基于可穿戴式慣性傳感器的帕金森病患者運動功能自動量化研究

孫奕，榮哲，汪豐，徐暢，鄭慧芬

1.江蘇衛生健康職業學院 全科教研室，江蘇 南京 210029；2.江蘇省老年病醫院 神經內科，江蘇 南京 210024；3.東南大學 生物科學與醫學工程學院，江蘇 南京 210009

引言

隨著人口老齡化的加劇，帕金森病（Parkinson’s Disease，PD）作為最常見的神經變性疾病發病率逐年上升，據相關統計，在中國已有近400 萬患者[1]。PD 主要表現為包括運動遲緩、靜止性震顫、強直和姿勢步態異常為主要特征的運動癥狀，以及睡眠障礙、認知損害、嗅覺減退等非運動癥狀[2]，PD 的臨床診斷和病情評估主要憑借患者的運動癥狀[3-4]。目前，統一帕金森病評分量表（Unified Parkinson’s Disease Rating Scale，UPDRS）為臨床應用最廣泛的量表（下列項目包括17 個項目，每項的計分值用0、1、2、3、4、5 級，分值越高表示PD 癥狀越嚴重）[5]，其包括4 個部分內容，涵蓋核心的運動癥狀和非運動癥狀評估，其中第3 部分量表是患者的運動功能，內容較為全面，但是評價時花費時間長，同時評價時易受到醫護人員主觀判斷和自身條件的限制[6]。

隨著機器學習技術尤其是神經網絡的發展，在對運動功能進行定量化量表的研究取得一定進展，也將人工智能及移動技術加入《中國帕金森病治療指南（第四版）》[7]中?？纱┐魇綉T性傳感器能進行時域、頻域分析，獲得如躺、坐、站、走和跑等運動特征，對如步頻、步幅、軀干傾角、起立-行走計時測試時間、運動對稱性、協調性等PD 患者特征性的運動參量進行實時、更精準、更可靠的檢測和定量分析，是PD 患者理想的運動癥狀評估手段[8-11]。本研究旨在采用可穿戴式慣性傳感器采集的多類別運動數據，探究進行UPDRS 運動相關指標自動評分的方法。

1 資料與方法

1.1 臨床資料

選取2020 年5 月至2021 年12 月在江蘇省老年病醫院神經內科就診的PD 患者作為研究對象。納入標準：① 年齡50～90 歲；② 符合2015 年國際運動障礙學會原發性PD 診斷標準；③主訴行走中存在凍結步態。排除標準：① 無獨立行走和站立能力的患者；② 因骨關節及神經肌肉疾病、外傷等原因影響行走狀態；③ 有嚴重認知功能障礙和/或明顯精神癥狀，具體標準為精神狀態檢查量表（Mini-Mental State Examination，MMSE）評分＜22 分；④ 嚴重視力和聽力受損無法配合的患者。共采集有效數據110 例，其中男性64 例、女性46 例，年齡61～83 歲，平均年齡（73.35±6.29）歲。正常對照組為患者家屬或護工（正常對照組的納入是為了數據集管理工具進行自動化數據的導出和數據集構建）。所有患者家屬和護工均規范簽署知情同意書。

1.2 方法

1.2.1 臨床資料收集

收集所有患者和正常對照者的性別、年齡、病程等資料，并進行MMSE評分、Hoehn-Yahr（H-Y）分級（H-Y分級是為了了解帕金森患者疾病的嚴重程度。本實驗采用1～4級的患者，5級患者無法完成本實驗）、UPDRS評分。

1.2.2 范式動作

參考UPDRS 量表第3 部分運動癥狀評估內容，范式動作依次為：靜坐動作、手臂連續前旋后旋動作、反復抬腿動作、睜眼和閉眼靜止站立動作、10 m 折返擺臂行走以及二重任務的10 m 折返擺臂行走。

1.2.3 運動采集設備及數據采集

本研究采用東南大學蘇州醫療器械研究院開發的可穿戴慣性傳感器系統進行運動數據采集，系統由8 個可穿戴傳感器節點及上位機軟件構成，全面覆蓋受試者運動過程中四肢、軀干的姿態情況[12]。8 個傳感器的分布情況如圖1 所示。

如圖2 所示，可穿戴傳感器包含慣性傳感器模塊、微控制單元（Microcontroller Unit，MCU）模塊、電池管理模塊、報警模塊和存儲模塊共5 個模塊。MCU 模塊主要負責藍牙通訊、數據處理以及通訊處理，傳感器模塊用來實現運動信號的檢測，SD 卡用作數據備份，電池管理模塊用于電池充放電保護，報警模塊用來進行低電量預警以及通訊狀態顯示。MCU 模塊采用nRF52840 芯片，支持藍牙Mesh 無線組網協議棧和藍牙5.0 無線通信協議，通過IIC 接口與傳感器模塊進行通信，通過串行外圍接口（Serial Peripheral Interface，SPI）與存儲模塊進行通信，通過兩個通用輸入輸出端口（General Purpose I/O Ports，GPIO）來連接報警模塊；傳感器模塊采用MPU6050 為核心的慣性傳感單元，獲取三軸加速度、三軸角速度、姿態角信息，用于檢測人體運動姿態信息并使用IIC 協議與主控芯片進行通信。慣性傳感單元的采樣頻率為100 Hz，加速度量程±16 g，角速度量程±2000°/s；存儲模塊選用32 G 存儲卡，滿足1 周時間長度的數據存儲；電源管理模塊選擇TP4057 芯片，在保證可穿戴設備安全性要求的同時最多可供傳感器連續工作18 h，滿足日常醫院使用場景下的需求。

圖2 系統結構框圖

上位機軟件主要用于接收各個運動傳感器的數據并進行儲存、管理和顯示操作。傳感器采集的數據以內部格式存儲為記錄文件，包含采樣時間戳和8 個傳感器每個的三軸加速度、角速度、姿態角信號。根據受試者注冊信息進行實驗數據的儲存和建立索引，以方便之后的運動指標分析。本研究采用一種基于SQLite 數據庫的記錄管理和數據集構建工具，使用4 個數據表進行管理記錄并使用SQL 內聯受試者動作事件表查詢功能進行批量導出患者注冊信息表、評分表、數據記錄表（圖3）。

圖3 上位機軟件的受試者檔案創建（a）和實驗操作面板（b）

1.2.4 數據預處理

針對平穩動作數據預處理采用巴特沃斯（Butterworth）低通濾波器進行頻域濾波，設置濾波器階數為8 階，截止頻率16 Hz，主成分分析法對三軸加速度的三通道信號做處理去除冗余的坐標軸信號，針對重復性動作，采用改進的加權滑動平均濾波器：Savitzky-Golay 濾波器進行去噪處理，針對腳面快速著地造成的無效尖峰信號，采用基于長度變換的尖峰捕獲-插值重建方法，并進行坐標軸的動態校準。

1.2.5 運動特征參數提取

對于震顫和平衡性，著眼于時域的均方根、頻域的功率譜、信號熵值等特征參數，提取的特征參數通過基于箱型圖的統計學驗證。針對長時間動作信號在特征參數提取后的信息丟失問題，利用信號分段和分段信號的特征參數序列組合作為最終的輸入參數向量。各范式動作具體特征性參數如表1 所示。

表1 各范式動作的特征參數

1.2.6 自動評分模型的建立與驗證

采用支持向量機（Support Vector Machine，SVM）作為自動評分的核心分類器，引入松弛參數ε 和懲罰系數C，構成SVM 的軟間隔模型[13]。在自動評分模型的構建中，震顫（靜坐）采用分段信號的序列參數作為輸入；平衡性（睜眼、閉眼靜止站立）采用整體信號的特征參數差異作為輸入；對于重復性動作，在應用模型前先對特征參數進行特征篩選，獲取對UPDRS 評分具有較高相關性的特征參數，再作為輸入向量進行模型訓練，并對部分參數使用主成分分析方法（Principal Component Analysis，PCA）自動降維進行優化，輸出對應的UPDRS 評分，最后使用k 折交叉驗證，將預測得分與臨床醫生的評分相對比，檢驗一致性。

2 結果

2.1 震顫自動評分結果

由圖4 和表2 可知，考慮到UPDRS 評分為4 分的患者無法完成動作，因此4 分樣本不予考慮，此外震顫測試動作的3 分評分項目樣本量較少，因此在之后的研究中震顫關聯的UPDRS 評分項目僅關注評分為0～2 分的入組患者。SVM 自動評分模型混淆矩陣包括準確度、精確度、召回率及F1 值在內的分類評價指標，優化后的最終準確度達到0.87。

表2 震顫自動評分模型整體信號特征參數序列作為輸入時的分類評價指標

圖4 震顫自動評分模型整體信號的特征參數作為輸入時的混淆矩陣

2.2 平衡性自動評分結果

如圖5 和表3 所示，睜眼和閉眼靜止站立動作整體信號的特征參數差異作為輸入，將睜眼和閉眼靜止站立動作的4 個特征參數的差異值作為維度為4 的輸入參數向量，取得最優準確度時的混淆矩陣和分量評價指標。最后準確度達0.90。

表3 睜眼和閉眼靜止站立動作整體信號的特征參數差異作為輸入時的分類評價指標

圖5 睜眼和閉眼靜止站立動作整體信號的特征參數差異作為輸入時的混淆矩陣

2.3 重復性自動評分結果

如圖6 和表4 所示，對于上肢靈活性，選取翻腕平均周期、翻腕周期變異系數、平均手腕翻開周期、平均手腕閉合周期、平均翻腕角度、翻腕角速度峰值平均這6 個特征參數作為輸入向量，最終得到了最高0.83 的準確度。如圖7 和表5 所示，對于下肢靈活性測試，選取抬腿平均加速度峰值、抬腿平均高度、平均抬腿周期、抬腿周期變異系數作為輸入向量，最終取得了0.81 的最優準確度。如圖8 和表6 所示，對于步態測試，本研究文選取左/右腳平均跨步周期、左/右腳平均跨步長、步速、左/右腳支撐相、左/右臂平均峰值擺臂角速度、軀干橫截面平均活動度作為輸入向量，得到的最優準確度為0.74。使用PCA 方法自動降維進行優化，最后在取得13 維度輸入時最優準確度增加到0.78。

表4 上肢靈活性評分預測分類評價指標

表5 下肢靈活性評分預測的分類評價指標

表6 步態評分預測的分類評價指標

圖6 上肢靈活性評分預測的混淆矩陣

圖7 下肢靈活性評分預測的混淆矩陣

圖8 步態評分預測的混淆矩陣

3 討論

可穿戴設備是近年來備受關注的新型個體化醫療的有效方法，能對患者進行全面有效的評估，尤其適用于需要長期疾病監測和治療的PD 患者[14]。利用可穿戴式慣性傳感器采集的運動數據進行PD 患者運動癥狀自動評分系統的研究，可有效避免量表評估的主觀性，使結果更準確、更客觀，進而可以系統地、動態地監測疾病的進程[15-16]。Garza-Rodriguez 等[17]利用一種可被手握緊的旋轉角度傳感器，研究手臂前旋后旋的8 個生理學參數作為評估指標，證明這些參數的顯著性和區分性。何娟娟等[18]針對PD 患者運動遲緩這一運動癥狀，從反復翻腕、反復踮腳、起坐測試等測動作入手，使用神經網絡多層感知機算法對患者和正常對照者進行分類，同時使用梯度提升迭代決策樹算法對癥狀進行量化評分，最終判斷準確度達97%，量化評分準確度達到84%。這些方法能針對特定的PD 運動功能表征動作提取出具有區分度的運動學參數，但是不能對運動功能進行綜合評價，限制了其在臨床的應用。林志榕[19]利用可穿戴設備采集手部運動信息，并基于運動傳感器數據提取與震顫和運動遲緩癥狀嚴重程度相關的特征參數。算法驗證試驗結果表明，SVM 分類模型具有最高的分類精度，其研究顯示對震顫和運動遲緩癥狀的嚴重程度分類準確度較高，與本研究結果一致，但其主要利用的是佩戴于患者手腕的設備，通過手部的范式動作進行評估，結果也存在一定的局限性，研究使用8 個傳感器，希望能夠盡可能全面地覆蓋受試者運動過程中四肢、軀干的姿態情況。

本研究從臨床UPDRS 評估量表入手，針對典型運動癥狀設計多維度范式動作，并與UPDRS 量表運動評分內容建立對應關系。利用可穿戴式慣性傳感器采集收集到的PD 患者和健康對照者的數據，基于SQLite 數據庫，開發一款自動導出、自動管理的患者信息、評分與運動信號管理工具，用于后續自動評分模型的訓練。針對平穩動作的數據處理，提取其震顫和平衡性的運動特征參數，并提出分段化信號處理的思路，得到特征參數序列并探索特征參數序列的組合方式，以彌補長時間信號在提取特征時產生的信息丟失。運動特征參數選取了包括了震顫測試動作的6 個特征參數和平衡性測試動作的6 個特征參數。與吳浩然[20]研究不同的是，本實驗未泛化地對所有傳感器的所有信號通道使用采集算法，而是有針對性地對范式動作的感興趣部位的傳感器進行通道預處理。

在算法上，本研究使用粒子群優化算法（Particle Swarm Optimization，PSO）以訓練樣本集的準確度為優化條件，對SVM 的超參數調節[21]。最終建立基于PSO超參數優化的SVM 自動評分模型，同時本研究進行了震顫和步態的分析。使用分段參數序列組合作為輸入，在震顫測試中獲得了最優準確度0.90，在平衡性測試中取得最優準確度0.87。針對重復性動作，提取了其上肢靈活性測試、下肢靈活性測試和步態測試的若干特征參數?？紤]到特征參數較多，應用特征工程進行特征篩選和PCA 降維。最后應用基于PSO 超參數優化的SVM自動評分模型，上肢靈活性測試、下肢靈活性測試分別可以達到0.83 和0.81 的準確度。步態測試直接使用PCA 降維方法得到的最優準確度是0.78。在震顫、平衡性、肢體靈活性方面均顯示與臨床量表評估有較好的相關性。

4 結論

本研究提出了一種基于可穿戴慣性傳感器的PD運動功能自動量化系統，用于評估PD 人和健康人的UPDRS 運動量表動作，同時對傳感器數據進行處理并從震顫、平衡、規律性動作和步態4 個角度出發分別提取運動特征參數，應用PSO-SVM 模型區分帕金森患者和健康人，本研究模型在準確度、精確度、召回率和F1分數均較高。表明，本研究提出的PD 運動功能自動量化系統能夠整體評估患者運動功能，給臨床工作帶來便捷的同時，在一定程度上有助于提高診斷的精準性，在臨床上有很好的應用價值。