基于惯性传感器的帕金森患者行走能力评估系统

【作 者】温俊丽，杨先军，许胜强，刘遥，唐正，邱晓磊，谢南菊，孙怡宁

1 中国科学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

基于惯性传感器的帕金森患者行走能力评估系统

【作 者】温俊丽1,2，杨先军1，许胜强1,2，刘遥1,2，唐正1，邱晓磊1,2，谢南菊1,2，孙怡宁1

1 中国科学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

针对如何客观地评估帕金森病人在行走方面的能力问题，构建了一套基于惯性传感器的帕金森病人行走能力评估系统。将惯性传感器单元分别固定在被测对象的背部、腰部采集测试者在运动过程中的运动数据，采用Kalman融合算法对运动数据计算后提取出特征参数。该文设计了多类SVM分类器，利用特征信号对分类器进行特征训练。测试结果表明，对帕金森病人和正常人的识别以及对帕金森病人的行走能力分级具有较高的识别率，能够辅助医生给出更加客观的诊断结论。

惯性传感器；帕金森病；行走能力；分类

0 引言

随着老龄化进程的加快，帕金森病（Parkinson’s Disease, PD）严重威胁着人类的生命健康。帕金森病的定量诊断和评估方法的研究得到了各国专家、学者的广泛关注。帕金森患者临床上的表现可以分为运动功能障碍和非运动功能障碍[1]。其中，行走能力异常是典型的运动功能障碍之一。人类行走，指的是交替移动双脚，从而对人体进行有效转移的一种活动。行走过程中，人体的身体重心会随着步行速度的不同，会调整速度以保持平衡，这都需要身体上下肢各关节和肌肉的高度协同才能完成，任何部位的失调都会影响行走能力[2]。所以对于帕金森患者的行走能力的评估有着极其重要的意义。本文通过帕金森病人在行走实验中提取到的行走特征参数评估病人的行走能力及病情程度[3]，开发出针对帕金森病人行走能力评估的系统。

1 系统设计

本文设计的系统目的是为了评估帕金森病人行走的能力。系统采用的运动传感器是InvenSense公司的MPU6050惯性测量单元，集成了三轴加速度计和三轴陀螺仪。加速度计和陀螺仪分别测得线性加速度值与转动角速度值。设备的采样频率为100 Hz。数据传输采用WiFi无线局域网通信方式，惯性测量单元采集到的数据通过WiFi模块发出，通过无线路由器转发给上位机，实现原始信号的采集，采集到的数据存储在txt文件中。系统包括2个惯性模块，根据Ganea等[4]的研究结果，把惯性模块固定在腰部和背部的加速度传感系统，更能够通过加速度的变化反映整个人体躯干的运动状态和姿态的变化。本实验分别用绑带固定在受试者身体的背部和腰部，用来监测测试者在试验过程中的运动数据。惯性单元模块如图1所示。

上位机软件是在VS2010环境下基于MFC框架开发的。主要功能包括，对惯性单元模块采集到的数据显示、保存；对数据进行回放分析、预处理；对测试人员信息的添加、修改、删除、统计等。系统软件框架如图2所示。

图1 惯性单元模块Fig.1 Inertial measurement units

图2 系统软件框图Fig.2 Soft structure of the system

2 实验对象和实验设计

实验共征集了109名帕金森患者(年龄65±11)，作为帕金森病组，51名健康人(年龄54±7)，作为对照组。这些患者都是来自与我们合作的安徽省中医药大学神经研究所附属医院，并且都在实验测试前按照要求签署了知情同意书。

参考国际上公认的量表，统一帕金森病评定量表(Unif i ed Parkinson Disease Rating Scale，UPDRS)[5]。由于本文通过身体的姿态变化对帕金森患者的行走能力评估，选取了量表中第27项、第29项和第31项，给出了关于行走能力中的起立和行走动作判断，如表1所示。

表1 UPDRS量表第27项、第29项第31项的评估标准Tab.1 Evaluation standard of UPDRS 27, 29 and 31 item

本实验分类结果依据量表中这三项得分均值四舍五入后作为评估行走能力的参考值，分为0，1，2，3，4五个等级。0级表示行走能力正常，疾病对行走能力影响为无；1级表示行走能力微弱障碍，行走能力稍微有点欠于正常人；2级表示行走能力中度障碍，行走能力已经有了明显的不足，开始稍微需要帮助了；3级表示行走能力重度障碍，严重影响行走能力，需要帮助才可以行走；4级表示行走能力严重障碍，无法行走，甚至有帮助也不能行走。

研究学者Patla对于行走能力的三要素指出，需能推动身体、稳定身体、适应环境[6]；起立和起立行走实验(timed up-and-go test，TUG)是典型的运动实验[7]。综上所述，在本文中，设计的实验是基于测试者在起立和TUG实验中病人的身体躯干和姿态的变化。

在试验开始前，给被测试者佩戴上惯性传感器，分别放置在身体的腰部和背部。TUG实验为：让被测试者坐在有扶手的背靠椅上，身体靠近椅背上，双手放在腿上，在离座椅3 m远的地面上贴一条粗线，当测试者发出“开始”的指令后，被测试者从靠背椅上站立起来，按照平时的步态行走，过粗线后转身，回到椅子前，再转身坐下。在测试过程中，测试助手保护好病人，不要有跌倒发生。在相同情况下，重复3次实验。完成测试后，一名有经验的神经科医生独立对测试者的行走能力进行量表评分分类，系统的评估流程如图3所示。实验采集到的样本数共160×3=480个。其中，正常人为153个；0级的样本数为39个；1级的样本数为99个；2级的样本数为114个；3级的样本数为48个；4级的样本数为27个。

图3 系统评估流程图Fig.3 Flow chart of system evaluation test

3 信号处理和特征提取

3.1 数据预处理

惯性单元中的陀螺仪可以测得在试验过程的角速度变化，如图4所示，病人和正常人在实验中的对比曲线。通过对角速度积分可以得到角度，但直接这样计算会导致积分累计误差，而且陀螺仪的输出具有严重的零点漂移，并且随机变化。

图4 病人和正常人在TUG实验中的角速度变化Fig.4 Changes of angular velocity during TUG test between patient and normal subject

在对角度的计算过程中，可以利用加速度计测得的三维加速度值得到角度的瞬时值。见式（1）：

对于陀螺仪的缺陷，本设计结合加速度计来计算。该文采用Kalman滤波方法实现数据融合[8]，得出在实验过程中最后的变化角度，使得真正处理的数据尽可能地接近实际值，减小误差。图5显示病人和正常人在试验中获取的角度变化对比曲线。

图5 病人和正常人在TUG实验中的角度变化Fig.5 Changes of trunk tilt during TUG test between patient and normal subject

3.2 特征提取

图6 TUG过程中躯干角的变化过程Fig.6 Changes of trunk tilt during TUG test

在图6中，可以看到在TUG试验中测试者整个过程的躯干角度变化过程。这里A点定义为，起立开始，可以检测到身体开始向前倾，身体躯干角度开始有所变化，从角速度波形也可以看到这一显著变化。B点定义为起立完全离开座位点，检测到躯干前倾结束，此时躯干与垂直方向的角度达到最大值；C点定义为，起立动作结束，躯干向后倾结束，此时身体完全站立起来；D点定义为坐下动作开始，和起立动作相同的开始前倾身体，此时检测到角速度开始有显著变化，使得躯干角度开始变大；CD这段是测试者起立行走的过程；E点定义为坐下开始接触到椅子，躯干角再次达到最大值；F点定义为坐下动作结束，从E点开始做到椅子上，然后身体后倾直至坐直，完成TUG实验过程。

在起坐过程中，身体弯曲的角度变化可以评估出病人能够驱动身体的能力。提取起坐角度的属性值作为标记行走能力的指标。在起坐过程中身体弯曲角度的最大值表明测试者弯曲的最大程度；信号的均值，表明测试者在整个过程中平均的幅度；信号的方差，表明测试者在起坐过程中前后摆动的程度；起立时间，表明测试者完成起立动作所耗费的时间；起立次数，表明测试者从坐到完全站立起来所努力的次数；转换时间，表明测试者在行走过程中完成动作的时间。所以要提取的参数包括起坐过程中身体弯曲的最大值，起立完成所用的时间，能够站起来需要的次数，完成转换动作的所有时间，是否借助了外力，一次是否成功，以及在实验中观测到的是否扶椅子特征参数。

在行走的过程中，对于平衡的评估，是对在行走过程中偏航角的分析，在测试者前进方向的偏航大小。通过陀螺仪测得角速度数据，计算得到在行走方向的转动角度进行提取。参数包括浮动的幅度大小、方差、摇摆系数、摆动的轨迹、摆动的频率。

综合以上的分析，提取出可以作为评估病人病情的特征信号之后，进行特征的冗余性分析。本文选取了以下信号作为特征参数，如表2为正常人与病人特征参数对比。

表2 正常人与病人特征参数对比Tab.2 Comparison of characteristic parameters between normal and patient subject

表3 试验结果Tab.3 Experimental result

4 分类器设计和实验结果

本文的分类器选择支持向量机（Support Vector Machine, SVM）。支持向量机是一种基于风险结构最小化原理的分类方法，通过选择合适的核函数，以解决线性不可分问题，支持向量机是一种不需要对所有样本都进行分析的分类方法，而只对“支持向量”的样本进行分类，所以即使样本的维数很高，也不会给存储和计算带来很大的影响[9]。所以支持向量机是一种高效的分类方法。

把上述的特征参数作为输入值，经验医师给的级别作为输出标签，训练和测试分类器。分类器的训练与测试流程，如图7所示。在测试时，先利用支持向量机的简单二分类应用识别出测试者中病人和正常人，再利用一对多的多分类支持向量机对测试病人的病情等级进行分类。在对测试者二分类实验中，正常人的识别率高达98.6%。对病人的分级结果见表3，本设计采用的分类器具有较高的识别率。

图7 分类器的训练与测试流程Fig.7 Flow chart of training and testing of classif i cation

5 结论

本文利用惯性传感器件设计的对帕金森病人的行走能力评估系统，采用机器学习的方法对测试者识别分类，并根据提取到的特征值对患者行走能力评估。对于研究帕金森病的行走能力评估，若能对于疾病的早期预测有着较高的准确率，将会有着极大的意义，这也是我们努力的方向。对于帕金森病行走能力的分级有着较高的识别率，数字化的显示能够辅助医生得出客观的诊断结论，对于病人的治疗提供更为合适的处方。

[1] Draper I T, Johns R J. The disordered movement in Parkinsonism and the effect of drug treatment[J]. Bull Johns Hopkins Hosp, 1964,115(115): 465-480.

[2] Wei K, Yao Z M. Parkinson’s patients walking ability evaluation system[J]. J Anhui Univ, 2015: 61-67.

[3] 陈佳妮. 帕金森病概述[J]. 生物学教学, 2010, 35(8):2-4.

[4] Ganea R, Paraschivionescu A. Multi-parametric evaluation of sitto-stand and stand-to-sit transitions in elderly people[J]. Med Eng Phys, 2011, 33(9): 1086.

[5] Goetz C G. The Unif i ed Parkinson’s Disease Rating Scale(UPDRS):status and recommendations[J]. Mov Disord, 2003, 18(7): 738-750.

[6] Said C M, Goldie P A, Patla A E, et al. Obstacle crossing in subjects with stroke[J]. Arch Phys Med Rehabil, 1999, 80(9): 1054-1059.

[7] Herman T, Giladi N, Hausdroff J M. Properties of the ‘timed up and go’ test: more than meets the eye[J]. Gerontology, 2011, 57(3):203-210.

[8] Gan Q, Harris C J. Comparison of two measurement fusion methods for Kalman-f i lter-based multisensor data fusion[J]. IEEE Trans Aero Electr Syst, 2001, 37(1): 273-279.

[9] 边肇祺, 张学工. 模式识别[M]. 北京: 清华大学出版社, 2004.

Walking Ability Assessment System for Parkinson’s Patients Based on Inertial Sensor

【 Writers 】WEN Junli1,2, YANG Xianjun1, XU Shengqiang1,2, LIU Yao1,2, TANG Zheng1, QIU Xiaolei1,2, XIE nanjyu1,2, SUN Yining1
1 Institute of Intelligent Machines, Chinese Academy of Science, Hefei, 230031 2 University of Science and Technology of China, Hefei, 230026

In order to evaluate the ability of Parkinson’s patients to walk comprehensively, a system based on MEMS to aid clinical quanti fi cation of ability in Parkinson’s is established. The inertial units are respectively fi xed on the back and the waist of subject to be measured. The Kalman fusion algorithm is used to extract the characteristic parameters of accelerometer and gyroscope data. SVM classi fi er is designed to train and test the classi fi er by the feature. The results show that the system possesses a high recognition rate for Parkinson’s patients and normal subjects and for the classi fi cation of the walking ability of patients with Parkinson’s disease. So, this system can aid doctors to give more object diagnostic conclusion.

inertial sensor, Parkinson’s disease, walking ability, classi fi cation

TP212.9；R318.0

A

10.3969/j.issn.1671-7104.2017.06.007

1671-7104(2017)06-0415-04

2017-03-31

中国科学院科技服务网络计划项目（KFJ-SW-STS-161）；安徽省科技重大专项（16030801122）；安徽省高等学校自然科学研究重大项目（KJ2016SD33）

温俊丽，E-mail: wjl2014@mail.ustc.edu.cn

杨先军，E-mail: xjyang@iim.ac.cn