基于可穿戴式惯性传感器的帕金森病患者运动功能自动量化研究

孙奕，荣哲，汪丰，徐畅，郑慧芬

1.江苏卫生健康职业学院 全科教研室，江苏 南京 210029；2.江苏省老年病医院 神经内科，江苏 南京 210024；3.东南大学 生物科学与医学工程学院，江苏 南京 210009

引言

随着人口老龄化的加剧，帕金森病（Parkinson’s Disease，PD）作为最常见的神经变性疾病发病率逐年上升，据相关统计，在中国已有近400 万患者[1]。PD 主要表现为包括运动迟缓、静止性震颤、强直和姿势步态异常为主要特征的运动症状，以及睡眠障碍、认知损害、嗅觉减退等非运动症状[2]，PD 的临床诊断和病情评估主要凭借患者的运动症状[3-4]。目前，统一帕金森病评分量表（Unified Parkinson’s Disease Rating Scale，UPDRS）为临床应用最广泛的量表（下列项目包括17 个项目，每项的计分值用0、1、2、3、4、5 级，分值越高表示PD 症状越严重）[5]，其包括4 个部分内容，涵盖核心的运动症状和非运动症状评估，其中第3 部分量表是患者的运动功能，内容较为全面，但是评价时花费时间长，同时评价时易受到医护人员主观判断和自身条件的限制[6]。

随着机器学习技术尤其是神经网络的发展，在对运动功能进行定量化量表的研究取得一定进展，也将人工智能及移动技术加入《中国帕金森病治疗指南（第四版）》[7]中。可穿戴式惯性传感器能进行时域、频域分析，获得如躺、坐、站、走和跑等运动特征，对如步频、步幅、躯干倾角、起立-行走计时测试时间、运动对称性、协调性等PD 患者特征性的运动参量进行实时、更精准、更可靠的检测和定量分析，是PD 患者理想的运动症状评估手段[8-11]。本研究旨在采用可穿戴式惯性传感器采集的多类别运动数据，探究进行UPDRS 运动相关指标自动评分的方法。

1 资料与方法

1.1 临床资料

选取2020 年5 月至2021 年12 月在江苏省老年病医院神经内科就诊的PD 患者作为研究对象。纳入标准：① 年龄50～90 岁；② 符合2015 年国际运动障碍学会原发性PD 诊断标准；③主诉行走中存在冻结步态。排除标准：① 无独立行走和站立能力的患者；② 因骨关节及神经肌肉疾病、外伤等原因影响行走状态；③ 有严重认知功能障碍和/或明显精神症状，具体标准为精神状态检查量表（Mini-Mental State Examination，MMSE）评分＜22 分；④ 严重视力和听力受损无法配合的患者。共采集有效数据110 例，其中男性64 例、女性46 例，年龄61～83 岁，平均年龄（73.35±6.29）岁。正常对照组为患者家属或护工（正常对照组的纳入是为了数据集管理工具进行自动化数据的导出和数据集构建）。所有患者家属和护工均规范签署知情同意书。

1.2 方法

1.2.1 临床资料收集

收集所有患者和正常对照者的性别、年龄、病程等资料，并进行MMSE评分、Hoehn-Yahr（H-Y）分级（H-Y分级是为了了解帕金森患者疾病的严重程度。本实验采用1～4级的患者，5级患者无法完成本实验）、UPDRS评分。

1.2.2 范式动作

参考UPDRS 量表第3 部分运动症状评估内容，范式动作依次为：静坐动作、手臂连续前旋后旋动作、反复抬腿动作、睁眼和闭眼静止站立动作、10 m 折返摆臂行走以及二重任务的10 m 折返摆臂行走。

1.2.3 运动采集设备及数据采集

本研究采用东南大学苏州医疗器械研究院开发的可穿戴惯性传感器系统进行运动数据采集，系统由8 个可穿戴传感器节点及上位机软件构成，全面覆盖受试者运动过程中四肢、躯干的姿态情况[12]。8 个传感器的分布情况如图1 所示。

如图2 所示，可穿戴传感器包含惯性传感器模块、微控制单元（Microcontroller Unit，MCU）模块、电池管理模块、报警模块和存储模块共5 个模块。MCU 模块主要负责蓝牙通讯、数据处理以及通讯处理，传感器模块用来实现运动信号的检测，SD 卡用作数据备份，电池管理模块用于电池充放电保护，报警模块用来进行低电量预警以及通讯状态显示。MCU 模块采用nRF52840 芯片，支持蓝牙Mesh 无线组网协议栈和蓝牙5.0 无线通信协议，通过IIC 接口与传感器模块进行通信，通过串行外围接口（Serial Peripheral Interface，SPI）与存储模块进行通信，通过两个通用输入输出端口（General Purpose I/O Ports，GPIO）来连接报警模块；传感器模块采用MPU6050 为核心的惯性传感单元，获取三轴加速度、三轴角速度、姿态角信息，用于检测人体运动姿态信息并使用IIC 协议与主控芯片进行通信。惯性传感单元的采样频率为100 Hz，加速度量程±16 g，角速度量程±2000°/s；存储模块选用32 G 存储卡，满足1 周时间长度的数据存储；电源管理模块选择TP4057 芯片，在保证可穿戴设备安全性要求的同时最多可供传感器连续工作18 h，满足日常医院使用场景下的需求。

图2 系统结构框图

上位机软件主要用于接收各个运动传感器的数据并进行储存、管理和显示操作。传感器采集的数据以内部格式存储为记录文件，包含采样时间戳和8 个传感器每个的三轴加速度、角速度、姿态角信号。根据受试者注册信息进行实验数据的储存和建立索引，以方便之后的运动指标分析。本研究采用一种基于SQLite 数据库的记录管理和数据集构建工具，使用4 个数据表进行管理记录并使用SQL 内联受试者动作事件表查询功能进行批量导出患者注册信息表、评分表、数据记录表（图3）。

图3 上位机软件的受试者档案创建（a）和实验操作面板（b）

1.2.4 数据预处理

针对平稳动作数据预处理采用巴特沃斯（Butterworth）低通滤波器进行频域滤波，设置滤波器阶数为8 阶，截止频率16 Hz，主成分分析法对三轴加速度的三通道信号做处理去除冗余的坐标轴信号，针对重复性动作，采用改进的加权滑动平均滤波器：Savitzky-Golay 滤波器进行去噪处理，针对脚面快速着地造成的无效尖峰信号，采用基于长度变换的尖峰捕获-插值重建方法，并进行坐标轴的动态校准。

1.2.5 运动特征参数提取

对于震颤和平衡性，着眼于时域的均方根、频域的功率谱、信号熵值等特征参数，提取的特征参数通过基于箱型图的统计学验证。针对长时间动作信号在特征参数提取后的信息丢失问题，利用信号分段和分段信号的特征参数序列组合作为最终的输入参数向量。各范式动作具体特征性参数如表1 所示。

表1 各范式动作的特征参数

1.2.6 自动评分模型的建立与验证

采用支持向量机（Support Vector Machine，SVM）作为自动评分的核心分类器，引入松弛参数ε 和惩罚系数C，构成SVM 的软间隔模型[13]。在自动评分模型的构建中，震颤（静坐）采用分段信号的序列参数作为输入；平衡性（睁眼、闭眼静止站立）采用整体信号的特征参数差异作为输入；对于重复性动作，在应用模型前先对特征参数进行特征筛选，获取对UPDRS 评分具有较高相关性的特征参数，再作为输入向量进行模型训练，并对部分参数使用主成分分析方法（Principal Component Analysis，PCA）自动降维进行优化，输出对应的UPDRS 评分，最后使用k 折交叉验证，将预测得分与临床医生的评分相对比，检验一致性。

2 结果

2.1 震颤自动评分结果

由图4 和表2 可知，考虑到UPDRS 评分为4 分的患者无法完成动作，因此4 分样本不予考虑，此外震颤测试动作的3 分评分项目样本量较少，因此在之后的研究中震颤关联的UPDRS 评分项目仅关注评分为0～2 分的入组患者。SVM 自动评分模型混淆矩阵包括准确度、精确度、召回率及F1 值在内的分类评价指标，优化后的最终准确度达到0.87。

表2 震颤自动评分模型整体信号特征参数序列作为输入时的分类评价指标

图4 震颤自动评分模型整体信号的特征参数作为输入时的混淆矩阵

2.2 平衡性自动评分结果

如图5 和表3 所示，睁眼和闭眼静止站立动作整体信号的特征参数差异作为输入，将睁眼和闭眼静止站立动作的4 个特征参数的差异值作为维度为4 的输入参数向量，取得最优准确度时的混淆矩阵和分量评价指标。最后准确度达0.90。

表3 睁眼和闭眼静止站立动作整体信号的特征参数差异作为输入时的分类评价指标

图5 睁眼和闭眼静止站立动作整体信号的特征参数差异作为输入时的混淆矩阵

2.3 重复性自动评分结果

如图6 和表4 所示，对于上肢灵活性，选取翻腕平均周期、翻腕周期变异系数、平均手腕翻开周期、平均手腕闭合周期、平均翻腕角度、翻腕角速度峰值平均这6 个特征参数作为输入向量，最终得到了最高0.83 的准确度。如图7 和表5 所示，对于下肢灵活性测试，选取抬腿平均加速度峰值、抬腿平均高度、平均抬腿周期、抬腿周期变异系数作为输入向量，最终取得了0.81 的最优准确度。如图8 和表6 所示，对于步态测试，本研究文选取左/右脚平均跨步周期、左/右脚平均跨步长、步速、左/右脚支撑相、左/右臂平均峰值摆臂角速度、躯干横截面平均活动度作为输入向量，得到的最优准确度为0.74。使用PCA 方法自动降维进行优化，最后在取得13 维度输入时最优准确度增加到0.78。

表4 上肢灵活性评分预测分类评价指标

表5 下肢灵活性评分预测的分类评价指标

表6 步态评分预测的分类评价指标

图6 上肢灵活性评分预测的混淆矩阵

图7 下肢灵活性评分预测的混淆矩阵

图8 步态评分预测的混淆矩阵

3 讨论

可穿戴设备是近年来备受关注的新型个体化医疗的有效方法，能对患者进行全面有效的评估，尤其适用于需要长期疾病监测和治疗的PD 患者[14]。利用可穿戴式惯性传感器采集的运动数据进行PD 患者运动症状自动评分系统的研究，可有效避免量表评估的主观性，使结果更准确、更客观，进而可以系统地、动态地监测疾病的进程[15-16]。Garza-Rodriguez 等[17]利用一种可被手握紧的旋转角度传感器，研究手臂前旋后旋的8 个生理学参数作为评估指标，证明这些参数的显著性和区分性。何娟娟等[18]针对PD 患者运动迟缓这一运动症状，从反复翻腕、反复踮脚、起坐测试等测动作入手，使用神经网络多层感知机算法对患者和正常对照者进行分类，同时使用梯度提升迭代决策树算法对症状进行量化评分，最终判断准确度达97%，量化评分准确度达到84%。这些方法能针对特定的PD 运动功能表征动作提取出具有区分度的运动学参数，但是不能对运动功能进行综合评价，限制了其在临床的应用。林志榕[19]利用可穿戴设备采集手部运动信息，并基于运动传感器数据提取与震颤和运动迟缓症状严重程度相关的特征参数。算法验证试验结果表明，SVM 分类模型具有最高的分类精度，其研究显示对震颤和运动迟缓症状的严重程度分类准确度较高，与本研究结果一致，但其主要利用的是佩戴于患者手腕的设备，通过手部的范式动作进行评估，结果也存在一定的局限性，研究使用8 个传感器，希望能够尽可能全面地覆盖受试者运动过程中四肢、躯干的姿态情况。

本研究从临床UPDRS 评估量表入手，针对典型运动症状设计多维度范式动作，并与UPDRS 量表运动评分内容建立对应关系。利用可穿戴式惯性传感器采集收集到的PD 患者和健康对照者的数据，基于SQLite 数据库，开发一款自动导出、自动管理的患者信息、评分与运动信号管理工具，用于后续自动评分模型的训练。针对平稳动作的数据处理，提取其震颤和平衡性的运动特征参数，并提出分段化信号处理的思路，得到特征参数序列并探索特征参数序列的组合方式，以弥补长时间信号在提取特征时产生的信息丢失。运动特征参数选取了包括了震颤测试动作的6 个特征参数和平衡性测试动作的6 个特征参数。与吴浩然[20]研究不同的是，本实验未泛化地对所有传感器的所有信号通道使用采集算法，而是有针对性地对范式动作的感兴趣部位的传感器进行通道预处理。

在算法上，本研究使用粒子群优化算法（Particle Swarm Optimization，PSO）以训练样本集的准确度为优化条件，对SVM 的超参数调节[21]。最终建立基于PSO超参数优化的SVM 自动评分模型，同时本研究进行了震颤和步态的分析。使用分段参数序列组合作为输入，在震颤测试中获得了最优准确度0.90，在平衡性测试中取得最优准确度0.87。针对重复性动作，提取了其上肢灵活性测试、下肢灵活性测试和步态测试的若干特征参数。考虑到特征参数较多，应用特征工程进行特征筛选和PCA 降维。最后应用基于PSO 超参数优化的SVM自动评分模型，上肢灵活性测试、下肢灵活性测试分别可以达到0.83 和0.81 的准确度。步态测试直接使用PCA 降维方法得到的最优准确度是0.78。在震颤、平衡性、肢体灵活性方面均显示与临床量表评估有较好的相关性。

4 结论

本研究提出了一种基于可穿戴惯性传感器的PD运动功能自动量化系统，用于评估PD 人和健康人的UPDRS 运动量表动作，同时对传感器数据进行处理并从震颤、平衡、规律性动作和步态4 个角度出发分别提取运动特征参数，应用PSO-SVM 模型区分帕金森患者和健康人，本研究模型在准确度、精确度、召回率和F1分数均较高。表明，本研究提出的PD 运动功能自动量化系统能够整体评估患者运动功能，给临床工作带来便捷的同时，在一定程度上有助于提高诊断的精准性，在临床上有很好的应用价值。