基于多特征融合的早期帕金森病步態(tài)特征識(shí)別方法

本文引用格式：李一寬.基于多特征融合的早期帕金森病步態(tài)特征識(shí)別方法[J].自動(dòng)化與信息工程，2024，45（1）：55-60.

LI Yikuan. Gait feature recognition method for early Parkinson's disease based on multi feature fusion[J]. Automation & Information Engineering， 2024，45（1）：55-60.

摘要：帕金森病是一種常見(jiàn)的神經(jīng)退行性疾病，目前尚無(wú)可治愈的手段，只有通過(guò)藥物治療來(lái)緩解發(fā)病周期。因此，針對(duì)早期帕金森病的研究具有重要意義。針對(duì)早期帕金森病步態(tài)數(shù)據(jù)較少、識(shí)別準(zhǔn)確率較低的問(wèn)題，提出一種基于多特征融合的早期帕金森病步態(tài)特征識(shí)別方法。該方法對(duì)比傳統(tǒng)的單一特征識(shí)別方法，識(shí)別準(zhǔn)確率更高，可為早期帕金森病臨床診斷提供一種輔助手段。

關(guān)鍵詞：早期帕金森病；步態(tài)數(shù)據(jù)；特征融合；分類(lèi)識(shí)別

中圖分類(lèi)號(hào)：TP391.41? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號(hào)：1674-2605（2024）01-0009-06

DOI：10.3969/j.issn.1674-2605.2024.01.009

Gait Feature Recognition Method for Early Parkinson's Disease? ? ? ? ? Based on Multi Feature Fusion

LI Yikuan

（School of Mechanical and Vehicle Engineering， Chongqing Jiaotong University，? ? ? ? ? ? ? ? ? Chongqing 400074， China）

Abstract： Parkinson's disease is a common neurodegenerative disease， and there is currently no cure available. Only drug treatment can alleviate the onset cycle. Therefore， research on early Parkinson's disease is of great significance. Aiming at the problem of limited gait data and low recognition accuracy in early Parkinson's disease， a multi feature fusion based gait feature recognition method for early Parkinson's disease is proposed. Compared with traditional single feature recognition methods， this method has higher recognition accuracy and can provide an auxiliary method for early clinical diagnosis of Parkinson's disease.

Keywords： early Parkinson's disease; gait data; feature fusion; classification recognition

0 引言

帕金森病（Parkinson disease， PD）是一種與年齡相關(guān)的神經(jīng)退行性疾病。據(jù)統(tǒng)計(jì)，目前全球的PD患者有700多萬(wàn)人，我國(guó)的PD患者近300萬(wàn)人，約占全球PD患者總數(shù)的一半[1]。根據(jù)專(zhuān)家預(yù)測(cè)，2030年我國(guó)的PD患者將達(dá)到500萬(wàn)人[2]。

目前，臨床上針對(duì)PD的治療尚無(wú)可治愈的手段。因此，早發(fā)現(xiàn)早治療，延緩病人的發(fā)病周期顯得尤為重要[3]。PD的診斷主要采用評(píng)估量表法（H＆Y評(píng)估量表、Webster帕金森分級(jí)量表、UPDRS評(píng)估量表等）和影像學(xué)法，這兩種方法主觀(guān)性較強(qiáng)，對(duì)醫(yī)師個(gè)人能

力要求較高。根據(jù)調(diào)查發(fā)現(xiàn)，PD的誤診率達(dá)10%～ 50%[4]。

為提高PD診斷的高效性和可靠性，許多學(xué)者將人工智能技術(shù)應(yīng)用于PD診斷。LITTLE等[5]利用音高周期熵（pitch period entropy， PPE）的聲調(diào)測(cè)量方法，提取10個(gè)聲調(diào)高度不相關(guān)的特征向量，并采用核支持向量機(jī)進(jìn)行分類(lèi)，實(shí)驗(yàn)結(jié)果表明，該方法能夠很好地區(qū)分PD患者和健康人群。張小恒等[6]通過(guò)對(duì)PD語(yǔ)音數(shù)據(jù)集進(jìn)行稀疏編碼，并對(duì)比傳統(tǒng)稀疏編碼和卷積稀疏編碼，證明了卷積稀疏編碼能提取更高層的數(shù)據(jù)特征，可更準(zhǔn)確地區(qū)分PD患者與健康人群。ZHAO

等[7]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)分別從語(yǔ)音和log-mel頻譜中學(xué)習(xí)相關(guān)特征，實(shí)現(xiàn)PD的多級(jí)分類(lèi)。雖然以上方法在PD診斷中取得了一些成果，但仍存在一些棘手的問(wèn)題，如病人數(shù)據(jù)涉及個(gè)人隱私和醫(yī)學(xué)倫理等問(wèn)題，可采集的數(shù)據(jù)較少，導(dǎo)致基于數(shù)據(jù)驅(qū)動(dòng)的模型識(shí)別準(zhǔn)確率較低[8]。

為此，本文在有限數(shù)據(jù)的情況下，提出一種基于多特征融合的早期帕金森病步態(tài)特征識(shí)別方法，可從不同特征中獲得更多、更深層次的信息，提高模型的分類(lèi)性能。

1 步態(tài)數(shù)據(jù)描述與特征提取

1.1 步態(tài)數(shù)據(jù)描述

本文使用來(lái)自Physionet數(shù)據(jù)庫(kù)的PD步態(tài)數(shù)據(jù)集。該數(shù)據(jù)集由3個(gè)獨(dú)立的采樣小組，分別在3種不同的測(cè)試環(huán)境（正常行走Ga，聽(tīng)覺(jué)刺激行走Ju，跑步機(jī)上行走Si）中對(duì)166名受試者進(jìn)行測(cè)試。在受試者的左、右足底各安裝8個(gè)壓力傳感器（force sensitive resistors， FSR），以100 Hz的采樣頻率記錄受試者足底垂直地面的反作用力（vertical ground reaction force， VGRF），采集時(shí)間約為2 min，F(xiàn)SR安裝位置如圖1所示。

166名受試者中包含73名健康人和93名PD患者，每名受試者的步態(tài)數(shù)據(jù)對(duì)應(yīng)一個(gè)文件。該文件中1～16列為每個(gè)FSR記錄的VGRF值隨時(shí)間的變化，17、18列分別為左、右腳VGRF值的和。不同H＆Y等級(jí)（0級(jí)為無(wú)癥狀，等級(jí)越高PD程度越嚴(yán)重）下相關(guān)受試者的基本物理信息如表1所示。

1.2 步態(tài)數(shù)據(jù)預(yù)處理

受外界因素干擾，采集的步態(tài)數(shù)據(jù)可能存在缺失值或異常值。為了使FSR采集的VGRF數(shù)據(jù)含有節(jié)律性，先對(duì)步態(tài)數(shù)據(jù)進(jìn)行預(yù)處理。考慮到受試者在測(cè)試初期需加速，測(cè)試末期需減速，去除FSR采集的前20 s和后10 s的步態(tài)數(shù)據(jù)。以100 Hz頻率采集2 min的步態(tài)數(shù)據(jù)，截取后的單個(gè)步態(tài)數(shù)據(jù)樣本約含有9 000個(gè)樣本點(diǎn)。考慮到受試者擺動(dòng)時(shí)，F(xiàn)SR可能會(huì)記錄一些較小的VGRF值，因此把小于20 N的VGRF值置為0 N。《中國(guó)治療帕金森病指南（第三版）》[9]指出，H＆Y等級(jí)≤2.5為早期帕金森病患者。PD步態(tài)數(shù)據(jù)集中166個(gè)數(shù)據(jù)樣本篩選后，得到健康步態(tài)數(shù)據(jù)73個(gè)，早期PD步態(tài)數(shù)據(jù)83個(gè)（55+28），中期PD步態(tài)數(shù)據(jù)10個(gè)。

1.3 步態(tài)特征提取

步態(tài)是指人體步行時(shí)的姿態(tài)和行為特征，可以反映人體的機(jī)能，常用于臨床研究，即根據(jù)步態(tài)檢測(cè)疾病[10]。人體在正常行走的過(guò)程中，左、右腳交替輪換擺動(dòng)，具有周期性和規(guī)律性。一個(gè)完整的步態(tài)運(yùn)動(dòng)周期定義為同側(cè)腳兩次著地的時(shí)間差，一個(gè)步態(tài)運(yùn)動(dòng)周期如圖2所示。

一個(gè)步態(tài)運(yùn)動(dòng)周期分為支撐期和擺動(dòng)期，又稱(chēng)為支撐相和擺動(dòng)相。其中，支撐相約占整個(gè)步態(tài)運(yùn)動(dòng)周期的60%，擺動(dòng)相約占整個(gè)步態(tài)運(yùn)動(dòng)周期的40%。

FSR采集的早期PD患者左、右腳VGRF時(shí)間序列如圖3所示。

圖3中：P1為右腳腳后跟開(kāi)始離開(kāi)地面進(jìn)入單腿擺動(dòng)的時(shí)間點(diǎn)；P2為右腳腳尖接觸地面進(jìn)行單腿站立的時(shí)間點(diǎn)；P3為結(jié)束站立，右腳進(jìn)入下一個(gè)步態(tài)運(yùn)動(dòng)周期的起始時(shí)間點(diǎn)。

根據(jù)以上描述，以右腳VGRF值為例，提取相應(yīng)的特征參數(shù)：站立時(shí)間、擺動(dòng)時(shí)間和步幅時(shí)間等。

站立時(shí)間，單腳與地面接觸的時(shí)間。在一個(gè)步態(tài)運(yùn)動(dòng)周期中，站立時(shí)間的起點(diǎn)位于VGRF值從0 N開(kāi)始遞增的位置，終點(diǎn)為VGRF值下降到0 N的位置，起點(diǎn)與終點(diǎn)間隔的樣本個(gè)數(shù)為站立時(shí)間。站立時(shí)間Sa的計(jì)算公式為

（1）

擺動(dòng)時(shí)間，腳與地面沒(méi)有接觸的時(shí)間。擺動(dòng)時(shí)間內(nèi)所有的VGRF值為0 N，即一個(gè)步態(tài)運(yùn)動(dòng)周期內(nèi)，第一個(gè)VGRF值為0 N到最后一個(gè)VGRF值為0 N的時(shí)間差。擺動(dòng)時(shí)間Sw的計(jì)算公式為

（2）

步幅時(shí)間，站立時(shí)間和擺動(dòng)時(shí)間的和。步幅時(shí)間Sr的計(jì)算公式為

（3）

本文利用步態(tài)特征的變異系數(shù)，體現(xiàn)早期PD患者與健康人的步態(tài)運(yùn)動(dòng)周期區(qū)別。步態(tài)特征的變異系數(shù)計(jì)算公式為

（4）

式中：為步態(tài)特征參數(shù)的平均值，為步態(tài)特征參數(shù)的標(biāo)準(zhǔn)差。

2 方法

2.1 統(tǒng)計(jì)學(xué)方法

采用IBM SPSS statistics 26統(tǒng)計(jì)學(xué)軟件對(duì)步態(tài)特征進(jìn)行獨(dú)立樣本T檢驗(yàn)。t值的計(jì)算公式為

（5）

式中：、為2個(gè)獨(dú)立樣本的平均值，n1、n2分別為兩組樣本的總數(shù)，S1、S2分別為樣本標(biāo)準(zhǔn)差。

對(duì)兩組獨(dú)立樣本之間差異的顯著性進(jìn)行統(tǒng)計(jì)學(xué)評(píng)估，根據(jù)t值利用統(tǒng)計(jì)學(xué)軟件得到的結(jié)果為P。當(dāng)P<0.05時(shí)，表明兩組特征有顯著差異；當(dāng)P<0.001時(shí)，表明兩組特征有極其顯著的差異；當(dāng)P>0.05時(shí)，無(wú)統(tǒng)計(jì)學(xué)意義[11]。

2.2 特征融合法

特征融合是一種將多個(gè)特征或特征集合結(jié)合在一起，形成一個(gè)更強(qiáng)大，更具有豐富信息的特征表示方法[12]，具有提高預(yù)測(cè)性能、捕捉特征的層次信息、提高模型的泛化能力等特點(diǎn)。考慮到以后的實(shí)驗(yàn)可能會(huì)提取更多的參數(shù)，本文采用特征融合法中的特征拼接法，首先，將提取的特征進(jìn)行歸一化處理；然后，將特征進(jìn)行向量拼接，組合成特征矩陣；最后，將特征矩陣輸入分類(lèi)模型進(jìn)行分類(lèi)識(shí)別。特征拼接法可保留原始特征的信息；幫助模型更好地捕捉特征之間的互補(bǔ)關(guān)系和交互影響，從而增強(qiáng)模型的表達(dá)能力；拼接不受特征類(lèi)型的限制，具有較強(qiáng)的模型泛化能力。

2.3 支持向量機(jī)算法

支持向量機(jī)（support vector machine， SVM）算法[13]是一種常用的監(jiān)督學(xué)習(xí)方法，主要用于分類(lèi)和回歸分析。SVM算法思想是尋找一個(gè)超平面，將不同類(lèi)別的樣本分開(kāi)，并且盡可能地遠(yuǎn)離所有樣本，其表達(dá)公式為

（6）

式中：是超平面的法向量，是超平面的偏置。

本文利用SVM算法實(shí)現(xiàn)早期PD與健康人的分類(lèi)，二分類(lèi)SVM算法如圖4所示。

在一個(gè)二分類(lèi)SVM算法中，當(dāng)= +1時(shí)，則輸入被分到第一類(lèi)；當(dāng)= -1時(shí)，則輸入被分到第二類(lèi)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 步態(tài)特征分析

本文提取73名健康人和83名早期PD患者的左、右腳站立時(shí)間、擺動(dòng)時(shí)間、步幅時(shí)間、變異系數(shù)等12個(gè)特征參數(shù)，如表2所示。其中CO表示健康人群，PD表示早期PD患者。

從表2可知，早期PD組與健康對(duì)照組的右腳擺動(dòng)時(shí)間、左腳擺動(dòng)時(shí)間、左腳步幅時(shí)間和左腳擺動(dòng)時(shí)間變異系數(shù)的P值均小于0.05，說(shuō)明這4個(gè)特征參數(shù)有顯著差異，可用于區(qū)分早期PD患者與健康人群。

3.2 分類(lèi)結(jié)果分析

本文將右腳擺動(dòng)時(shí)間、左腳擺動(dòng)時(shí)間、左腳步幅時(shí)間、左腳擺動(dòng)時(shí)間變異系數(shù)以及這4個(gè)特征拼接的融合特征分別制作5種特征集，每種類(lèi)型特征集中包含健康人群和早期PD患者的特征參數(shù)約14 000個(gè)，并將每種特征集的80%數(shù)據(jù)作為訓(xùn)練集，20%數(shù)據(jù)作為驗(yàn)證集，輸入到SVM模型中進(jìn)行分類(lèi)，分類(lèi)結(jié)果如圖5所示。

由圖5可以看出：特征拼接后的融合特征分類(lèi)識(shí)別準(zhǔn)確率最高，達(dá)到87.75%；其次是左腳擺動(dòng)時(shí)間的分類(lèi)識(shí)別準(zhǔn)確率為71.59%，其余3個(gè)特征的分類(lèi)識(shí)別準(zhǔn)確率較低，表明本文方法在小樣本條件下取得了較好的識(shí)別效果，相較于傳統(tǒng)的單一特征輸入方式具有一定的優(yōu)越性。

為驗(yàn)證融合特征在不同算法中的表現(xiàn)，將單一特征與融合特征的特征集輸入到樸素貝葉斯算法和K近鄰算法進(jìn)行分類(lèi)識(shí)別，結(jié)果如圖6、7所示。

由圖6、7可知：SVM算法對(duì)各類(lèi)型特征的分類(lèi)識(shí)別準(zhǔn)確率均優(yōu)于樸素貝葉斯算法和K近鄰算法，說(shuō)明SVM算法在小樣本條件下具有較高的識(shí)別準(zhǔn)確率；融合特征的識(shí)別準(zhǔn)確率在SVM算法、樸素貝葉斯算法和K近鄰算法中均高于單一特征的識(shí)別率，證明了本文方法的優(yōu)勢(shì)。

4 結(jié)論

本文提出一種基于多特征融合的早期帕金森病步態(tài)識(shí)別方法。首先，提取VGRF時(shí)間序列中的步態(tài)特征參數(shù)；然后，運(yùn)用統(tǒng)計(jì)學(xué)方法尋找具有統(tǒng)計(jì)學(xué)意義的步態(tài)特征參數(shù)：右腳擺動(dòng)時(shí)間、左腳擺動(dòng)時(shí)間、左腳步幅時(shí)間、左腳擺動(dòng)時(shí)間變異系數(shù)，用于區(qū)分早期PD患者與健康人群；最后，考慮到小樣本條件下早期PD識(shí)別準(zhǔn)確率較低的問(wèn)題，采用多特征融合的方法將這4個(gè)特征融合。實(shí)驗(yàn)結(jié)果表明，與單一特征相比，本文方法分類(lèi)識(shí)別準(zhǔn)確率更高，可為臨床醫(yī)生診斷早期PD提供一種輔助手段。

參考文獻(xiàn)

[1] 劉疏影，陳彪.帕金森病流行現(xiàn)狀[J].中國(guó)現(xiàn)代神經(jīng)疾病雜志，2016，16（2）：98-101.

[2] 韓艷，張曉紅，陳彤，等.帕金森病診治現(xiàn)狀調(diào)查[J].中華保健醫(yī)學(xué)雜志，2008，10（1）：18-20.

[3] 張楊，蔣森，劉娜，等.早期帕金森病步態(tài)障礙的臨床特點(diǎn)及研究進(jìn)展[J].醫(yī)學(xué)信息，2022，35（6）：34-36;40.

[4] MEARA J， BHOWMICK BK， HOBSON P. Accuracy of diagnosis in patients with presumed parkinson's disease[J]. Age Ageing， 1999，28（2）：99-102.

[5] LITTLE M A， MCSHARRY P E， HUNTER E J， et al. Suitability of dysphonia measurements for telemonitoring of parkinson's disease[J]. IEEE Trans Biomed Eng， 2009，56（4）： 1015.

[6] 張小恒，李勇明，王品，等.基于語(yǔ)音卷積稀疏遷移學(xué)習(xí)和并行優(yōu)選的帕金森病分類(lèi)算法研究[J].電子與信息學(xué)報(bào)，2019，41 （7）：1641-1649.

[7] ZHAO Jianfeng， MAO Xia， CHEN Lijiang. Speech emotion recognition using deep 1D & 2D CNN LSTM networks[J]. Biomed Signal Process Control， 2019，47：312-323.

[8] 秦靜，馬雪倩，高福杰，等.基于步態(tài)分析的帕金森病輔助診斷方法綜述[J].計(jì)算機(jī)應(yīng)用，2023，43（6）：1687-1695.

[9] 佚名.中國(guó)帕金森病治療指南（第三版）[J].藥學(xué)與臨床研究，2014，22（4）：290.

[10] 李哲.基于EEMD的帕金森病患者步態(tài)特征量化分級(jí)方法研究[D].長(zhǎng)春：吉林大學(xué)，2020.

[11] 阮桂海.數(shù)據(jù)統(tǒng)計(jì)與分析：SPSS應(yīng)用教程[M].北京：北京大學(xué)出版社，2005.

[12] 高媛媛.基于多特征融合和機(jī)器學(xué)習(xí)的疾病基因檢測(cè)大數(shù)據(jù)分類(lèi)模型[J].微型電腦應(yīng)用，2023，39（3）：25-27;39.

[13] 李福祥，王雪，張馳，等.基于邊界點(diǎn)的支持向量機(jī)分類(lèi)算法[J].陜西理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，38（3）：30-38.

作者簡(jiǎn)介：

李一寬，男，1996年生，碩士研究生，主要研究方向：機(jī)器人與人工智能。E-mail： 976018472@qq.com