计应当以时间序列分析技术为基础，配以适当的硬件电路、框架结构、统计学模型和软件程序设计一种人体步态数据采集分析系统，实现对帕金森病状等级评估，并搭建一套可以用于实际的系统为主要目标。处理时间要求1分钟内处理完毕。众多研究结果显示，通过便携式的可穿戴装备，可以有效的帮助医生评估患者的病情，并且其结果具有客观性。

本设计将步态信息与帕金森病评定量表相结合，让患者完成规定的标准动作，采用可穿戴设备，利用设备中的传感器采集帕金森病患者的特定部位的数据。通过数据处理和分析建立统计学分级模型，从而实现辅助医生对患者病情严重等级进行评分。

2.2研究目标

（1）完成传感器选型，要求所选传感器反应被测者步态信息；

（2）完成传感器分布设计，要求所设计分布位置反应出直行和转弯两种行为的运动特征；

（3）基于时间序列分析技术，完成数据分析建模；

（4）完成帕金森等级评估，要求至少分为三个等级；

（5）设计完成等级结果显示界面，要求显示数据规律和分级依据；

（6）处理时间要求1分钟内处理完毕。

2.3 技术方案

2.3.1实验设计

根据统一帕金森氏病评分表（UPDRS）的第三部分-异动症失能的客观分析中15项目行走和29项目步态的评级标准，并结合表中规定的行走动作，设计7米往返走实验。实验步骤如下：指示被测者兄椅子上站起，步行7米（表中规定至少15英尺，约4.5米），转过直径约为1.5米的弯，返回并坐回椅子。实验路径如图1所示^[15]。

图1步行运动路径^[15]

2.3.2 传感器选型

更具本设计研究目标，列举几种传感器经行对比分析，如表1所示^[7]。

表1 传感器类型参数表

本设计目标是研究分析患者的步态信息应根据下表2所示，应从传感器获得的参数有步幅和步频。因此在上述传感器中，加速度传感器和陀螺仪都满足性能需求^[8]。

表2PD参数算法表

经方案分析，传感器确定选用IMU。IMU即惯性测量单元，它由三个单轴的加速度计和三个单轴的陀螺仪组成，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，对这些信号进行处理之后，便可解算出物体的姿态^[10]。

由于加速度计只能求的线速度方向上的幅度等信息，而人体在行走时，腿迈出的角度也会发生变化，这种情况下，加速度传感器不能完全反映患者步态信息。然而使用IMU惯性测量单元，使得三轴加速度传感器配合三轴陀螺仪就能很好的解决这个问题。

2.3.3数据分析

（1）预处理

数据采集过程中容易受到外界噪声的干扰，PD患者的不自主震颤也会对数据经行干扰，通过数据滤波预处理可有效地改善噪声和震颤地影响。常用地滤波算法包括算术平均值滤波、滑动平均滤波、中值滤波、限幅滤波、卡尔曼滤波巴特沃斯滤波。本设计优先采用算术平均值滤波和滑动平均滤波，再根据滤波效果适当添加其他滤波方法。

（2）特征提取

由于本文主要研究患者步态信息，因此可使用的运动参数特征为步幅和步频。对预处理后的信号（角速度）经行阈值估计。按照相关统计学公式计算出信号的均值E（v（t））和标准差σ（v（t））后获得判断阈值T0。将信号中每一时刻的值逐个与阈值T0比较，若一段信号超过阈值T0，则记为步数b 1，并并记录下这一小段信号中最大值所在时刻 t（b）。然后对信号 v（t）求积分，即得到该轴角度的信号 A（t），在之前记录的t（b）和 t（b 1）中找到角度信号 A（t）的最大值所在T(b) maxT(b) min 时刻 和最小值所在时刻，最后对每一步的步幅和步频求取平均值，得到该受试者在 7m 往返任务下腿的步幅和步频。

（3）对称性分析

人体步行的对称性和协调性反应了人体行走时平衡收到干扰后趋近或返回初始平衡状态的能力，是预测跌倒风险的重要指标．目前，关于人体行走时手臂摆动和步态之间协调性的研究较少，这主要是因为实验所需采集的数据量较大，而且没有相关的标准供参考等^[9]。

本文的对称性分析拟采用一种基于时间序列的算法——动态规整算法（DTW）。动态规整算法是一种非线性的匹配算法，用于计算参考样本与测试样本特征序列的相似程度，并且能够根据递推公式找到满足最小累积距离的规整路径。利用动态时间规整算法对特征点经行匹配，可以使两个样本的累积失真距离最小，由该距离的大小反应出步态相似性，进而反应出对称性。

2.3.4量化评级

量化评级的基本思路是，以UPDRS作为分级标准，提取三个临界信号作为分级指标。实验所得其他数据以这三个指标为基准，根据相关算法被系统自动分为四个等级。要求以UPDRS的四等级为参考，这四个等级有准确性。

近年来，机器学习技术的快速发展为步态信号的定性与定量分析提供了重要手段。比较常见的适用于PD患者相关步态信号识别分类算法有K-邻近算法（KNN）：

KNN分类算法的具体工作思想是：先将己有样本进行分类存储，当输入待分类的新实例样本时，KNN分类算法将该新实例样本与己经分好类的训练集中的实例样本进行比对，并按照特定的指标计算出新实例样本与训练集中各个实例样本的相似程度参数，然后将训练样本集中的实例样本按照计算所得的相似程度参数进行排序，取前ｋ个与新实例样本相似程度最高的样本作为之后评判该新实例样本类型的依据，这也是Ｋ－近邻算法中ｋ的出处。最后对选出的这ｋ个实例样本的类型进行统计分析，即选取这些实例样本中的普遍类型作为待分类实例样本的类型。KNN分类算法在进行分类决策时仅仅依据最相邻的ｋ个样本的类型，它没有固定的学习规则、目标函数和学习模型，因此它的算法结构较为简洁^[9]。

上述可知，KNN分类算法是通过计算和实例样本之间的距离来度量实例样本之间的相似度，所以，确定训练集实例样本与待分类实例样本之间距离的计算方式至关重要。

2.3.5 结果分析

量化评级后获得了基于步态的帕金森分级，将该结果与UPDRS评级表中关于步态的15、29项目经行拟合，获得该系统结果与标准评级表的相关系数，由此反应出该系统的准确性。

3. 研究计划与安排

第1—3周：查阅相关文献资料，明确研究内容，了解研究所需理论知识，对系统要求进行分析，确定方案，完成外文文献翻译和开题报告；

第4—5周：掌握imu传感器的工作原理，根据设计目标选取合适imu传感器；完成传感器选型和分布设计。

第6—7周：完成步态数据采集和基本的数据处理，预处理和特征提取周期划分。

4. 参考文献（12篇以上）

[1]许胜强. 帕金森病患者步态障碍定量评估及量化分级评估方法研究[d].中国科学技术大学,2017.

[2]张永. 帕金森病患者步态信号评估方法研究[d].合肥工业大学,2017.

[3]蒋顶. 多节点可穿戴设备定量评估帕金森病患者运动迟缓症状[d].南京医科大学,2018.