0 引言

    帕金森病（Parkinson Disease，PD）發病率高居世界第二，震顫是其最主要的臨床癥狀之一^[1]，分為靜止性震顫和動作性震顫。目前，判斷帕金森病人產生震顫的類型以及其嚴重程度的方法主要依靠醫生通過統一帕金森病評分量表（UPDRS）評分，評估的準確度仍然依賴于醫生的經驗和主觀判斷，缺乏量化指標。因此，建立一套客觀科學的帕金森病震顫評估系統具有重要的意義。在國外，出現了基于計算機視覺、壓力測試以及慣性器件的帕金森病診斷系統?；谟嬎銠C視覺的診斷系統很容易受到外界和內部因素的影響^[2-4]，基于壓力傳感器的診斷系統只能實現病患與健康者的鑒別^[5]，無法實現實時監控與評估。而德國的K.Niazmand等人設計了基于加速度計的“帕金森病診斷智能服”^[6]，實現了對于帕金森病人震顫的評估，但操作過程相對復雜。本文提出了基于MEMS慣性器件的帕金森病震顫實時評估系統的主要組成模塊和功能。通過識別4種特定的人體姿態，實現了對于震顫特征信號的提取以及對于震顫的評估。算法試驗結果表明，系統對于4種姿態具有較高的識別率且震顫量化評估參數有一定的合理性。

1 系統設計

    由于帕金森病震顫主要發生于上肢、下肢和軀干處，則設置被測對象分別在手腕、胸腔和大腿上穿戴3個基于MEMS的慣性傳感器單元，各個傳感器單元敏感軸的指向如圖1所示。該系統慣性傳感器單元中選用InvenSense公司的MPU6050三軸加速度計和陀螺儀傳感器。該傳感器將測得的數據傳輸給發送端，經接收端接收后傳輸至上位機，以實現原始信號的采集。該系統無線發送及接收端均選用NORDIC公司NRF24L01無線6通道收發芯片，其工作在2.5 GHz世界通用ISM頻段。將每一個慣性傳感器單元都安裝在獨立的殼體中，在其內部完成原始動態數據的測量與采集，各個子系統單元之間互不影響，并通過各自無線通信傳輸至接收端，避免了傳感器之間的硬件連接，提高了系統的穩定性。

    本系統以Cortex-M3內核的32位微處理器為核心，選用STM32F103RE型號。圖2所示是慣性傳感器單元的原理框圖，文獻[7]中對帕金森病人震顫進行了分析，文中認為該類型號的頻率在4 Hz~12 Hz。在被測對象佩戴慣性單元時，可以認為慣性傳感器與被測對象頻率是一樣的，所以編輯程序將加速度計測量范圍置為±8 g、采樣率置為1 000 Hz、分辨率置為4 096 LSB/g。陀螺儀量程為+1 000 °/s、采樣率為1 000 Hz、分辨率為32.8 LSB/°/S。

    上述參數的值及量程可以達到系統的測量要求，并且擁有較低的能耗。慣性加速度計和陀螺儀測到的信號通過I2C總線到達MCU，并加載后續算法對原始信號進行濾波。MCU把處理算法得到的數據利用SPI總線傳到無線收發芯片發送端并通過ISM頻段發送給芯片接收端，設置無線接收芯片為三數據通道并通過串口發送給上位機軟件完成原始數據的采集。使用無線數據傳輸的方式可以實時地把采集到的慣性加速度計和陀螺儀數據傳輸到上位機中，以便在算法試驗中能夠同時把系統得到的姿態與人為觀察的結果作對比，將試驗結果更加直觀地展現出來。

2 特征信號提取及分析

2.1 數據預處理

    慣性加速度計和陀螺儀傳感器均用100 Hz的采樣頻率實現數據采集、處理和存儲。為了降低信號中測量噪聲的比例，需要對慣性傳感器的原始測量數據進行一系列信號處理。原始數據預處理分為下述兩個步驟：首先，慣性器件測量得到的加速度信號內有一定的奇異點，為了盡量去掉原始信號內奇異點，編寫程序使慣性元件輸出的加速度信號進行低通數字濾波處理，加速度計頻帶寬度設置為184 Hz，陀螺儀設置為188 Hz；第二，考慮到震顫信號傳輸過程中會耦合進入不必要的高頻噪聲，而休息性震顫信號頻帶在4 Hz～6 Hz之間，動作性震顫信號頻帶在3.5 Hz～12 Hz之間。為了消除信號中存在的高頻噪聲，本系統上位機LabVIEW程序中分別編寫相應的帶通濾波器以將原始震顫信號中包含的外界高頻環境噪聲去除。

2.2 4種特定人體姿態特征分析

    帕金森病人震顫類型分為靜止性震顫和動作性震顫，而震顫多發生于上肢、下肢和軀干處。據此定義4種特定的人體姿態：“站立上肢無動作”、“站立上肢有動作”、“坐上肢無動作”和“坐上肢有動作”，在動態識別4種姿態的基礎上，進一步進行震顫的提取和分類。

    為了判斷人體上肢是否有動作，本文采用了人類日常動作識別領域內相對較常用且復雜度較低的評定算法 SMA（Signal Magnitude Area）^[8]，算法定義為：

式(1)中：a_x、a_y和a_z分別表示手腕處慣性單元的 X、Y 和Z 3個敏感軸的加速度信號輸出值。為了提高判斷的準確度，同時提取采集時間節點內上肢傾斜角度的變化值A_C作第二個判斷條件，參數計算公式定義為：

式中W_z為手腕處角速度輸出值。靜止與動作狀態手腕處特征參數曲線如圖3所示。

    “站”與“坐”姿態大腿處特征參數曲線如圖4所示。為了判斷被測對象是“站”姿態還是“坐”姿態，按照圖中大腿處慣性單元各軸的指向，通過公式解出其Z軸與自然坐標系Z軸夾角，定義為

3 分類器設計

    經過多次針對給定人體姿態和震顫類別的特征信號提取試驗，利用上文介紹的人體姿態與震顫特征信號提取算法，本文選取了5個特征參數用于設計分類器，如表1所示。據二叉決策樹思想設計了本系統的目標分類器，分類器參數由特征參數和一定的偏差量組成，偏差量大小的選取在一定程度上會影響分類器的性能。分類算法的流程圖如圖5所示。

4 量化評估算法

    休息性震顫信息提取過程中，通過窗函數標記可確定震顫周期起始和終止的時間，對標記有震顫發生的數據進行時域處理，計算加速度數據的均方根，記為I(Intensity)，發生相應震顫的持續時間記為T，則休息性震顫的嚴重程度RTS(Rest-Tremor-Severity)定義為：

將敏感軸y軸參數記為Y_RTS，震顫參數的具體量化通過試驗確定。

    動作性震顫嚴重程度MTS(Move-Tremor-Severity)通過觀察到運動震顫所占整個運動時間的百分比來實現，定義為：

式中t為動作震顫發生的時間，T為運動的總時間。震顫評估算法實現如圖6所示。

5 試驗驗證

    為了驗證數據處理算法中閾值參數及分類算法中特征參數選取的合理性，評估本文提出的人體姿態分類算法和震顫量化算法的正確性。進行了對于4種特定人體姿態和上肢震顫類型的判定以及震顫評估試驗。在上位機LabVIEW平臺上將分類算法以G語言的形式寫入到人體姿態及震顫分類評估系統中，進行多次試驗并按照所得結果統計正確識別的次數，并分析系統的識別率。在相同環境條件下，重復進行 30 次試驗。IMU模塊及試驗圖如圖7所示。

    由表2可以得知分類系統對于特定姿態識別表現出了良好的識別性能。對于震顫的分類識別，在30次試驗中均有少數的錯誤識別。靜止性震顫的錯誤識別均表現為：將靜止性震顫識別為無震顫；動作性震顫的錯誤識別均表現為：將動作性震顫識別為靜止性震顫。分析原因是由于參數所選取的閾值并不合適，可以通過大量的樣本數據來訓練優化閾值參數，從而減少識別誤差。試驗結果可以看出對于靜止性輕微震顫和靜止性明顯震顫，震顫量化參數RTS的均值有明顯的變化，反映了量化參數與震顫劇烈程度的映射關系，同時驗證了靜止性震顫量化參數的選取是合理的。

6 結論

    本文利用MEMS慣性器件搭建了一套帕金森病震顫實時分類評估系統，同時驗證了人體姿態識別與震顫評估算法。試驗結果表明，該系統能夠在識別特定人體姿態的基礎上實時地分類和量化震顫信息，以達到輔助醫生客觀得給出臨床診斷結論的目的。

參考文獻

[1] EROLA T.Deep brain stimulation of the subthalamic nucleus：A clinical study，in Medica.2015，Acta Universitatis Ouluensis.

[2] CHAO C W，CHAO W H，LI S H，et al.A vision-based analysis system for gait recognition in patients with Parkinson′s disease，Expert Systems with Applications，2009，36(3)：7033-7039.

[3] Li Shancang，Wang Jue，Wang Xinheng.A novel gait recognition analysis system based on body sensor networks for patients with parkinson′s disease.IEEE Geobecom 2010 Workshop on Advanced Sensor Integration Technology：256-260.

[4] Samarjit Das，Laura Trutoiu，Akihiko Murai.Quantitative measurement of motor symptoms in parkinson′s Disease：A Study with Full-body Motion Capture Data.33rd Annual International Conference of the IEEE EMBS Boston，Massachusetts USA，August 30-September 3，2011：6789-6792.

[5] BAMBI R B，SUJATA P，GEORGE C，et al.Application of modified regression techniques to a quantitative assessment for the motor signs of parkinson′s Disease.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2009，17(6)：568-575.

[6] NIAZMAND K，TONN K，KALARAS A，et al.A measurement device for motion analysis of patients with Parkinson′s disease using sensor based smart clothes.2011 5th International Conference on Pervasive Computing Technologies for Healthcare(PervasiveHealth) and Workshops，2011：9-16.

[7] DEUSCHL G，BAIN P，BRIN M.Consensus statement of the movement disorder society on tremor.Movement Disorders，1998，13：2-23.

[8] 王建平，焦國太，劉彩花.智能封鎖雷自修復策略研究[J].科學技術與工程，2013，13(3)：588-592.