用于改善帕金森病凍結步態的可穿戴技術

丁 航,沈林勇,吳 曦,胡小吾

(1.上海大學機電工程與自動化學院,上海 200072;2.長海醫院,上海 200433)

?

用于改善帕金森病凍結步態的可穿戴技術

丁 航1,沈林勇1,吳 曦2*,胡小吾2

(1.上海大學機電工程與自動化學院,上海 200072;2.長海醫院,上海 200433)

凍結步態是帕金森病中一種常見的步態障礙癥狀,表現為患者在行走過程中的短暫停滯或起步困難等,嚴重影響患者的生活質量。提出一種基于引導光線提示的用于改善帕金森病凍結步態的可穿戴技術,該技術通過在患者腳前方產生一條標志光線引導患者行走,同時利用慣性傳感器采集患者行走時的加速度數據,并采用凍結指數和曼-惠特尼U檢驗等方法分析研究引導光線提示對凍結步態的改善作用。結果表明,在0.01的顯著性水平下,引導光線提示能夠顯著改善凍結步態。

凍結步態;引導光線;可穿戴;凍結指數;曼-惠特尼U檢驗

帕金森病是一種常見于中老年的神經系統變性疾病,臨床上以靜止性震顫、運動遲緩、肌強直和姿勢步態障礙為主要特征[1]。其中,凍結步態是發生于帕金森病中晚期的一種典型的步態運動障礙癥狀,其主要的臨床表現為患者在行走時出現瞬變性的短暫停滯或起步困難等,患者感覺自己腳像“粘”在地面上無法邁步,同時伴有雙腿的抖動,整個過程持續幾秒鐘到幾分鐘不等。由于凍結步態是一種突發性、瞬變性的運動異常,其極易造成患者在行走時的突然摔倒,嚴重影響患者身體健康和生活質量[2-3]。

臨床發現,具有凍結步態的患者雖然在平地上難以行走,但是能夠正常的上下樓梯。此外,若患者行走時其腳前方出現提示性光標,根據患者反映前方會有障礙物的感覺,想要去跨過它,能夠很好的改善凍結步態的癥狀[4-6]。臨床醫生猜想,引導光線提示改善帕金森患者行走功能的可能機理在于外部的視覺提示對患者的視神經有一定的刺激作用,從而激活患者控制肢體運動生物電信號的傳遞通道。

同時,目前臨床上對凍結步態評估診斷普遍采用的是臨床醫生評分量表評分的方式,具有較大的主觀性。隨著MEMS傳感器的發展和可穿戴設備的興起,慣性傳感器對患者運動數據的采集為凍結步態的定量分析提供了新的解決方案[7-12]。瑞士的SinzianaMazilu等人設計出NTMotion可穿戴傳感器穿戴于患者小腿、大腿和腰背處,并結合智能手機實現凍結步態的在線檢測[13]。希臘的Tripoliti等人利用6個加速度計和2個陀螺儀測量患者腰部、胸部、腕部和小腿處的運動數據,并利用隨機森林分類方法建立凍結步態分類器[14]。德國的Niazmand K等人研發出一套智能衣服MiMed-Pants,衣服中集成有加速度計用于測量患者的運動數據并檢測評估凍結步態[15]。這些設備和技術目前仍處于臨床實驗階段,且并沒有將慣性傳感器數據應用于凍結步態改善和步態訓練效果分析中。

基于以上的臨床依據和技術背景,本文提出一種用于改善帕金森患者凍結步態的可穿戴技術,通過該技術實現在患者行走過程中產生一條標志光線引導患者跨步,同時利用慣性傳感器采集記錄患者小腿處的加速度數據,并分析在引導光線提示下患者步態改善情況。

1 總體方案

基于引導光線提示的可穿戴技術,包括左右側兩個引導訓練及數據采集設備,穿戴于患者腳踝附近,每個設備由其結構本體和本體內的控制系統組成,控制系統無線通訊連接一個上位信息處理單元,如智能手機等。

圖1 設備整體功能框架圖

如圖1所示,設備控制系統中包括微型控制器(MCU)、抬腳高度測量模塊、無線通信模塊、慣性傳感器模塊以及引導標志線產生模塊。其中,抬腳高度測量模塊用于測量患者穿戴設備時設備距離地面的高度,從而判斷患者是否抬腳;慣性傳感器模塊用來采集患者行走時小腿處的加速度等信息;引導標志線產生模塊用來實現帕金森患者在跨步行走時腳前方助步引導標志光線的產生;無線通信模塊用于MCU和智能手機之間的指令通信和數據傳輸。

凍結步態患者穿戴好設備后,抬腳高度模塊采集高度數據以判斷患者是否抬腳,當患者一只腳落地時,位于另一只腳上的設備在該腳前方產生引導標志光線,而當腳抬起時,引導光線熄滅。同時,設備中的慣性傳感器模塊實時采集患者小腿處的加速度數據,并通過無線通信模塊傳輸到智能手機中,智能手機實時記錄患者相關的運動數據用于后續的分析驗證。

2 系統設計

2.1 硬件電路

該設備的硬件結構主要由電源電路、引導光線產生電路和運動數據采集傳輸電路組成。設備的主電路板圖如圖2(a)所示,其中抬腳高度測量模塊采用US-100超聲測距傳感器,可實現2.0 cm～4.5 m的非接觸測距;慣性傳感器采用高精度導航模塊JY-901,模塊采用動力學解算和卡爾曼濾波算法,能夠精確快速的輸出當前模塊的加速度信息,量程為±16gn,分辨率可達6.1×10-5gn。圖2(b)為完整的可穿戴設備,圖2(c)為凍結步態患者穿戴設備進行步態訓練。

圖2 改善凍結步態的可穿戴設備

裝置采用嵌入式技術用于采集傳輸患者運動數據、接收手機控制指令、控制引導光線的開關等。MCU與慣性傳感器之間以I2C協議進行數據采集,MCU與智能手機之間的無線通信是通過藍牙4.0 BLE模塊。藍牙4.0模塊傳輸距離可達80 m,MCU直接通過串口將數據發送到藍牙4.0模塊,在模塊與手機建立藍牙連接后將數據傳送到智能手機中。

2.2 下位機軟件程序

可穿戴設備下位機主要實現的功能有:①利用Echo和Trig兩個I/O口采集超聲傳感器的抬腳高度數據;②利用I2C通信功能采集慣性傳感器的運動數據;③設置患者行走之前的初始高度數據;④接收判斷手機端的操作指令,實現引導光線的開關控制;⑤當數據傳輸開啟后利用串口將數據發送到藍牙4.0模塊。下位機軟件程序的流程圖如圖3所示。

圖4 手機采集控制軟件

2.3 手機采集控制軟件app

手機采集控制軟件采用Eclipse平臺和Java語言進行開發,通過Android藍牙服務與可穿戴設備建立藍牙連接,傳輸控制指令實現引導光線開關控制和運動數據接收控制。當啟動運動數據接收功能時,app自動讀取下位機傳輸的患者運動數據并記錄到手機SD卡中,用于后期的凍結步態分析和研究。如圖4所示為手機采集控制軟件界面圖,軟件以ListView列表的形式顯示出所有可用的可穿戴設備并顯示相應的設備名稱,同時設置藍牙連接開關、引導光線開關、數據接收開關等實現對設備的控制操作,在接收患者運動數據的同時會將數據實時顯示到軟件界面上。

3 數據處理

對具有凍結步態的帕金森患者步態數據的處理流程共分為5個階段:①信號提取;②信號修正;③信號預處理;④特征提取;⑤顯著性差異分析,如圖5所示。

圖5 數據處理流程圖

3.1 信號修正

在記錄開始前,每個設備單元都需要與手機建立藍牙連接,但由于設備周圍信號干擾導致的信號衰減、連接時不穩定性以及傳輸時間和記錄耗時的不確定性造成SD卡中記錄的原始數據存在一定的丟失。由于丟失數據量不超過5%且丟失數據的時間間隔在0.2 s以內,故可以考慮使用牛頓插值的方法對加速度信號數據進行修正。

牛頓插值屬于多項式插值方法的一種,其通過求各階差商,每增加一個節點就在原有基礎上增加一項以各階差商為系數的修正項進行插值計算。相比拉格朗日插值,牛頓插值具有承襲性,當增加一個節點時無需重新計算所有的基函數,只需增加一項修正項即可進行插值,計算量更小。其插值多項式如下:

Nn(x)=f(x0)+f[x0,x1](x-x0)+…+f[x0,x1,…,xn](x-x0)(x-x1)…(x-xn 1)

(1)

式中,n為已知節點數。

為避免插值過程中出現的龍格現象,實際信號修正中n取6,且為保證數據特征的連續性和有效性,一般以丟失點為中心的上下各3點作為已知節點進行插值。

3.2 特征提取

帕金森患者凍結步態的特征提取是數據處理流程的關鍵。如圖6所示為出現凍結步態的帕金森患者和健康對象在8 m長的走廊行走時垂直于左腳處的加速度數據對比圖。由圖6可知,健康對象在3 Hz附近存在較大的振幅峰值,而凍結步態患者除了在3 Hz附近存在振幅峰值,且5 Hz～10 Hz之間也存在較大的峰值振幅。正常人的步態行走時的加速度頻率通常為0.5 Hz～3 Hz,而具有凍結步態的帕金森患者由于癥狀發生時其單腳和雙腳會出現高頻無規律的抖動現象,所以其加速度數據中會有高頻成分存在。因此,Steve T.Moore等人將0.5 Hz～3 Hz定義為運動頻率帶,代表正常的行走運動;而3 Hz～8 Hz定義為凍結頻率帶,代表凍結步態發生[16]。

圖6 凍結步態患者和健康對象加速度時域和頻域對比圖

由于凍結步態是一種突發性瞬時性的運動癥狀,其凍結持續時間幾秒鐘到幾分鐘不等,如果僅使用DFT對所采集的加速度信號進行分析,只能反映凍結步態的整體情況,而忽略了其時間特性,并且代表凍結步態的高頻成分也會被0.5 Hz～5.0 Hz運動頻率帶的能量所覆蓋。為此,既往文獻中提出一種基于短時傅里葉變換(STFT)的反映凍結步態嚴重程度變化情況的特征值—凍結指數(FI),其定義為將凍結頻率帶中的能量與運動頻率帶中的能量之比:

(2)

式中:X(t,f)為加速度信號x(t)的短時傅里葉變換(STFT):

(3)

通過選取合適的滑動窗口(實驗中,t=2 s),利用STFT在時頻域下求取凍結指數可以反映患者凍結步態嚴重程度在整個時間段中的變化情況。當凍結指數越大時說明患者凍結步態越嚴重。當患者凍結步態發生時,凍結指數在該時間段上會出現一個峰值,并且可以選取合適的閾值以判定凍結步態的發生。

為了準確反映出受試者使用可穿戴設備進行步態訓練時凍結步態的嚴重程度的整體變化情況,取最大的凍結指數值(maxFI)和平均凍結指數值(avrFI)作為特征值,并在之后的數據處理中對比引導光線開關訓練前后的兩個特征值,以驗證該設備對帕金森患者凍結步態是否有顯著改善。

3.3 顯著性差異分析

為分析基于引導光線提示的可穿戴設備對具有凍結步態的帕金森患者是否具有顯著改善,對所提取的兩個特征值(maxFI和avrFI)進行顯著性差異分析。目前,常用的顯著性分析方法有T檢驗、U檢驗、卡方檢驗等參數檢驗方法和曼-惠特尼U檢驗、K-S檢驗、游程檢驗等非參數檢驗方法。由于參數檢驗的前提是總體分布已知并服從正態分布,而凍結步態是一種瞬時性、突變性的現象,其特征值總體分布未知,故不考慮使用參數檢驗方法。同時由于受試者人數限制,樣本量較少,則使用曼-惠特尼U檢驗方法分析帕金森患者凍結步態的改善情況更為合理。

曼-惠特尼U檢驗又稱秩和檢驗,是非參數假設檢驗的一種。其假設兩個樣本分別來自除了總體均值以外完全相同的兩個總體,對兩個獨立樣本數據混合排序求出各個樣本的秩序,最小的數據秩序為1,第二小的數據秩序為2,以此類推,分別求出兩個樣本的秩序之和W1、W2。計算曼-惠特尼U檢驗統計量:

(4)

式中:n1為第1個樣本量,n2為第2個樣本量。取U1和U2中的最小值與臨界值UA進行比較,當U

4 實驗與結果分析

選擇8名具有凍結步態的帕金森患者穿戴設備參與步態訓練實驗,實驗中參與者將設備穿戴于左右腳踝兩側,同時保證設備的超聲傳感器垂直于地面,則其中的慣性傳感器的Y軸數據代表垂直于小腿處的加速度。

8名參與者中,男性5名,女性3名,年齡為47歲～73歲(平均62.7歲),患病時間為6年～20年(平均11.6年),H&Y評分平均為3.2。參與者在長為8 m的走廊上行走兩次,其中第1次在沒有引導光線提示的情況行走,第2次在有引導光線提示的條件下,跨過前方的引導光線行走,測量并采集這兩種情況下患者的步態加速度數據并進行對比分析。

以4號對象垂直左小腿處的加速度數據為例。當引導光線關時,在加速度信號圖7(a)中,0～7 s時的加速度信號呈現規律性的波動,且較為平穩,而7 s～13 s處的加速度信號發生突變,呈現高頻波動,且波動幅值更大,同時反映在凍結指數變化圖7(b)中,以0.5為閾值,7 s～13 s處的凍結指數都大于0.5,且有較大的峰值出現,說明4號對象在這一時間段出現凍結步態。當引導光線開時,在加速度信號圖7(c)中,整個時間段中的加速度信號呈現規律性的波動,且并沒有突變信號產生,同時在凍結指數變化圖7(d)中,以0.5為閾值,整個時間段中的凍結指數都小于或接近于0.5,波動平穩,并沒有較大的峰值出現,說明對象行走正常,在引動光線提示下凍結步態有所改善。

圖7 4號對象引導光線開關下的數據分析

以引導光線開關兩種狀態下的最大凍結指數maxFI和平均凍結指數avrFI作為特征值對所有8名對象進行統計,統計結果如表1所示。

由表1可知,引導光線開時的maxFI和avrFI參數的平均值小于引導光線關時。同時,利用曼-惠特尼U檢驗對兩種狀態下的特征參數進行顯著性差異分析,分析結果如表2所示。

由表2可看出,兩種特征參數在曼-惠特尼U檢驗下所求得的精確顯著性結果都小于0.01,故在0.01的顯著性水平下,引導光線開關前后maxFI和avrFI的兩組數據存在顯著性差異。根據3.2中的內容,當患者凍結指數越大時說明凍結步態嚴重程度越高,如表1和表2所示,maxFI和avrFI這兩個特征參數在光開狀態下的平均值顯著小于光關狀態下的平均值,說明患者在光開狀態下的凍結步態癥狀減輕,引導光線對于帕金森患者行走步態具有明顯的改善作用,該引導光線提示的可穿戴設備作為帕金森病凍結步態的訓練評估設備具有功能上的可行性。

表1 參與者相關凍結指數特征值統計表

表2 曼-惠特尼U檢驗結果

5 結論

本文研究了一種基于引導光線提示的用于改善帕金森患者凍結步態的可穿戴技術,并利用對象垂直小腿處的加速度信號分析研究引導光線提示對患者凍結步態的改善作用。結果表明,引導光線提示對患者凍結步態具有顯著改善。此外,在后期考慮在智能手機采集軟件中加入實時評估系統對患者凍結步態進行實時診斷,評估患者在訓練時的凍結步態嚴重程度,方便患者日常生活中的步態訓練并為醫生提供可靠參考。

[1] 封華,劉承偉. 帕金森病早期診斷的研究進展[J]. 醫學綜述,2010,16(18):2775-2777.

[2] Schaafsma J D,Balash Y T,Bartels A L,et al. Characterization of Freezing of Gait Subtypes and the Response of each to Levodopa in Parkinson’s Disease.[J]. European Journal of Neurology,2003,10(4):391-398.

[3] Okuma Y,Yanagisawa N. The Clinical Spectrum of Freezing of Gait in Parkinson’s Disease.[J]. Movement Disorders,2008,23(Supplement S2):S426-S430.

[4] Buntingperry L,Spindler M,Robinson K M,et al. Laser Light Visual Cueing for Freezing of Gait in Parkinson Disease:A Pilot Study with Male Participants.[J]. Journal of Rehabilitation Research and Development,2013,50(2):223-230.

[5] Vitório R,Liranisilva E,Barbieri F A,et al. Influence of Visual Feedback Sampling on Obstacle Crossing Behavior in People with Parkinson’s Disease.[J]. Gait and Posture,2013,38(2):330-334.

[6] 劉美琪,田婧,丁正同,等. 帕金森病凍結步態的康復治療[J]. 中國臨床神經科學,2015,23(6):707-710.

[7] Mazilu S,Blanke U,Dorfman M,et al. A Wearable Assistant for Gait Training for Parkinson’s Disease with Freezing of Gait in Out-of-the-Lab Environments[J]. Transactions on Interactive Intelligent Systems,2015,5(1):5:1-5:31.

[8] 孫偉,丁偉,李瑞豹. 徒步導航系統中的自適應步態優化檢測方法研究[J]. 傳感技術學報,2016,29(9):1389-1394.

[9] Ahlrichs C,Samà A,Lawo M,et al. Detecting Freezing of Gait with a Tri-Axial Accelerometer in Parkinson’s Disease Patients.[J]. Medical and Biological Engineering and Computing,2016,54(1):223-233.

[10] Sijobert B. IMU Based Detection of Freezing of Gait and Festination in Parkinson’s Disease[J]. Sensors,2014,14(4):6819-6827.

[11] Tzallas A T,Tsipouras M G,Rigas G,et al. PERFORM:A System for Monitoring,Assessment and Management of Patients with Parkinson’s Disease[J]. Sensors,2014,14(11):21329-21357.

[12] 汪豐,鄒亞,喬子晏,等. 帕金森患者步行運動的定量分析[J]. 東南大學學報(自然科學版),2015,45(2):266-269.

[13] Mazilu S,Hardegger M,Zhu Z,et al. Online Detection of Freezing of Gait with Smartphones and Machine Learning Techniques[C]//International Conference on Pervasive Computing Technologies for Healthcare. 2012:123-130.

[14] Jovanov E,Wang E,Verhagen L,et al. deFOG — A Real Time System for Detection and Unfreezing of Gait of Parkinson’s Patients[C]//International Conference of the IEEE Engineering in Medicine and Biology Society. Conf Proc IEEE Eng Med BiolSoc,2009:5151.

[15] Niazmand K,Tonn K,Zhao Y,et al. Freezing of Gait Detection in Parkinson’s Disease Using Accelerometer Based Smart Clothes[C]//Biomedical Circuits and Systems Conference. IEEE,2011:201-204.

[16] Moore S T,Macdougall H G,Ondo W G. Ambulatory Monitoring of Freezing of Gait in Parkinson’s Disease[J]. Journal of Neuroscience Methods,2008,167(2):340-348.

Wearable Technology to Improve Freezing of Gait in Parkinson’s Disease

DING Hang1,SHEN Linyong1,WU Xi2*,HU Xiaowu2

(1.School of Mechatronics Engineering and Automation,Shanghai University,Shanghai 200072,China;2.Changhai Hospital,Shanghai 200433,China)

Freezing of gait is a common motor complication in Parkinson’s Disease. It can perform as stop during walking or start-hesitation,and significantly affect the quality of PD patients’ life. To improve the freezing of gait,a kind of wearable technology with light cueing is proposed.This technology takes advantage of a marking light in front of the feet to guide the patient. At the same time,it use an inertial sensor for acceleration data collection and the analysis method including freezing index and Man-Whitney U test to study the effect of light cueing on freezing of gait. The result shows that light cueing can improve freezing of gait under a 0.01 significance level.

freezing of gait;guiding light;wearable;freezing index;Man-Whitney U test

丁 航(1992-),男,上海大學碩士研究生,主要研究方向為醫療器械及機器人應用,dinghang_shu@163.com;

沈林勇(1962-),男,上海大學機電工程與自動化學院副研究員,主要研究方向為醫療康復機器人技術研究,shenlycn@163.com;

吳 曦(1982-),男,上海市長海醫院神經外科主治醫師,主要研究方向為腦血管病、肌張力障礙和帕金森病的外科治療,wuxi_smmu@sina.com。

項目來源:國家自然基金項目(51275282);教育部博士點基金項目(20123108110009)

2016-11-24 修改日期:2017-02-10

TP212.9

A

1004-1699(2017)06-0807-07

C:7500

10.3969/j.issn.1004-1699.2017.06.001