基于可穿戴设备的帕金森病运动迟缓检测评估方法研究进展

2019-12-10何娟娟姚志明李波陈王建国杨先军

中国医疗器械杂志 2019年6期

何娟娟，姚志明，李波陈，王建国，杨先军

1 中国科学院合肥物质科学研究院合肥智能机械研究所，合肥市，230031

2 中国科学技术大学，合肥市，230026

0 引言

世界帕金森病协会的统计数据显示中国（Parkinson's Disease,PD）患者超过250万，而且以每年10万的速度递增。然而PD的发病病因尚不明确，其主要病理特点为中脑黑质多巴胺能神经元严重缺失和纹状体多巴胺神经递质减少[1-2]，其临床运动特征主要为震颤、肌强直、运动迟缓和姿势不稳。

运动迟缓是PD典型运动障碍症状，也是PD确诊的必要症状，对药物治疗敏感。作为PD的最典型特征，运动迟缓影响所有PD患者并干扰其日常活动，其主要临床表现为动作变慢，行动困难，主动运动能力丧失[3]。

传统的PD评估主要依赖于临床观察和主观量表。近年来出现了基于计算机系统和运动传感器的可穿戴的PD运动障碍量化评估方法。本文将对运动迟缓评估方法进行综述，重点阐述近年来国内外可穿戴设备用于运动迟缓量化评估的方法及技术。

1 运动迟缓量表评估

传统的PD临床评估主要依赖量表来实现PD严重程度的评估。表1列举出了国内外使用较多的评估量表。

表1 PD运动症状评估量表及用途Tab.1 Parkinson's exercise symptom assessment scale and its use

目前运动迟缓的评估量表中应用最为广泛的为UPDRS量表，该量表包含四个部分：第一部分为心理活动，行为和情绪评估；第二部分为日常生活活动的自我评估；第三部分为运动功能评估；第四部分为治疗并发症评估。运动迟缓的评估主要用到第三部分运动功能评估。UPDRS通常与Hoehn&Yahr量表和ADLS一起使用。

依靠量表的运动状态评估方式主要依据病人对自身情况的描述和医生的主观观察，从而进行评分诊断。医生采用这种诊断方式无法得到较为准确且长时间的数据作为评分依据，存在主观性强，诊断误差大的弊端。

2 运动迟缓可穿戴设备评估

近年来研究出了多种智能评估方法用于PD的运动障碍评估领域，例如，一些研究人员利用了红外线摄像机或激光传感器客观地测量运动迟缓[4-5]。然而大多数现有系统（例如光学跟踪）是为实验室使用而设计的，并且对于家庭使用来说太笨重，复杂且昂贵。其他系统，如活动记录仪，重点是监测整体活动，而不是量化特定的症状严重程度[6-8]。相较而言，可穿戴设备重量轻，成本低，且可随时随地进行症状的量化评估，便于制定个性化治疗方案和远程疗效评估及监护。因此一些研究人员致力于可穿戴设备进行PD量化评估的研究。

如NIAZMAND等[9]使用两个金属接触件作为触摸传感器，结合加速度计和压力传感器测量PD患者手指敲击的间隔。KIM等[10]使用陀螺仪在手指轻拍期间量化运动迟缓。HELDMAN等[11]利用惯性传感器开发出下肢运动迟缓的评估系统。PRINTY等[12]提出了一个量化手指运动迟缓的智能手机应用程序。ZWARTJES等[13]设计了基于加速度计的动态监测系统，可以对运动迟缓的严重程度进行分类。

可穿戴设备中常用的传感器有加速度传感器、陀螺仪以及压力传感器，除此之外，表面肌电传感器、磁运动传感器等[14-17]也可用于量化运动迟缓，如表2所示，列举了常用传感器的放置位置以及测量参数。

表2 常见的传感器类型、放置位置及测量参数Tab.2 Common sensor types,placement position and parameters

2.1 运动数据采集

在运动迟缓数据采集方面，研究人员根据研究目标与实验要求设计实验方案，包括对受试者的选取和实验任务的设计。

（1）受试者

选取老年PD组和年龄匹配的健康对照组作为受试者，为防止受试者可能患有的其他运动障碍疾病对实验造成干扰，受试者的选取一般需要额外满足以下要求：无痴呆（遵循国际疾病分类ICD-10痴呆的定义）或精神异常，不同时患有其他运动障碍疾病（如上肢矫形、关节炎等），PD患者能独立完成运动任务[20]。

（2）实验任务

通常根据UPDRS量表的第3部分来设计实验任务，即量表的运动检查部分。常规的方案是指导病人按照量表完成测试动作，例如手指开合与抓取、手臂快速交替旋前-旋后，坐站转换，行走等。

如MEMAR等[26]的运动任务如图1所示，受试者首先被要求坐在椅子上，然后从椅子上起立，以自己舒适的行走速度连续走一圈17 m长的椭圆形走道，连续行走五圈，完成最后一圈后，受试者回到椅子上坐了下来。稍事休息后，受试者以尽可能快的步行速度执行相同的任务。

图1 MEMAR等的运动任务Fig.1 Motion tasks of MEMAR et al.

NIAZMAND等[9]的运动任务如图2所示，让受试者尽可能快速地执行手指敲击动作30 s，以手指敲击的运动频率来量化运动迟缓。

图2 NIAZMAND等的运动任务Fig.2 Motion tasks of NIAZMAND et al.

2.2 运动数据处理

（1）数据预处理

在数据采集过程中容易受到外界噪声的干扰，PD患者的不自主震颤也会对数据进行干扰，通过数据滤波预处理可有效地改善噪声和震颤的影响。常用的滤波算法包括算数平均值滤波、滑动平均值滤波、中值滤波、复合数字滤波、防脉冲干扰平均滤波、程序判断滤波、限幅滤波、限速滤波。传感器ADC（模拟数字转换）采样，可优先采用算数平均值滤波和滑动平均值滤波。此外，卡尔曼滤波器、数字巴特沃斯滤波器、互补滤波器在传感器滤波中也有应用，其中互补滤波器适用于两种传感器进行融合的场合，可应用于陀螺仪数据和加速度传感器数据的融合。

加速度传感器测量的数据信号是运动加速度与重力加速度的叠加，可以通过FIR高通滤波器剔除重力加速度分量，或是通过IIR低通滤波器得到重力加速度分量。如SALARIAN等[27]对测量信号使用截止频率为3.5 Hz的八度低通IIR滤波器，滤除噪声和消除震颤影响。ENDO等[28]使用2.5 Hz低通滤波器来平滑EMG（肌电信号）波形。HELDMAN等[11]使用10 Hz的二阶巴特沃斯滤波器对数据进行低通滤波以去除高频噪声。

（2）特征提取与识别分类

目前运动迟缓没有特定的量化评估参数，当前使用较多的特征参数为幅度、频率、速度[9-13]等时域特征，频域特征可提取快速傅里叶变换系数、信号能量、频域熵，如表3所示为当前常用传感器可提取的特征参数。

表3 常用传感器可提取的特征参数Tab.3 Features that can be extracted by common sensors

在运动迟缓的量化方面，研究人员们多采用机器学习识别分类的方法，其中算法模型包括支持向量机、多元线性回归、随机森林、神经网络、隐马尔可夫模型等，此外还有峰值检测算法以及阈值检测算法法，如HELDMAN等[11]使用多元线性回归模型将定量特征与临床医师MDS-UPDRS评分相关联：

R为临床医师的评分，b0和Bj是回归系数，Pj的n值是从运动数据中提取的量化变量。对新数据的泛化使用留一法交叉验证，此模型计算得出的输出分数与平均临床医师MDS-UPDRS分数的平均相关系数和RMS误差分别为0.86和0.47。

PRINTY等[12]在具有径向基函数（RBF）核的C-支持向量分类公式下构建的支持向量机（SVM）模型和具有500棵树的随机森林模型分别作为分类模型对PD患者进行识别分类。SVM分类器的平均错误率为0.055，AUC（Area Under Curve）为0.916 6，随机森林分类器平均错误率为0.111，AUC为0.916 6。

ZWARTJES等[13]使用决策树对活动进行分类，在特定节点上使用加速度传感器输出的绝对值积分(IAA)来检测静态活动和动态活动：

ax，ay，az分别表示x，y，z轴的加速度信号。该方法对PD患者的活动分类总体准确度达到98.9%，对健康对照组活动分类总体准确度为99.3%。对运动进行识别后提取步长、步速等特征值，利用峰值检测算法量化运动迟缓，得出此方法输出得分与UPDRS得分显著相关。

SAMÀ等[20]通过Relief算法将最适合检测步行的特征识别为最大化类间距离并最小化类内距离的特征，识别出可用于检测行走的特征，设定相应阈值来检测出运动迟缓和非运动迟缓，在第n次行走回合中检测到的步幅由一组表示从分析中排除步行第一步和最后两步，将运动迟缓分析为自由运动。因此，排除了对应于步态开始和步态终止的步幅，步幅的子集