论文部分内容阅读
帕金森病(PD)已经成为一种十分常见的神经退行性疾病,严重困扰着患者的正常生活。随着世界人口老龄化,预计帕金森病给社会和经济带来的负担将逐年增加。帕金森病的分级诊断帮助临床来制定对应的治疗方案。PD诊断临床上目前采用Hoehn-Yahr分级、UPDRS量表评分等方法,但依赖医生的主观判断,需要消耗大量时间和人力。运动功能退化是PD临床的主要表现,目前缺乏客观评价的手段。可穿戴式运动传感器的发展为客观而精准的PD患者的运动功能评价提供了可能。本文采用一套包括5个6轴传感器节点的运动数据采集系统,分别佩戴在左右手腕、腰部、左右腿部,每个节点采集3轴加速度和3轴角速度传感器数据。为了设计符合临床理解的实验动作,本文参考UPDRS等临床PD病人评测用量表设计了一套实验范式动作,包括摆臂行走、连续翻腕等5个动作实验。在合作医院采集了Hoehn-Yahr分级为1-4期的帕金森病人和健康对照组共计71人的运动数据。每组运动数据由2位不同的临床专家确定受试者的Hoehn-Yahr分期。本文探索了支持向量机(SVM)、k最邻近算法(kNN)以及随机森林三种方法在PD分级问题的作用。本文从运动传感器的加速度与角速度信号提取步态周期、翻腕角度等运动特征参数,同时提取了比如主频频率、时域上的偏度和峰度等统计特征参数。通过主成分分析等特征工程方法对特征参数进行降维后,研究在各种超参数下,上述三种机器学习分类算法预测PD分级的准确率。结果表明支持向量机PD分级算法准确率最高,为85.92%。本文采用基于卷积神经网络的深度学习方法,应用于PD分级算法研究。该方法使用与实验动作相关的传感器节点采集的原始数据作为输入,通过数据驱动自动优化网络的权重参数。同时本文还比较了不同数据增强方法对深度学习PD自动分级方法的结果的影响,其中同时加入噪声与翻转数据操作具有最佳效果。该方法最终得到的分类准确度为92.95%。特别在早期的PD人群中,该方法的分类准确度为77%,高出机器学习算法22%。深度学习算法无需依靠经验知识设计参数,而达到更高的分类精度,该方法应用于PD分级及早期发现具有良好的应用前景。