帕金森病冻结步态的实时监测系统

帕金森病冻结步态的实时监测系统
袁心一;王家莉;仇一青;杨春晖;胡小吾;吴曦;沈林勇
【摘要】目的由于帕金森病冻结步态的突发性,临床上对其进行评估存在一定困难,为此本文研究了一种用于实时监测冻结步态的系统.方法该系统由可穿戴设备和配套的APP两部分构成,其中设备通过惯性传感器和超声波传感器采集患者腿部运动的加速度和抬脚高度数据,并传输至APP软件中,通过软件中的冻结步态识别模型进行分析.系统为构建冻结步态识别模型,首先通过实验采集12位患者的运动数据,然后经过信号预处理、特征提取和机器学习算法训练出模型,最后通过对数据集采用十折交叉验证来评估模型的准确度和精确度.结果系统对冻结步态的识别准确率可达98.6％,精确率达97.2％.结论该系统能够实时监测帕金森病患者日常生活中的冻结步态发作情况,为医生的诊疗提供定量、可靠的参考依据.
【期刊名称】《北京生物医学工程》
【年(卷),期】2019(038)002
【总页数】8页(P182-189)
【关键词】帕金森病;冻结步态;可穿戴设备;特征提取;机器学习
【作者】袁心一;王家莉;仇一青;杨春晖;胡小吾;吴曦;沈林勇
【作者单位】上海大学机电工程与自动化学院,上海 200072;长海医院,上海200433;长海医院,上海 200433;长海医院,上海 200433;长海医院,上海 200433;长海医院,上海 200433;上海大学机电工程与自动化学院,上海 200072
【正文语种】中文
【中图分类】R318.04
0 引言
帕金森病（Parkinson disease）是一种常见于中老年的神经系统变性疾病，临床
上以静止性震颤、运动迟缓、肌强直和姿势步态障碍为主要特征［1］。

其中，冻结步态是发生于帕金森病中晚期的一种典型的步态运动障碍症状。

在帕金森病患者中，44%～53%会出现冻结步态，在疾病的中晚期，这一比例上升至80%［2］。

冻结步态临床表现为患者在行走时出现瞬变性的短暂停滞或起步困难等，患者感觉自己的脚像“粘”在地面上无法迈步，同时伴有双腿的抖动，整个过程持续几秒钟到几分钟不等，主要发生于转身和起步时，但当患者遇见空间障碍物、压力状态下及注意力分散时也可发生。

冻结步态易导致跌倒、外伤、产生抑郁等心理问题，严重影响患者的生活质量和社会功能，是帕金森病患者生活质量下降的重要独立危险因素之一［3］。

基于冻结步态的突发性及不可预测性，对其进行评估是困难的。

尽管在“关”期可以增加冻结步态发作的概率，但实际上在临床环境中患者可能并不出现冻结步态。

然而，准确客观地监测并评估冻结步态十分重要，尤其在临床干预措施的评估方面［4］。

目前，针对冻结步态的评估有两个量表：冻结步态问卷（freezing of gait questionnaire，FOG⁃Q）［5］与新冻结步态问卷（new freezingofgait questionnaire，NFOG⁃Q）［6］。

但冻结步态问卷的评估主要是基于患者对病情的描述，具有较大的主观性，不利于得出真实结果。

因而，需要更加准确、客观的方法来监测与评估冻结步态。

随着智能硬件与可穿戴设备的发展，帕金森患者可通过使用穿戴传感器设备来监测及评估冻结步态。

希腊的Tripoliti等［7］利用6个加速度计和2个陀螺仪测量患者腰部、胸部、腕部和小腿处的加速度数据和角速度数据，利用随机森林算法建立
冻结步态分类器，并研究了使用不同传感器组合配置时分类器检测冻结步态的效果。

Coste等［8］通过测量步长和步态韵律提出了一种新的冻结步态标准（freezing of gait criterion，FOGC）来识别冻结步态的产生。

Popovic等［9］设计了一套冻结步态监测装置，通过将力敏电阻放置在足底采集患者的足底压力数据，并分别计算正常步态和冻结步态下足底压力的皮尔逊相关系数，当此系数接近±1表示正常运动，此系数降低则为冻结步态。

基于腿部的肌电信号和加速度信号，Cole等［10］采用深度神经网络（deep neural networks，DNN）算法来检测冻结步态的发生。

燕山大学的王金甲等［11］采用基于深度学习的卷积神经网络进行冻结
步态的识别。

现有的大多数研究对冻结步态的识别是离线检测，较少有实时监测冻结步态的系统，而且检测算法较多采用阈值法，而阈值法检测精度受患者差异性影响较大，国内也有研究开始尝试用深度学习算法实现，而较少涉及基于机器学习算法的冻结步态检测。

基于以上背景，本文研究了一种用于实时监测帕金森患者冻结步态的系统，通过惯性传感器和超声波传感器采集患者的加速度数据和抬脚高度数据，系统可对数据进行处理后采用机器学习算法实现患者日常生活中冻结步态的实时监测，以用于后续的诊断及治疗。

1 系统设计
系统主要由小腿处的可穿戴设备及配套的手机APP软件构成。

可穿戴设备可采集
患者的加速度数据及抬脚高度数据，再无线发送至智能手机中。

手机APP软件则
将接收到的运动数据导入冻结步态识别模型中，来判断患者是否产生冻结步态。

1.1 可穿戴设备
可穿戴设备样机如图1所示，设备结构主要由控制系统的电路安装盒、PCB板及
弹性绑带构成。

该设备尺寸为70 mm×44 mm×26 mm，125 g，结构简单，简
易便携。

可穿戴设备的控制系统主要由超声波传感器测距模块、惯性传感器模块、
无线通信模块及微控制器组成。

超声波传感器测距模块采集患者的抬脚高度数据，惯性传感器模块采集患者的加速度数据，无线通信模块通过蓝牙将采集好的加速度数据和抬脚高度数据发送至APP软件中。

惯性传感器和微控制器之间以IIC协议进行数据传输，微控制器通过串口将数据发送至无线通信模块。

无线通信模块采用蓝牙4．0 BLE模块，加速度和抬脚高度数据采样频率设置为32 Hz。

整个控制系统框图如图2所示。

图1 可穿戴设备样机Figure 1 Wearable device
图2 系统控制框图Figure 2 System control block diagram
1.2 配套 APP 软件
手机APP软件与可穿戴设备建立蓝牙连接，界面如图3所示，当开启运动数据接收功能时，APP软件自动接收并存储可穿戴设备发送的加速度数据和抬脚高度数据。

APP采集的运动数据以txt文本的形式存储在手机SD卡中，数据导出并进行处理及分析后可用于后续冻结步态识别模型的建立。

通过实验采集的步态数据样本训练冻结步态识别模型，当模型准确率和精确度足够高时，将模型导入APP软件中。

2 实验对象和方法
2.1 实验对象
参与本研究实验的帕金森病患者由上海长海医院神经外科招募，经过长海医院伦理委员会批准，签署知情同意书后自愿参加本研究。

由获得统一帕金森病评分量表（The Unified Parkinson Disease Rating Scale，UPDRS）评估证书的评分者对所有患者进行H＆Y（The Hoehn and Yahr Scale，H＆Y）分级量表评分和UPDRS评分。

冻结步态使用冻结步态问卷进行评分。

被招募的患者要求诊断符合英国脑库临床标准的原发性帕金森病，H＆Y分级为3级，FOG量表第三项评分等于4分。

招募的12名受试者中，男性8名，女性4名，47～75岁，平均年龄为（61．25±8．08）岁，患病时间为 6～20 年，平均病龄为（11．08±4．42）年。

图3 APP软件界面Figure 3 APP software interface
2.2 实验方法
实验前受试者将可穿戴设备穿戴于左右小腿外侧处，同时保证设备的超声波传感器的探头竖直向下对准地面。

设备穿戴如图4所示。

图4 设备穿戴Figure 4 Wearing of the device
实验过程中，受试者完成以下两项行走任务：在长为10 m的走廊来回行走，包括180°的转弯；穿过狭窄的门廊，绕过障碍物行走等。

患者实验时的行走过程用摄像机同步记录，医生根据录像中患者的行动表现来确定患者产生冻结步态的时刻，然后记录下每次冻结步态发作的时刻、症状持续时间。

实验录像记录总时长达8 h，冻结步态发作记录总数达35次。

不同患者冻结步态发作时的持续时间不一致，最短3 s，最长30 s。

实验结束后将实验过程中手机存储的运动数据txt文件导出，以用于后续冻结步态识别模型的建立。

3 冻结步态识别系统构建
为实现冻结步态识别模型的建立，需将采集的12名患者的运动数据进行预处理及分析，并对其进行特征值的提取，然后采用机器学习算法对特征集训练，构建冻结步态识别模型。

为了实现在线监测冻结步态，将已训练好的冻结步态识别模型导入APP软件中，当患者的运动数据实时传输至APP时，APP即可实时监测冻结步态是否产生，并记录冻结步态的发生时刻及持续时间。

冻结步态的在线识别流程如图5所示。

图5 冻结步态的在线识别Figure 5 Online detection for freezing of gait
3.1 信号预处理
3．1．1 信号修正
由于设备周围信号干扰导致的信号衰减、连接时不稳定性以及传输时间和记录耗时的不确定性，导致SD卡中记录的患者原始运动数据存在一定程度的丢失。

由于丢失数据量不超过5%且丢失数据的时间间隔在0．2 s以内，故可以考虑使用牛顿插值的方法对加速度信号数据进行修正。

牛顿插值属于多项式插值方法的一种，其通过求各阶差商，每增加一个节点就在原有基础上增加一项以各阶差商为系数的修正项进行插值计算。

其插值多项式如下：
式中：n为已知节点数。

为避免插值过程中出现的龙格现象，实际信号修正中n取6，且为保证数据特征的连续性和有效性，一般以丢失点为中心的上下各3点作为已知节点进行插值。

3．1．2 数据分段及标记
为了后续冻结步态识别模型的建立，需对数据进行分段及标记。

冻结步态识别系统建模需要两类样本数据，一类是冻结步态发作时的运动数据，另一类是行走、静止站立状态的正常步态样本数据。

根据实验阶段医生对应录像标记的冻结步态发作时间段，在原始数据中截取对应的冻结步态数据段。

为保证后续特征提取中每个样本特征值的条件一致性，设定滑动时间窗口为5 s。

滑动时间窗的选择主要取决于冻结步态发作的持续时间，有研究表明，最佳的窗口宽度应为可检测到的持续最短冻结步态时间的两倍［12］。

窗口宽度过大会导致冻结步态检测灵敏度降低。

信号预处理后可得到标记为冻结步态的35例正样本数据及标记为正常步态的35例负样本数据。

3.2 特征提取
信号处理及运算后，得到了实验样本数据的抬脚高度和加速度的实际值，可分别提取运动数据时域和频域上的特征值。

而经过选取后，用于冻结步态识别的特征主要
分3类：加速度时域特征、加速度频域特征和抬脚高度时域特征。

3．2．1 加速度时域特征
由于冻结步态发作时，虽然脚像“粘”在地板上抬不起来，但由于患者有强烈的想要克服阻力继续行走的意愿，会使得患者双腿产生高频抖动。

因此，冻结步态发作时的加速度信号与其他状态下的加速度信号有明显区别。

图6是6号实验对象在运动过程中加速度信号的时域图。

根据录像显示，患者在
该时间段内，先静止站立一段时间，之后有起步冻结的症状，此时伴随着双腿的剧烈抖动，冻结一段时间后，患者恢复正常行走状态。

根据对应的加速度信号可看出，3种状态下的加速度时域信号有显著差别。

静止状态下，加速度信号趋近于0。

冻结步态发生时，由于双腿的大幅度抖动，加速度均值及频率明显区别于行走状态。

而且，行走时的加速度信号相对于冻结时更有规律性。

根据上述特点，加速度时域上的特征可选择三轴加速度均值、均方根值。

3．2．2 加速度频域特征
图7、图8分别是对6号实验对象冻结步态区间和行走区间的加速度数据进行FFT 变换后得到的冻结频域和行走运动频域。

由两图对比可看出，冻结步态的频率带主要分布在大于3 Hz的区间内，而行走频域的能量却主要集中在1～3 Hz区间内。

由于冻结时腿部的高频抖动，频域上有可区分度较高的特征值。

Moore等［13］提出一种反映冻结步态严重程度变化情况的特征值——冻结指数（freezing index，FI），其定义为冻结频率带中的能量与运动频率带中的能量之比。

其中0．5～3 Hz定义为运动频率带，代表正常的行走运动；3～8 Hz定义为冻结频率带，代表
冻结步态发生。

式中：X（t，f）为 y轴加速度时域信号经过 FFT变换后得到的频域信号。

冻结步态发作时，腿部高频反复的上下运动，使得垂直于地面方向的y轴加速度
高频成分较多。

因此，冻结时冻结频率带能量远远高于运动频率带能量，而行走时频域能量主要集中在运动频率带，冻结时的冻结指数将高于行走时，所以冻结指数是用于检测冻结步态的重要特征之一。

图6 6号受试者的加速度时域信号Figure 6 Time domain signal in acceleration of No．6 subject
图7 冻结步态频域Figure 7 Frequency domain in freezing of gait
图9 为实验患者的冻结指数特征值分布图，冻结步态发作时的冻结指数明显高于行走时的冻结指数，但其中在冻结指数为2～3的区间上，部分行走样本的冻结指数和冻结样本很接近，主要是因为快速行走时腿部的运动频域和冻结时腿部轻微抖动的运动频率相似。

此时，这两类样本的区分依靠行走时的抬脚高度来进行分类。

因而，加速度频域上可选择y轴方向冻结指数、冻结频率带能量和运动频率带能量作为加速度频域上的特征。

3．2．3 抬脚高度时域特征
行走时抬脚高度的均值会高于冻结步态发作时的抬脚高度，而且行走时抬脚高度是周期性变化的，而冻结时抬脚高度几乎保持不变，这会使得行走时抬脚高度的方差远大于冻结时。

图10为抬脚高度方差的特征值分布图，所以可将抬脚高度的均值及方差作为识别冻结步态的特征值。

综上，选择的所有用于识别冻结步态的特征为抬脚高度均值、方差、三轴加速度均值、均方根、y轴方向冻结指数、冻结频率带能量和运动频率带能量。

3.3 机器学习算法建模
特征提取后，得到样本特征集。

其中，正样本35例，负样本35例。

本研究分别采用随机森林、决策树及朴素贝叶斯3种机器学习算法对特征集进行训练，分别得到3种冻结步态识别模型，之后通过系统评估，选出适合于冻结步态识别的最优算法。

图8 行走运动频域Figure 8 Frequency domain in walking movement
图9 冻结指数特征值分布Figure 9 Feature distribution of freezing index
图10 抬脚高度方差特征值分布Figure 10 Feature distribution of lift height
4 系统性能评估
建模后，分别对随机森林、决策树及朴素贝叶斯3种机器学习算法构建的冻结步态识别模型进行性能评估。

每个样本均已标记有无冻结步态，模型的准确度取决于模型预测的输出结果和样本标记结果的一致性。

训练集和测试集采用10折交叉验证。

机器学习算法建立的模型中，性能的评价指标主要有模型的准确率、精确率和召回率。

将正样本正确预测为产生冻结步态的正类数称为TP，将负样本正确预测为没有产生冻结步态的负类数称为TN。

被模型分类成负样本的正样本称为FN，被模型分类成正样本的负样本称为FP。

准确率反映分类器对整个样本的判定能力，精确率反映了被分类器判定的正例中真正的正例样本的比重。

召回率反映被正确判定的正例占总正例的比重。

准确率ACC、精确率P和召回率R计算公式如下：
各模型的评估结果如表1所示。

由表可看出，随机森林算法生成的冻结步态识别模型在各个性能指标上表现最优，准确率达98．6%，精确率为97．2%，召回率为97．1%。

因而，最后选择将由随机森林算法构建的冻结步态识别模型导入APP软件。

既往研究中，用于实时监测冻结步态的可穿戴设备内的传感器只有惯性传感器，因而用于识别冻结步态的特征只有加速度时域和频域上特征。

而本系统增加了超声波测距传感器，因而可由加速度信号和抬脚高度信号共同构建冻结步态识别模型。

表2为不同特征组合下构建的冻结步态识别模型的评估结果，其中机器学习算法均选
取随机森林算法。

由表2结果可看出，基于加速度信号和抬脚高度信号的冻结步
态识别模型识别效果优于仅由加速度信号构建的模型。

表1 模型评估结果Table 1 Model evaluation results性能指标随机森林决策树朴素贝叶斯准确率／% 98．6 97．1 97．1精确率／% 97．2 97．1 94．6召回率／% 97．1 97．1 94．3
表2 不同特征组合的模型评估结果Table 2 Model evaluation results in different feature combinations不同特征组合准确率／% 精确率／% 召回率／%加速度时域＋频域特征 91．4 91．4 91．4加速度时域＋频域特征＋抬脚高度特
征 98．6 97．2 97．1
5 讨论与结论
冻结步态的突发性使得患者就诊时可能不出现相应症状，导致医生有时无法准确评估病情［14］，因而步态的监测十分重要。

而国内的研究都是关于冻结步态的检
测算法，而没有研发出能够实现冻结步态实时监测的设备。

因而本文设计了一种可用于冻结步态监测的系统，该系统可记录患者日常生活中冻结步态的发作情况，帮助医生更加全面了解患者的病情。

而且国内外研究一般采用加速度特征来识别冻结步态，而本文通过引入加速度和抬脚高度双重特征提高了冻结步态识别模型的准确率。

未来还可考虑在此系统基础上增加冻结步态预测的功能，因为有研究表明，一般冻结步态发作之前会有一个步幅越来越小的过程［15］，可考虑通过识别这个
过程来预测冻结步态的发生，防止患者发生摔倒。

本文研究的用于实时监测帕金森病冻结步态的系统，由穿戴在小腿处的可穿戴设备和配套的APP软件构成，可穿戴设备通过惯性传感器和超声波传感器采集患者的
加速度和抬脚高度数据，并无线传输至手机APP中，手机APP软件对数据进行处理及分析，并由冻结步态识别模型判断冻结步态是否产生。

其中，冻结步态识别模型的建立主要包括3个阶段：信号预处理、特征提取和机器学习算法建模。

实验
采集了12位患者的运动信号数据，经过信号预处理及特征提取，得到了样本特征集，分别采用随机森林、决策树和朴素贝叶斯算法对其进行训练，可得到3种不
同的冻结步态识别模型，再对每个模型进行系统性能评估，结果是由随机森林算法构建的分类器性能最优，识别准确率为98．6%，精确率为97．2%，召回率达97．1%。

参考文献
【相关文献】
［1］封华，刘承伟．帕金森病早期诊断的研究进展［J］．医学综述，2010，16（18）：2775
－2777．Feng H，Liu CW．Research advances in early diagnosis of Parkinson’s disease ［J］．Medical Recapitulate， 2010， 16（18）：2775－2777．
［2］何安琪，张煜，刘振国．帕金森病步态障碍临床特点及研究进展［J］．中华神经科杂志，2016，49（4）：324－327．He AQ，Zhang Y，Liu ZG．Clinical characteristics and research progress of gait disorder in Parkinson disease［J］．Chinese Journal of Neurology， 2016， 49（4）：324－327．
［3］李利，刘晶，章文斌．帕金森病冻结步态治疗进展［J］．临床神经外科杂志，2014，11（4）：318－320．Li L， Liu J， Zhang WB， et al．Treatment progress of freezing of gait in Parkinson’s disease［J］．Journal of Clinical Neurosurgery，2014， 11（4）：318－320．
［4］蒋思明，张克忠．帕金森病冻结步态的研究进展［J］．中国临床神经科学，2015，23（2）：199－204．Jiang SM， Zhang KZ．Research progress of freezing of gait in Parkinson’s disease ［ J］． Chinese Journal of Clinical Neurosciences， 2015， 23（2）：199－204．
［5］ Giladi N， Shabtai H，Simon ES，et al．Construction of freezing of gaitquestionnaire for patients with Parkinsonism ［J］．Parkinsonism ＆ Related Disorders， 2000， 6（3）：165－170．
［ 6］ Nieuwboer A， Rochester L， Herman T， et al．Reliability of the new freezing of gait questionnaire：agreement between patients with Parkinson’s disease and their carers［J］．Gait＆ Posture，2009， 30（4）：459－463．
［ 7］ Tripoliti EE， Tzallas AT， Tsipouras MG， et al．Automatic detection of freezing of
gait events in patients with Parkinson’s disease［J］．Computer Methods ＆ Programs
in Biomedicine，2013， 110（1）：12－26．
［8］ Coste CA， Sijobert B， Pissardgibollet R， et al．Detection of freezing of gait in Parkinson disease： preliminary results［J］．Sensors， 2014， 14（4）：6819－6827．［ 9 ］ Popovic MB， Djuric⁃Jovicic M， Radovanovic S， et al．A simple method to assess freezing of gait in Parkin son’s disease patients［J］．Brazilian Journal of Medical
＆ Biological Research， 2010，43（9）：883－889．
［10］ Cole BT， Roy SH， Nawab SH．Detecting freezing⁃of⁃gait during unscripted and unconstrained activity ［ C ］／／33rd Annual International Conference of the IEEE EMBS．Boston，USA：IEEE Press， 2011：5649－5652．
［11］王金甲，刘青玉，陈浩．基于深度卷积神经网络的帕金森步态识别［J］．中国生物医学工程学报，2017，36（4）：418－425．Wang JJ， Liu QY， Chen H．Detection of freezing of gait for Parkinson’s disease patients based on deep convolutional neural networks ［J］．Chinese Journal of Biomedical Engineering， 2017，36（4）：418－425．
［12］ Mazilu S， Hardegger M， Zhu Z， et al．Online detection of freezing of gait with smartphones and machine learning techniques［C］／／ InternationalConference on Pervasive Computing Technologies for Healthcare．San Diego， USA： IEEE Press，2012：123－130．
［13］ Moore ST， Macdougall HG， Ondo WG．Ambulatory monitoring of freezing of gait in Parkinson’ s disease［J］．Journalof Neuroscience Methods， 2008， 167（2）：340－348．
［14］安文瑞，贺娟，丛日博，等．帕金森病早期临床表现及影像学诊断研究进展［J］．中国医药导报，2007，14（5）：35－38．An WR，He J，Cong RB，et al．Research progress of early clinical manifestation and imaging diagnosis of Pakinson disease［J］．China Medical Herald，2017，14（5）：35－38．
［15］ Djuric⁃Jovicic MD， Jovicic NS， Radovanovic SM， etal．Automatic identification and classification of freezing of gait episodes in Parkinson’s disease patients［J］．IEEE Transactions on Neural Systems ＆ Rehabilitation Engineering， 2014， 22（3）：685－694．。