¹浙江理工大学，信息学院，浙江 杭州

²浙江省康复医疗中心，浙江 杭州

收稿日期：2021年12月15日；录用日期：2022年1月22日；发布日期：2022年1月29日

摘要

目前测量帕金森严重程度的主要方法是医生对照UPDRS量表衡量，存在一定的主观性，为此本文研究出了一种用于衡量帕金森严重程度的评级系统。该系统由可穿戴设备、APP、云平台以及评估模型四部分构成。其中可穿戴设备通过三轴加速度传感器以及蓝牙模块采集震颤加速度传输至APP中进行存储、可视化与上传至云平台中，在平台获取数据后进行预处理并训练模型。通过中值滤波、小波去噪以及信号修正等算法进行数据预处理之后，通过多层感知机对处理后的数据进行学习与分类，最后得到系统的准确率为98%，召回率为96%，F1值为96%。经过实验验证，该系统能较好地反应出患者帕金森震颤的严重程度，为医生的后续判断与治疗提供了重要依据。

关键词

帕金森病，震颤，可穿戴设备，多层感知器

Parkinson’s Tremor Rating System Based on MLP

Xingyu Yue¹, Siwei Zhou²

¹School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou Zhejiang

²Zhejiang Rehabilitation Medical Center, Hangzhou Zhejiang

Received: Dec. 15^th, 2021; accepted: Jan. 22^nd, 2022; published: Jan. 29^th, 2022

ABSTRACT

At present, the main method of measuring the severity of Parkinson’s is that doctors measure it against the UPDRS scale. There is a certain degree of subjectivity. For this reason, this article has developed a rating system to measure the severity of Parkinson’s. The system consists of four parts: wearable device, APP, cloud platform and evaluation model. Among them, the wearable device collects the tremor acceleration through the three-axis acceleration sensor and the Bluetooth module and transmits it to the APP for storage, visualization and upload to the cloud platform. After the platform obtains the data, it preprocesses and trains the model. After data preprocessing through median filtering, wavelet denoising and signal correction algorithms, the processed data are learned and classified by a multi-layer perceptron. Finally, the accuracy rate of the system is 98%, and the recall rate is 96%. The F1 value is 96%. After experimental verification, the system can better reflect the severity of the patient’s Parkinson’s tremor, providing an important basis for the doctor’s follow-up judgment and treatment.

Keywords:Parkinson’s Disease, Tremors, Wearable Devices, Multilayer Perceptron

Copyright © 2022 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

帕金森病(Parkinson’s Disease, PD)是一种好发于中老年人的神经退行性疾病，具有进行性和起病隐匿等特点。其临床特点包括运动迟缓、静止性震颤、肌肉强直为主的运动症状及嗅觉减退、睡眠紊乱、自主神经系统功能障碍、精神行为异常等复杂多样的非运动症状 [1]。1817年，英国医生James Parkinson系统描述了PD的运动症状，命名为震颤麻痹 [2]，后由法国学者Jean-Martin Charcot教授等正式命名为Parkinson’s Disease。随着老年人口的持续增长，该病的发病率及患病率显著增加。震颤是帕金森病(PD)的主要症状之一，虽然不普遍存在，但它是该病发病时最常见的症状。静止性震颤包括身体部位非主动激活的节律性和非自主性振荡，其频率通常在3至12赫兹之间。静止性震颤会使人乏力，导致生活质量下降，并会严重扰乱日常生活活动。静止性震颤的神经生理机制很复杂，目前还不清楚其成因 [3]。帕金森病所致的死亡在中国的疾病总负担中占比从1990年的0.17%增长到2019年的0.41%，我国帕金森病的疾病负担有升高的趋势，应加强重点人群防治，优化帕金森病患者的护理和治疗，提高生命质量 [4]。

目前，测量帕金森严重程度的主要方法是UPDRS量表，在实际中，主要依靠患者的报告和医生的半客观观察，并且具有短的时间周期，不一定能反应患者的日常状态 [5]。

由于物联网技术的迅速发展，可以通过可穿戴设备实时采集患者震颤数据并进行分析。文献 [6] [7] [8] 等证实使用惯性传感器可以量化震颤的严重程度和药物引起的震颤严重程度的变化。文献 [9] 在项圈中插入一组电容传感器，检测头部的位置和运动，来分析神经障碍患者的头部震颤。文献 [10] 提出了一个传感器眼镜的原型，能够检测特发性震颤(ET)的存在，并在同一时间计算眨眼次数(EBs)的数量，识别正确率达到97%。文献 [11] 开发了一款集成了三轴加速度计、三轴陀螺仪、三轴磁力计的嵌入式可穿戴设备，对震颤的分类准确率为97.7%。

本文设计了一套基于三轴传感器的震颤数据采集装置，主要用于临床上帕金森病的震颤检测，并且将数据上传，并进行处理与分析。截至目前，本文已采集7组帕金森患者以及20组未患病者的数据。

2. 硬件设计

本文设计制作的震颤数据采集装置，主要由数据采集端，APP端以及网页端组成，如图1所示。物联网设备通过蓝牙与手机APP端连接，APP端采集到数据之后显示给用户并由医生上传云平台。通过下载医生上传的数据，进行处理与训练，进行分析与预测。

图1. 系统架构图

2.1. 数据采集端设计

针对临床震颤监测，采集设备要尽可能小且轻便，不会影响患者动作并且监测时间不宜过短。采集设备由锂电池、稳压电源电路、传感器电路、单片机控制电路以及蓝牙模块组成。其中，传感器选取了ADXL345芯片。ADXL345是一款小而薄的超低功耗芯片，具有13位的分辨率和±16 g的测量范围，适用于静态倾角测量以及动态加速度测量，具有高达4 mg/LSB的灵敏度，输出的数据格式为16位二进制补码，可通过3线或4线SPI以及IIC数字接口访问。在工作状态，其功耗仅有90微安左右。稳压电路采用TPS73033芯片，TPS73033是一款3.3 V固定输出低功耗低压降(LDO)线性稳压器，具有高电源抑制比(PSRR)，低噪声，快速启动以及出色的线路和负载瞬态响应 [12]。主控芯片选择STM32L010F4P6，32位微处理器，是意法半导体于2014年推出的超低功耗的MCU，基于ARM Cortex M0+内核，默认主频为32 M，其功耗低、封装小等特点极其适合本设备。蓝牙模块采用HC-08蓝牙4.0模块，其尺寸较小。传感器与MCU以IIC协议进行通信，MCU通过串口将传感器数据发送给蓝牙模块。其中传感器模块尺寸为11 mm * 11 * 0.8 mm，其他模块总计尺寸为26 mm * 28 mm * 1.6 mm。设备配备300 mAh的锂电池，可供设备连续工作10个小时左右。根据采样定律，加速度采样率设置为160 Hz。整个系统框图如图2所示。

图2. 采集设备示意图

相较于其他设备较多大而重，本文将传感器电路与其他电路分开，将传感器电路粘附在戒指上，由受试者戴在手指上，将其他电路整合为一个模块，粘附在腕带上，减少对受试者手部动作的干扰。设备总体重量不超过100 g，对受试者动作基本无影响。设备工作状态如图3所示。

图3. 设备工作状态

2.2. 配套APP软件以及平台

APP与数据采集模块之间通过蓝牙连接，如图4(a)所示。当设备与手机连接完成时，通过与APP端确定固定格式将数据从采集模块传输到手机当中，所得数据通过插值拟合，实现数据的平滑化与可视化，实时更新显示到屏幕上，医生通过对病人进行严重程度的评级，原始数据与医生的评级等数据以xml文件格式存储到手机中，保存之后通过点击上传按钮上传至用户平台，如图4(b)所示。数据在平台导出之后，可以进行后续的处理并训练模型。

图4. APP与平台

3. 实验对象及方法

3.1. 实验对象

参与实验的实验对象均为浙江省康复医疗中心的帕金森患者，在知情的情况下自愿参与本研究。由医生通过UPDRS量表对患者进行评估。目前已采集到7组帕金森患者数据以及20组未患病者数据。

3.2. 实验方法

实验前将可穿戴设备穿戴于患者震颤强烈的一侧手臂。患者在实验过程中尽量保持静止，记录下震颤发生的数据。每次测量时间不低于1分钟，实验结束后将数据上传平台，以便后续导出后进行处理与建模。

4. 震颤数据处理

4.1. 信号预处理

特征提取一直都是分类问题非常重要的环节。如图5(a)所示，为一段UPDRS量表评级为3的帕金森患者的10 s的加速度值，图5(b)为10 s健康者的加速度值。

图5. 受试者加速度图

由图6所示，信号有轻微的基线漂移现象，并且毛刺较多，考虑到是叠加患者身体的低频震动，通过中值滤波(公式1)解决基线与毛刺的问题，中值滤波对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊，这些优良特性是线性滤波方法所不具有的。效果如图6所示。

$g\left(x,y\right)=med\left\{f\left(x-k,y-l\right)\right\},k,l\in w$ (1)

图6. 中值滤波效果

震颤信号并非平稳信号，因此应用离散小波变换对信号进行分析的方法要优于利用傅里叶变换进行分析的方法。信号和噪音在不同尺度下进行小波分解时，所表现出来的传递特性截然相反，即噪声的模极大值随着小波尺度的增大而缩小，而信号的模极大值随着尺度的增大而增大，利用这一特性可以把信号中的噪声部分去除，然后从去噪后的模极大值来重建原始信号，达到去除噪声的目的 [13]。帕金森患者震颤频率主要集中在3~12 Hz之间，离散小波变化能很好地保留信号当中的突变和峰值，消除信号中的高频分量，对低频信号起到了保护作用。经过多次对比实验，发现sym8小波对本文信号有很好的帮助作用。效果如图7所示。

图7. 离散小波去噪效果

4.2. 信号修正

由于加速度传感器可能会存在微小的偏移，并且多台设备之间偏移量不尽相同，故考虑在原始信号上进行加窗微分，保留变化量来消除加速度信号的偏移。流程如图8所示。

图8. 信号修正流程

通过对比实验，本文取十个点为一个窗，五个点为滑动窗口进行滑动，按照 $y\left(x,W\right)=w_0+w_{1}x+w_2{x}^2+\cdots +w_M{x}^M={\displaystyle {\sum }_M^{j=0}{w}_j{x}^j}$ 形式进行多项式拟合。通过多次实验，本文对其进行九次多项式拟合，对每次滑动的前五个点进行微分求值，可以很好地反应出数据变化情况。所得处理后x轴数据与原数据对比如图9所示。

综上，本文通过中值滤波、离散小波变换、滑动窗口微分方法对数据进行处理，用于进行分类的特征为经过上述处理后的三轴加速度数据。

5. 模型建立与结果

特征选取之后，得到样本数据集。本研究采用人工神经网络(ANN)建立模型，人工神经网络是一种计算模型，启发自人类大脑处理信息的生物神经网络。人工神经网络在语音识别、计算机视觉和自然语言理领域取得了一系列突破。多层感知器(MLP)包括至少一个隐藏层(除了一个输入层和一个输出层以外)。单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。本文通过多层感知器进行分类，多层感知机层与层之间是全连接的 [14]。多层感知机最底层是输入层，中间是隐藏层，最后是输出层。

图9. 处理后的信号与原信号相比图

本文选取了两层隐藏层的模型为本研究的网络，第一层为5个神经元，第二层为64个神经元。本文选取ReLU函数作为激活函数( $f\left(x\right)=\max \left(0,x\right)$ )，相比sigmod函数与tanh函数，Relu函数克服了梯度消失的问题，并且加快的训练速度 [15]。本文的训练模型如图10所示。

图10. 模型图

在分类问题机器学习算法模型中，性能评价指标主要有精确率、召回率、f1值等。将正类判定为正类为TP，负类判定为正类为FP，正类判定为负类为FN，负类判定为负类为TN [16]。精确率、召回率、f1值公式如下式：

$p=\frac{TP}{TP+FP}$ (2)

$R=\frac{TP}{TP+FN}$ (3)

$F1=\frac{2TP}{2TP+FP+FN}$ (4)

由上式，本文得出结果：准确率为98%，召回率为96%，f1值为96%。损失函数如图11所示。

图11. 损失函数

6. 结论

目前PD的诊断主要依靠医生的自主判断，有很强烈的主观性，PD的准确便捷诊断一直是人们关注的问题。随着帕金森病患者的急剧增加，国内外许多研究人员开展了大量的帕金森病运动症状的量化研究，以望帮助临床医生进行病情的诊断和监测，并且取得了一定的成果。在本文中，设计出一款轻便、不影响患者行动的可穿戴设备，提出一个基于震颤数据的评级系统，患者仅需佩戴两分钟左右即可判断震颤的评级，为医生对PD严重程度的判断以及后续的处理治疗提供了重要依据。然而，样本数据及其关乎判断的准确率，相信在长期的监测与获取数据下，准确率会不断提升。总的来说，本文提出了一个基于MLP的对PD震颤进行评级的系统，并取得了一定的研究成果。此外，在收集到更多的数据之后，并加上频域的分析，此系统会取得更好的精度。

文章引用

岳星宇,周思薇. 基于MLP的帕金森震颤评级系统
Parkinson’s Tremor Rating System Based on MLP[J]. 软件工程与应用, 2022, 11(01): 16-24. https://doi.org/10.12677/SEA.2022.111003

参考文献