王文劍，劉峰，郁磊，任璐，關(guān)博，李陽

（1.山西大學(xué) 計算機與信息技術(shù)學(xué)院，山西 太原 030006；2.山西大學(xué) 計算智能與中文信息處理教育部重點實驗室，山西 太原 030006；3.山西大學(xué) 復(fù)雜系統(tǒng)研究所，山西 太原 030006；4.山西大學(xué) 疾病防控的數(shù)學(xué)技術(shù)與大數(shù)據(jù)分析山西省重點實驗室，山西 太原 030006；5.山西醫(yī)科大學(xué) 第一臨床醫(yī)學(xué)院，山西 太原 030001；6.山西醫(yī)科大學(xué) 第一醫(yī)院神經(jīng)內(nèi)科，山西 太原 030001）

0 引言

帕金森?。≒arkinson’s disease，PD）又稱為震顫麻痹，是一種影響患者活動能力的中樞神經(jīng)系統(tǒng)[1]慢性疾病。隨著社會老齡化，PD的發(fā)病率及致殘率[2]均呈現(xiàn)增高的趨勢。PD的主要癥狀是以運動障礙[3-4]為特征，如運動遲緩[5]、僵硬[6]、步態(tài)凍結(jié)[7-8]和震顫[9]等。震顫被定義為身體部分不自主的節(jié)律性振動，而手部[10]是患者震顫最明顯的地方，對手部靈活性進行評估也是早期發(fā)現(xiàn)癥狀最簡單可行的途徑。準(zhǔn)確評估PD患者的手部靈活性可以幫助臨床醫(yī)生制定適當(dāng)?shù)闹委熖幏?，以減輕震顫的癥狀。目前對于PD患者的評估主要采用的是統(tǒng)一帕金森病評定量表（Unified Parkinson's Disease Rating Scale，UPDRS）[11-12]，醫(yī)生根據(jù)患者完成量表規(guī)定動作的表現(xiàn)給出0-4級的評分，評分越高，癥狀越嚴重[13]，根據(jù)評分結(jié)果有針對性地給患者制定康復(fù)計劃。但是基于UPDRS 的評估[14]存在以下局限：（1）醫(yī)生用于診斷患者的交流時間長[15]；（2）評分主要依賴患者的主觀描述和醫(yī)生的肉眼觀察，有可能出現(xiàn)因主觀性導(dǎo)致的偏差。

隨著可穿戴設(shè)備的發(fā)展[16]，國內(nèi)外研究者將電磁運動跟蹤器、肌電圖[17]、觸摸傳感器等應(yīng)用于PD的輔助診斷，但是這些設(shè)備使用價格昂貴[18]，操作不方便[19]，使用不普遍。因此，利用使用價格低、微型化、低功耗、操作簡單的可穿戴設(shè)備輔助醫(yī)生進行患者手部靈活性診斷具有重要的現(xiàn)實意義。本文利用自行設(shè)計開發(fā)的帶有三軸加速度計[20]的可穿戴式傳感器采集患者做食指拇指拍打動作的手部數(shù)據(jù)，通過數(shù)據(jù)處理和分析建立基于機器學(xué)習(xí)模型的PD患者手部靈活性定量評估模型，以輔助醫(yī)生對患者的手部靈活性進行評分。

1 可穿戴設(shè)備

本文使用的可穿戴設(shè)備帶有兩個小型傳感器，采樣率為148 Hz，尺寸為27 mm×37 mm×13 mm，通過藍牙將數(shù)據(jù)實時傳送到筆記本電腦上。實驗前，工作人員按照UPDRS量表上所設(shè)計的食指拇指拍打動作將可穿戴設(shè)備固定在受試者拇指和食指的中間指骨上，其中，1號傳感器佩戴于拇指，2號傳感器佩戴于食指，實驗過程如圖1所示。

圖1 采集數(shù)據(jù)的實驗過程Fig.1 Experimental process of collecting data

2 機器學(xué)習(xí)模型

通過可穿戴設(shè)備采集的信號可能存在噪聲問題，因此本文首先對采集的數(shù)據(jù)進行濾波，然后通過三種機器學(xué)習(xí)模型對濾波后的數(shù)據(jù)進行評分分類。

2.1 數(shù)字信號的濾波

對于采集的信號

其中i為樣本個數(shù)，xi為帶有6維特征的樣本，yi為xi對應(yīng)的標(biāo)簽，采用以下方法進行濾波：

式中X（z）和Y（z）表示濾波器輸入信號X（n）的z變換和輸出信號Y（n）的z變換；bk和ak表示輸入項與輸出項的加權(quán)系數(shù)；M和N表示輸入項與輸出項的階數(shù)。根據(jù)逆z變換，可以得到濾波器的時域差分方程為：

假設(shè)濾波后的數(shù)據(jù)的初始速度V0=0，根據(jù)

可得每一時刻傳感器在不同維度上的速度，再根據(jù)

可得每一時刻傳感器在不同維度上的振幅，其中t為采樣的時間。

2.2 三種機器學(xué)習(xí)模型

采集到的信號經(jīng)過濾波之后變?yōu)殡x散數(shù)據(jù)，對于樣本的標(biāo)簽yi∈ {0，1，2，3，4}其本質(zhì)上就是多分類問題。目前關(guān)于多分類問題已經(jīng)有很多機器學(xué)習(xí)模型，支持向量機（Support Vector Machine，SVM）是最基礎(chǔ)、應(yīng)用最廣的分類器，K最近鄰分類算法（K-Nearest Neighbor，KNN）適用于多分類問題，決策樹（Decision Tree，DT）理論成熟且易轉(zhuǎn)化為分類規(guī)則，因此本文主要選擇上述三種機器學(xué)習(xí)模型對患者的手部靈活性進行評估。

2.2.1 SVM模型

SVM是定義在特征空間上的間隔最大的線性分類器，其學(xué)習(xí)策略便是間隔最大化。對于線性不可分情況，SVM通過核函數(shù)將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分。其分類思想簡單、分類效果較好，在解決小樣本中表現(xiàn)出許多特有的優(yōu)勢。

2.2.2 KNN模型

KNN算法是機器學(xué)習(xí)中的一個經(jīng)典的距離分類器算法，每個樣本類別的判斷由距離最近的k個樣本投票來決定。KNN算法自身操作簡單，有效，理論成熟，適合于多分類問題。

2.2.3 DT模型

DT模型是一種描述對實例進行分類的樹形結(jié)構(gòu)，由結(jié)點和有向邊組成，結(jié)點有兩種類型：內(nèi)部結(jié)點和葉結(jié)點，內(nèi)部結(jié)點表示一個特征或?qū)傩?，葉結(jié)點表示一個類。DT模型計算量相對較小，易于理解和實現(xiàn)，容易轉(zhuǎn)化成分類規(guī)則。

3 實驗

實驗環(huán)境配置為 Intel（R）Core（TM）i7-7700 3.60 GHz處理器，windows 10操作系統(tǒng)，內(nèi)存為16.0 GB，Python 3.7版本以及PyCharm 2019。

3.1 實驗數(shù)據(jù)和評價指標(biāo)

患者被要求抬高他們的肘部，以確保手臂沒有支撐點，然后以盡可能快的速度做食指、拇指拍打動作，采集數(shù)據(jù)的時長為30 s。休息1 min后，另一只手重復(fù)食指拇指拍打動作。因為可穿戴設(shè)備足夠輕，幾乎不會干擾手指的運動。數(shù)據(jù)的標(biāo)簽由兩名專業(yè)的神經(jīng)內(nèi)科醫(yī)生共同評分所得，確保標(biāo)簽的可靠性與一致性。本實驗采集到包含四個等級的帕金森病患者共98條數(shù)據(jù)，數(shù)據(jù)的分布如圖2所示（0-3表示從正常到嚴重），其中特別嚴重的患者（評分為4）本實驗并未采集到。隨機選取其中的50條作為訓(xùn)練集數(shù)據(jù)，20條作為驗證集數(shù)據(jù)，28條作為測試集數(shù)據(jù)。為減少隨機性，本文采用十折交叉驗證結(jié)果的均值作為最終的結(jié)果。

圖2 UPDRS評估的數(shù)據(jù)分布（n=98）Fig.2 Distribution of data for UPDRS assessment（n=98）

本文采用準(zhǔn)確度（Accuracy）、召回率（Recall）、F1值（F1_score）和均方誤差（MSE）四個指標(biāo)對模型進行評估，其定義如下：

其中precision=TP/（TP+FP），TP（True Positive）表示真實值為正的樣本，預(yù)測值也為正的樣本；FP（False Positive）表示真實值為負的樣本，預(yù)測值卻為正的樣本；TN（True Negative）表示真實值為負的樣本，預(yù)測值也為負的樣本；FN（False Negative）表示真實值為正的樣本，預(yù)測值卻為負的樣本。表示第i個樣本的預(yù)測值，yi表示第i個樣本的真實值，n表示樣本個數(shù)。

3.2 實驗結(jié)果

3.2.1 濾波后的結(jié)果

對PD患者的雙手分別連續(xù)進行30 s采樣，每次采樣包含拇指傳感器的X/Y/Z軸加速度數(shù)據(jù)和食指傳感器的X/Y/Z軸加速度數(shù)據(jù)。其中幾個采樣點如表1所示（拇指傳感器為1號，食指傳感器為2號）。濾波后的數(shù)據(jù)格式如表2所示，可以看出濾波后的數(shù)據(jù)平均分布位于0附近。圖3為其中一位患者的左手傳感器的原始數(shù)據(jù)濾波前后的時域圖。從圖中可以看出濾波前的時域圖特征并不明顯，而在濾波后的時域圖中可以清晰地看到在11 s以及23 s左右（用方框標(biāo)識的位置）各個軸的加速度明顯大于其他時間點的加速度。相對于1s～11s、23 s～30 s的數(shù)據(jù)，11 s～23 s的數(shù)據(jù)整體特征比較明顯。

表1 采樣數(shù)據(jù)格式Table 1 The format of the data sampled

表2 濾波后的數(shù)據(jù)格式Table 2 Format of filtered data

圖3 原始數(shù)據(jù)濾波前后的時域圖Fig.3 Time domain diagram before and after original data filtering

3.2.2 模型參數(shù)對模型的影響

利用SVM，KNN和DT構(gòu)建帕金森病患者手部靈活性定量評估模型，模型的性能與參數(shù)的選擇有很大的關(guān)系，然而在機器學(xué)習(xí)中對于模型參數(shù)的選擇并沒有統(tǒng)一的規(guī)則，因此本實驗選取部分參數(shù)進行實驗對比，選取的參數(shù)對于模型性能的影響如表3所示。從表3中可以看出在SVM模型上效果較好的一組參數(shù)為：Kernel=‘linear’，penalty=‘l2’，C=1.0；KNN模型上效果較好的一組參數(shù)為：Weights=‘uniform’，n_neighbors=3；DT模型上效果較好的一組參數(shù)為：Criterion=‘gini’，splitter=‘best’。本文后續(xù)實驗將采用這些參數(shù)。

表3 不同參數(shù)下模型的性能Table 3 The performance of models with different parameters

3.2.3 傳感器不同維度對模型性能的影響

表4-表6分別表示使用拇指和食指加速度傳感器不同維度數(shù)據(jù)所提取的特征作為SVM，KNN以及DT模型的輸入時，模型的性能情況。從表4可以看出對于SVM模型：

表4 兩個傳感器的不同維度對SVM模型的影響Table 4 The influence of different dimensions of two sensors on the SVM model

表5 兩個傳感器的不同維度對KNN模型的影響Table 5 The influence of different dimensions of two sensors on the KNN model

表6 兩個傳感器的不同維度對DT模型的影響Table 6 Influence of different dimensions of two sensors on the DT model

（1）當(dāng)使用拇指處傳感器的數(shù)據(jù)作為輸入時，其X1維度所提取的特征表現(xiàn)最好，準(zhǔn)確率可以達到57.9%，召回率為65.0%，F(xiàn)1值為58.4%，均方誤差為0.579；而（Y1+Z1）維度所提取的特征表現(xiàn)的最差，準(zhǔn)確率為36.8%，召回率為29.2%，F(xiàn)1值為28.0%，均方誤差為1.105。

（2）當(dāng)使用食指處傳感器的數(shù)據(jù)作為輸入時，其（X2+Y2+Z2）維度所提取的特征表現(xiàn)的最好，準(zhǔn)確率可以達到68.4%，召回率為75.0%，F(xiàn)1值為75.0%，均方誤差為0.474；Z2維度提取的特征表現(xiàn)的最差，準(zhǔn)確率為47.4%，召回率為25.0%，F(xiàn)1值為47.2%，均方誤差為0.526。

（3）當(dāng)使用拇指和食指傳感器的所有維度所提取的特征作為輸入時，其準(zhǔn)確率、F1值以及均方誤差均表現(xiàn)的最好，雖然召回率并不是最高，但是其位于第二，綜合四個評價指標(biāo)所得使用拇指和食指所有維度所提取的特征作為SVM模型的輸入時，其性能比只使用單個手指傳感器的性能好，準(zhǔn)確率可以達到73.7%，召回率為65.0%，F(xiàn)1值為69.6%，均方誤差為0.368。

從表5和表6可以看出傳感器不同維度數(shù)據(jù)所提取的特征對于KNN以及DT模型性能的影響與SVM模型的結(jié)論相似。

3.2.4 不同時間段數(shù)據(jù)對模型性能的影響

時長為30 s的樣本數(shù)據(jù)可能存在某些數(shù)據(jù)誤差大從而導(dǎo)致模型的性能較差，因此，本文利用滑動窗口技術(shù)對數(shù)據(jù)分段，比較不同時間段數(shù)據(jù)對模型性能的影響。

設(shè)置滑動窗口的大小為1 s～30 s，圖4表示不同大小的滑動窗口所提取的特征作為模型的輸入時，模型的準(zhǔn)確率情況。從圖中可以看出：

圖4 不同時長的數(shù)據(jù)對模型的影響Fig.4 Effect of different length of data on the models

（1）隨著滑動窗口的大小逐漸增加，SVM模型的準(zhǔn)確率先提高后降低；KNN模型的準(zhǔn)確率變化相對較小，在60%上下波動；而DT模型在滑動窗口的大小為1 s～20 s之間時，其準(zhǔn)確率變化相對較小，在62%上下波動，當(dāng)滑動窗口繼續(xù)增加時，其準(zhǔn)確率呈現(xiàn)下降的趨勢。

（2）表現(xiàn)最好的是SVM模型，在滑動窗口的大小為5 s～25 s時，其準(zhǔn)確率高于其他兩個模型，而相對于DT模型，準(zhǔn)確率變化相對較小。

（3）三種模型在滑動窗口大小為10 s的時候，準(zhǔn)確率都是最高的。因此本實驗將數(shù)據(jù)分為0 s～10 s，10s～20 s，20 s～30 s三段，分別比較三段數(shù)據(jù)在三種模型上的性能情況，如表7所示?？梢钥闯鰧?0 s～20 s的數(shù)據(jù)所提取的特征作為模型的輸入時，其在三種模型上都比其他兩段數(shù)據(jù)表現(xiàn)得好，在SVM模型上準(zhǔn)確率達到最高為84.2%，其次是KNN模型，準(zhǔn)確率為79.5%，最后為DT模型，準(zhǔn)確率為78.9%。

表7 不同時間段的數(shù)據(jù)在模型上的評估Table 7 Data from different time periods are evaluated on the models

實驗結(jié)果與實際情況相符合，不難想象，患者做食指拇指拍打動作時，一開始10 s內(nèi)由于受到主觀影響未能反映患者的真實情況，在最后10 s內(nèi)由于肌肉疲勞等因素導(dǎo)致采集的數(shù)據(jù)誤差很大，而中間10 s的數(shù)據(jù)相對來說能夠真實反映患者的情況。

4 結(jié)論

本文提出的基于機器學(xué)習(xí)模型的帕金森病患者手部靈活性定量評估方法通過便攜式的設(shè)備短時間采集數(shù)據(jù)并濾波，然后用SVM、KNN和DT三種機器學(xué)習(xí)模型評估患者的手部靈活性，得到的結(jié)果與醫(yī)生評估一致，減少了評估過程中的主觀性并提高了準(zhǔn)確度。相較于肌電圖、觸摸傳感器等輔助診斷方法，本文所提方法的精度提高了0.2%左右。

本文在小樣本數(shù)據(jù)集上得到較好的結(jié)果，未來需要在大量臨床實驗中驗證。