姿势震颤检测模型、姿势震颤检测算法、以及姿势震颤检测设备

摘要

本申请公开了一种姿势震颤检测模型，该模型基于集成学习模型，所述模型的输入特征为多个；所述多个输入特征中至少一个输入特征获取自受试者的手部的三轴加速度数据，至少一个输入特征获取自自受试者的手部的三轴陀螺仪数据，至少一个输入特征获取自受试者的手部的三轴磁力计数据；所述模型根据所述多个输入特征对受试者在预定姿势时进行震颤等级的分类；所述预定姿势包括翼博位、手臂伸展位、对指位。本申请利用加速度计、陀螺仪和磁力计信号的多种运动学特征，有效揭示了特发震颤患者震颤的规律性和同步性，能够有效表征患者的震颤幅度、震颤频率等特征，并建立能够准确对患者的震颤症状进行量化分级的模型。

说明书

技术领域

本申请涉及模式识别，尤其涉及基于可穿戴设备的姿势震颤检测算法。

背景技术

特发震颤(ET)是一种具有特征性运动症状的退行性神经系统疾病，为常染色体显性遗传病，又称家族性或良性特发性震颤，是最常见的锥体外系疾病，也是最常见的震颤病症。约60％病人有家族史。特发性震颤是单一症状性疾病，姿势性震颤是本病的唯一临床表现。所谓姿势性震颤，是指肢体维持一定姿势时引发的震颤，在肢体完全放松时震颤自然消失。本病的震颤常见于手，其次为头部震颤，极少的病人出现下肢震颤。

目前的临床评估主要是基于专家咨询，结合审查病人的主诉，非常依赖医生的专业知识和诊断经验。通过可穿戴传感器技术结合机器学习方法进行客观量化的研究具有很好的应用潜力。

将可穿戴式传感器应用于早期震颤评估中是当前学术界和工业界的一个研究热点。可穿戴传感器可以用于人体的高精度跟踪、长期生理信号监测等，这种非植入式监测已用于临床患者运动异常的评估中。

目前，ET震颤严重程度的医疗级可穿戴系统，如Kinesia HomeView

此外，现有的技术方案仅仅使用加速度计直接采集震颤信号，这种方案的缺陷在于容易混入活动中的运动成分，而且传感器累积误差和环境噪声也使测量的信号不可靠。此外，在早期病症阶段，肢体的震颤是非常轻微的，从加速度计采集的信号中很难提取其特征，容易被误认为是噪声信号而丢弃。

发明内容

鉴于上述问题，本申请旨在提出一种姿势震颤检测模型、姿势震颤检测算法、以及姿势震颤检测设备，其基于多个信号进行震颤症状的量化评估。

本申请的姿势震颤检测模型，该模型基于集成学习模型，

所述模型的输入特征为多个；所述多个输入特征中至少一个输入特征获取自受试者的手部的三轴加速度数据，至少一个输入特征获取自自受试者的手部的三轴陀螺仪数据，至少一个输入特征获取自受试者的手部的三轴磁力计数据；

所述模型根据所述多个输入特征对受试者在预定姿势时进行震颤等级的分类；

所述预定姿势包括翼博位、手臂伸展位、对指位。

优选地，针对翼博位进行检测时，所述集成学习模型采用基于嵌入方式的RUSBoost模型；

针对手臂伸展位进行检测时，所述集成学习模型采用基于Wrapper方法的AdaBoost模型；

针对对指位进行检测时，所述集成学习模型采用基于互信息法的Bagging模型。

优选地，所述多个输入特征选自：

ACC_Max、ACC_Min、ACC_Mean、ACC_PeakP、ACC_Arv、ACC_Var、ACC_Std、ACC_Kurt、ACC_Skew、ACC_RMS、ACC_SF、ACC_CF、ACC_IF、ACC_LF、ACC_PwrP、ACC_PwrP_R、ACC_PrinP、ACC_SampEn、ACC_ApEn、ACC_FuzEn；

GYRO_Max、GYRO_Min、GYRO_Mean、GYRO_PeakP、GYRO_Arv、GYRO_Var、GYRO_Std、GYRO_Kurt、GYRO_Skew、GYRO_RMS、GYRO_SF、GYRO_CF、GYRO_IF、GYRO_LF、GYRO_PwrP、GYRO_PwrP_R、GYRO_PrinP、GYRO_SampEn、GYRO_ApEn、GYRO_FuzEn；

MAG_Max、MAG_Min、MAG_Mean、MAG_PeakP、MAG_Arv、MAG_Var、MAG_Std、MAG_Kurt、MAG_Skew、MAG_RMS、MAG_SF、MAG_CF、MAG_IF、MAG_LF、MAG_PwrP、MAG_PwrP_R、MAG_PrinP、MAG_SampEn、MAG_ApEn、MAG_FuzEn；

其中，ACC_Max、ACC_Min、ACC_Mean、ACC_PeakP、ACC_Arv、ACC_Var、ACC_Std、ACC_Kurt、ACC_Skew、ACC_RMS、ACC_SF、ACC_CF、ACC_IF、ACC_LF、GYRO_Max、GYRO_Min、GYRO_Mean、GYRO_PeakP、GYRO_Arv、GYRO_Var、GYRO_Std、GYRO_Kurt、GYRO_Skew、GYRO_RMS、GYRO_SF、GYRO_CF、GYRO_IF、GYRO_LF、MAG_Max、MAG_Min、MAG_Mean、MAG_PeakP、MAG_Arv、MAG_Var、MAG_Std、MAG_Kurt、MAG_Skew、MAG_RMS、MAG_SF、MAG_CF、MAG_IF、MAG_LF为时域特征；

ACC_Max为三轴加速度数据的信号最大峰值；ACC_Min为三轴加速度数据的信号最小峰值；ACC_Mean为三轴加速度数据的信号平均值；ACC_PeakP为三轴加速度数据的信号峰-峰幅值；ACC_Arv为三轴加速度数据的信号平均整流值；ACC_Var为三轴加速度数据的信号方差；ACC_Std为三轴加速度数据的信号标准差；ACC_Kurt为三轴加速度数据的信号峰度；ACC_Skew为三轴加速度数据的信号峭度；ACC_RMS为三轴加速度数据的信号均方根；ACC_SF为三轴加速度数据的信号波形因子；ACC_CF为三轴加速度数据的信号峰值因子；ACC_IF为三轴加速度数据的信号脉冲因子；ACC_LF为三轴加速度数据的信号裕度因子；

GYRO_Max为三轴陀螺仪数据的信号最大峰值；GYRO_Min为三轴陀螺仪数据的最小峰值；GYRO_Mean为三轴陀螺仪数据的信号平均值；GYRO_PeakP为三轴陀螺仪数据的信号峰-峰幅值；GYRO_Arv为三轴陀螺仪数据的信号平均整流值；GYRO_Var为三轴陀螺仪数据的信号方差；GYRO_Std为三轴陀螺仪数据的信号标准差；GYRO_Kurt为三轴陀螺仪数据的信号峰度；GYRO_Skew为三轴陀螺仪数据的信号峭度；GYRO_RMS为三轴陀螺仪数据的信号均方根；GYRO_SF为三轴陀螺仪数据的信号波形因子；GYRO_CF为三轴陀螺仪数据的信号峰值因子；GYRO_IF为三轴陀螺仪数据的信号脉冲因子；GYRO_LF为三轴陀螺仪数据的信号裕度因子；

MAG_Max为三轴磁力计数据的信号最大峰值；MAG_Min为三轴磁力计数据的最小峰值；MAG_Mean为三轴磁力计数据的信号平均值；MAG_PeakP为三轴磁力计数据的信号峰-峰幅值；MAG_Arv为三轴磁力计数据的信号平均整流值；MAG_Var为三轴磁力计数据的信号方差；MAG_Std为三轴磁力计数据的信号标准差；MAG_Kurt为三轴磁力计数据的信号峰度；MAG_Skew为三轴磁力计数据的信号峭度；MAG_RMS为三轴磁力计数据的信号均方根；MAG_SF为三轴磁力计数据的信号波形因子；MAG_CF为三轴磁力计数据的信号峰值因子；MAG_IF为三轴磁力计数据的信号脉冲因子；MAG_LF为三轴磁力计数据的信号裕度因子；

ACC_PwrP、ACC_PwrP_R、ACC_PrinP、GYRO_PwrP、GYRO_PwrP_R、GYRO_PrinP、MAG_PwrP、MAG_PwrP_R、MAG_PrinP为频域特征；

ACC_PwrP为三轴加速度数据的峰值功率；ACC_PwrP_R为三轴加速度数据的峰值功率比例；ACC_PrinP为三轴加速度数据的功率主峰值；

GYRO_PwrP为三轴陀螺仪数据的峰值功率；GYRO_PwrP_R为三轴陀螺仪数据的峰值功率比例；GYRO_PrinP为三轴陀螺仪数据的功率主峰值；

MAG_PwrP为三轴磁力计数据的峰值功率；MAG_PwrP_R为三轴磁力计数据的峰值功率比例；MAG_PrinP为三轴磁力计数据的功率主峰值；

ACC_SampEn、ACC_ApEn、ACC_FuzEn、GYRO_SampEn、GYRO_ApEn、GYRO_FuzEn、MAG_SampEn、MAG_ApEn、MAG_FuzEn为非线性特征；

ACC_SampEn为三轴加速度数据的样本熵；ACC_ApEn为三轴加速度数据的近似熵；ACC_FuzEn为三轴加速度数据的模糊熵；

GYRO_SampEn为三轴陀螺仪数据的样本熵、GYRO_ApEn为三轴陀螺仪数据的近似熵；GYRO_FuzEn为三轴陀螺仪数据的模糊熵。

优选地，所述基于嵌入方式的RUSBoost模型的最大分裂数量为311，学习器483个，学习率为0.8578；所述多个输入特征为：ACC_RMS；ACC_Min；ACC_Arv；ACC_LF；GYRO_RMS；GYRO_Max；GYRO_Min；GYRO_Arv；GYRO_SF；GYRO_LF；MAG_FuzEn；MAG_RMS；MAG_Max；MAG_Mean；MAG_SF；MAG_CF。

优选地，所述基于Wrapper方法的AdaBoost模型的最大分裂数量为212，学习器45个，学习率为0.9986；所述多个输入特征为：ACC_RMS；ACC_Min；ACC_Arv；ACC_LF；GYRO_Max；GYRO_Min；GYRO_Arv；GYRO_LF；GYRO_RMS；MAG_FuzEn；MAG_RMS；MAG_Max.

优选地，所述基于互信息法的Bagging模型的最大分裂数量为174，学习器362个，学习率为0.8578，自所述多个输入特征中随机抽取4个输入特征；所述多个输入特征为：ACC_Max；ACC_Mean；ACC_SF；ACC_CF；ACC_IF；ACC_LF；GYRO_Max；GYRO_Min；GYRO_Mean；GYRO_PeakP；GYRO_LF；MAG_RMS；MAG_Max。

本申请的一种姿势震颤检测算法，其通过设置在受试者手部的三轴加速度计、三轴陀螺仪、三轴磁力计获取受试者在指定动作时的三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据；经处理后三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据提取多个输入特征；将所述多个输入特征作为所述利用权利要求1-6中任一项姿势震颤检测模型的输入特征，对受试者的震颤等级进行分类。

本申请的姿势震颤检测设备，其包括计算单元；

所述计算单元运行权利要求1-6中任一项姿势震颤检测模型对受试者的震颤等级进行分类。

优选地，包括三轴加速度计、三轴陀螺仪、三轴磁力计；所述三轴加速度计、三轴陀螺仪、三轴磁力计设置在受试者的手部；受试者在指定动作下，所述三轴加速度数据通过该三轴加速度计获得；所述三轴陀螺仪数据通过该三轴陀螺仪获得；所述三轴磁力计数据通过该三轴磁力计获得。

优选地，所述三轴加速度计、所述三轴陀螺仪、所述三轴磁力计为穿戴设备，通过无线方式将所述三轴加速度数据、所述三轴陀螺仪数据、所述三轴磁力计数据送至所述计算单元。

本申请中利用加速度计、陀螺仪和磁力计信号的多种运动学特征(比如均方根(RMS)、峰度、波形因子、频谱峰值、峰值功率、峰值比、近似熵、样本熵和模糊熵等特征)，有效揭示了特发震颤患者震颤的规律性和同步性，能够有效表征患者的震颤幅度、震颤频率等特征，并建立能够准确对患者的震颤症状进行量化分级的模型。

附图说明

图1为本申请中使用的可穿戴设备的结构和实验演示。

图2为本发明的整体实验流程。

图3为根据加速度信号的矢量振幅(截取的15s信号段)计算的功率谱密度函数。

图4为五个分类模型的ROC曲线。

图5为最佳五分类模型的混淆矩阵。

具体实施方式

下面，结合附图对本申请进行详细说明。

图1中，(a)显示了基于IMU的可穿戴设备的基本结构。(b)展示了实验的采集过程。(c)-(e)展示了三个姿势性震颤任务。图2中，基于数据处理和数据分析两部分，构建了ET患者体位性震颤的自动评分系统。图3中，基于功率谱容限跨度的方法被用来寻找峰值功率，阴影区域显示震颤信号的峰值功率。图4中，(a-c)五个机器学习模型在所有特征集上的ROC曲线，分别是在翼搏位、手臂伸展位和对指位任务中。(d-f)三个任务中基于五种特征选择方法的综合学习树模型的ROC曲线。图5中，(a-c)表示最优分类器AdaBoost总体特征集在翼搏位、手臂伸展位和对指位任务中的混淆矩阵。(d-f)表示在三个任务中基于最优特征选择方法的最优集成学习树模型的混淆矩阵。其中，(d)表示基于Embedded方法的RUSBoost的分类结果，具体参数为：最大分裂数量为311，学习器483个，学习率为0.8578；(e)表示基于Wrapper方法的AdaBoost的分类结果，具体参数为：最大分裂数量为212，学习器45个，学习率为0.9986；(f)表示基于互信息方法的Bagging的分类结果，具体参数为最大分裂数量为174，学习器362个，学习率为0.8578，训练基本估计量需随机抽取4个特征。

本发明方法的具体实施步骤为：

(1)在人体手部部署传感器，通过上位机(或计算单元)对传感器进行初始化，消除传感器零飘，并进行初始标定，设置传感器采样频率；通过部署的传感器采集人体手部的姿态信号。具体地，利用基于九轴IMU的可穿戴设备采集患者在指定动作下的双手的手部震颤数据；同时利用CRST量表对患者指定动作的完成情况进行打分；为后期追述和评估病情变化以及多名神经科专家盲审打分，在实验室检查的同时由专业的神经科医生全程对患者的动作录像。

实验室检查全程由一位具有运动障碍专业知识的神经学家指导，并记录了视频数据(CMOS相机，48MP，1920*1080高清，60帧/秒)，以支持三位神经学家的独立评分(相互盲分)。在实验室检查中，患者在手背上佩戴微型姿势传感器，数字信号通过蓝牙连接在主机中无线传输。上位机实时显示信号波形变化，并以文本形式存储在电脑硬盘上。为了确保解决有效的震颤信号，设备的采样频率被设定为100Hz，波特率被设定为每秒115,200Byte。

由两位专家共同打分，如有评分不一致的情况，需要请第三位专家通过查看录像对评分做出最终裁定。具体的打分过程如下。1)两位神经科医生通过观看视频资料对患者体位性震颤的严重程度进行打分，并获得两份相互盲目的评分表。2)由数据分析工程师统计两位专家的一致分数，对于分数不一致的动作，视频资料由另一位有经验的神经科医生做最终决定，直到获得可靠的分数。这种实验设计也避免了由于系统性偏见造成的训练错误，使机器学习模型更加可靠。

IMU包括设备盒、九轴惯性传感器、嵌入式无线模块、锂电池、电源按键、状态指示灯和数据线。嵌入式无线模块、锂电池、电源按键、状态指示灯置于设备盒中，设备盒表面留有电源按键接口和状态指示灯接口，设备盒侧面留有数据线连接接口；九轴惯性传感器与设备盒之间通过数据线连接；锂电池负责嵌入式无线模块和状态指示灯供电；电源按键控制锂电池供电的开与关；九轴惯性传感器固定在患者的双手手背上，用于获取患者在指定动作下的手部的震颤数据，并将震颤数据通过嵌入式无线模块进行传输，传输给上位机(或计算单元)；所述震颤数据是指利用九轴惯性传感器获取的三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据。

本发明中使用的可穿戴系统数据采集的核心是惯性传感单元。QFN封装的多芯片(MCM)MPU-9250(InvenSense，美国)，它通过嵌入式微控制器(MSP430)集成了三轴加速计、三轴陀螺仪和三轴磁力计AK8963(AKM半导体，美国)。监测的数字信号通过蓝牙协议(BR-LE4.0-D2)进行无线传输。加速器各轴上的电容分别测量各轴的偏差程度；陀螺仪基于科里奥利效应进行测量，可以测量各轴转动的角速度；磁力计基于霍尔效应收集地磁场的电磁强度，可以估计载体的姿态方位等信息。此外，数据采集系统的主机可用于设置采集频率、校准传感器、可视化采集信号和存储数据(图1(a))。

所述指定动作是指姿势性震颤动作，即身体受影响部位主动保持特定姿势时出现的震颤症状。根据CRST标准量表A部分(图1(b-e))，要求患者舒适地坐在椅子上，眼睛目视前方，双臂外展，手腕轻度伸展，手指分开，然后依次保持三种姿势。1)翼搏位，双臂外展，手臂轻度伸展，手指分开；2)手臂伸展位，双臂伸直，手掌向下；3)对指位，双臂外展，手臂伸直，手掌向下。左右手的食指相对，掌心向内。

利用CRST量表对患者指定动作的完成情况进行打分是指专业医师根据患者指定动作的完成情况，判断患者的静止性震颤的震颤等级，震颤等级分为5个等级，分别为0级，1级，2级，3级，4级。CRST量表表明：姿势性震颤5个等级划分的震颤症状分别表现为：1)无；2)轻度，有时发生；3)幅度中等,动作时发生；4)幅度中等，定动作时发生；5)幅度大，影响进食。

(2)图2显示了数据分析的流程。主要分为两部分：数据处理和特征提取。在本发明方法中，对采集到的原始IMU数据进行过滤和切片，并转化为干净的等长序列进行特征提取。在特发震颤患者的实验室检查中，即使按照专业医生的要求严格规范检查动作，人体也会产生有意识的运动，通常表现为信号的低频成分，而高频成分则包括运动间期的震颤和噪声。具体的，实验获得的姿态传感信号包括ET震颤、生理震颤和各种随机噪声。在特征提取之前，需要尽可能地过滤掉特发性震颤以外的干扰信号，如正常肌肉激活引起的细微生理性震颤，其单向震颤振幅通常在150μm左右，频率为8-12Hz。相比之下，ET震颤的振幅会大得多，频率为4-12Hz。因此，我们通过在硬件端集成动态卡尔曼滤波算法，确保在动态环境中稳定的传感信号输出。此外，姿态解算器可以在前端过滤传感元件的随机误差(包括零点偏差、温度漂移、轴间对准误差等)，以确保信号的可靠性并保留震荡信号的高信噪比。虽然可以得到稳定的姿势信号，但在震颤运动过程中，小振幅的人类有意运动和生理性震颤也是混合在一起的。小波变换适用于非平稳信号，在信号突变、压缩重建和去噪等问题上具有良好的时频定位特性。因此，本发明方法选择sym3小波，基于软阈值函数对嘈杂的震颤信号进行两级独立分解，重建有用的病理性震颤信息。

(3)由于采集的前期和后期容易受测试准备和测试停止状态转换的影响，因此按时间轴分别剔除滤波后数据的前后C％的数据，保留按时间轴中心C％至1-C％的数据，以此实现将步骤(2)输出的滤波后含姿态分量和震颤分量的数据截取稳定信号成分；优选的，C％取值为5％。

(4)基于滤波处理后的震颤数据，进行等长的滑窗数据扩增，使震颤数据保持相同的长度，然后计算震颤数据时域幅值变化、频域峰值功率变化以及非线性熵值变化等特征；优选的，为了连续性描述震颤的变化，将滑窗移动步长设置为1s，窗口时长为4s，数据交叠率为75％。

(5)对经过滤波处理后的所有患者指定动作震颤的特征集合以适当的比例随机构建样本训练集和样本测试集；利用步骤(1)中获得的专家评分，对各段数据设置震颤严重程度的标签。

为了保证训练模型的泛化性，选择数据分割比例为4：1的五折交叉验证。

(6)构建多种机器学习算法的五分类模型，包括支持向量机、集成树模型、线性判别分析、朴素贝叶斯模型和K近邻算法，并使用优化方法寻优调参，获得分类最佳的模型。

选择贝叶斯优化算法寻得概率最优解，然后使用网格搜索进行小范围调参，训练阶段选择五折交叉验证以提高模型的泛化能力。

(7)方法的有效性验证，包括：验证上述(2)和(4)中获取的七个参数与震颤等级之间的关系以及验证基于机器学习模型构建的分类器的准确性，综合全面的性能评估指标，给出最优的分类模型。

可建立类似的数据库验证本发明方法提出的模型性能。优选地，可按照本发明步骤中规定的参数进行设置。建议设置不少于100人的年龄匹配的性别均衡的数据库(平均年龄60岁左右，半数为男性)，平均记录时长为6分钟，设置传感器采样频率为100Hz。

本发明的实施的整体流程如图2所示。

步骤(4)中，首先进行特征前处理工作：为了实现简单有效的状态识别，同时减少对穿戴位置和动作过程的依赖，对每个传感器的三轴序列分别计算信号矢量幅度(SVM)。SVM也可以从宏观角度降低每个IMU信号敏感轴的矢量运算的复杂性。具体的，用三轴加速度数据来说明数据分析和特征提取过程。a

(1)

其中a

进一步，利用特征前处理之后得到的SVM序列，分别从加速度计信号、陀螺仪信号、磁力计信号中提取静息性震颤的姿态震颤状态的时域、频域和非线性特征描述震颤严重程度，具体如下：

时域特征：运动障碍类疾病震颤在静息状态下的振幅变化较为显著，本发明方法从三通道传感信号(加速度、角速度和角度)的SVM序列中分别提取了20个可解释特征，包括时域、频域和非线性特征。特征参数的具体描述见表1。时域参数都是信号的形态学特征。其中，偏度和峰度分别为信号的三阶标准化矩和四阶标准化矩，其具体公式见式(2-3)。

其中，a

表1实验阶段各通道传感信号的特征矩阵及其定义

综上，根据表1，分别表1中的公式应用于三轴加速度信号、三轴陀螺仪信号、三轴磁力计信号，可得到60个输入特征，列举如下：

ACC_Max,ACC_Min,ACC_Mean,ACC_PeakP,ACC_Arv,ACC_Var,ACC_Std,ACC_Kurt,ACC_Skew,ACC_RMS,ACC_SF,ACC_CF,ACC_IF,ACC_LF,ACC_PwrP,ACC_PwrP_R,ACC_PrinP,ACC_SampEn,ACC_ApEn,ACC_FuzEn；

GYRO_Max,GYRO_Min,GYRO_Mean,GYRO_PeakP,GYRO_Arv,GYRO_Var,GYRO_Std,GYRO_Kurt,GYRO_Skew,GYRO_RMS,GYRO_SF,GYRO_CF,GYRO_IF,GYRO_LF,GYRO_PwrP,GYRO_PwrP_R,GYRO_PrinP,GYRO_SampEn,GYRO_ApEn,GYRO_FuzEn；

MAG_Max,MAG_Min,MAG_Mean,MAG_PeakP,MAG_Arv,MAG_Var,MAG_Std,MAG_Kurt,MAG_Skew,MAG_RMS,MAG_SF,MAG_CF,MAG_IF,MAG_LF,MAG_PwrP,MAG_PwrP_R,MAG_PrinP,MAG_SampEn,MAG_ApEn,MAG_FuzEn。

这60个输入特征，可以分为时域特征、频域特征、非线性特征。

频域特征：信号处理领域的频域分析比时域分析能获得更直观的参数特性。在发明方法中，主要通过使用基于短信号长度的频谱估计，从能量角度获得信号的频率分布。耦合状态造成的误差几乎可以忽略不计，从而提高了信噪比。功率谱密度(PSD)被广泛定义为每单位频段的信号功率，反映了频域的信号功率分布。在频域中，首先计算功率谱，然后提取主震颤频率、峰值功率和震颤稳定指数，这些都是震颤频率的特征。此外，在信号处理中，频域分析比时域分析给出更直观的参数特征。信号带内的峰值功率P

信号处理领域的频域分析比时域分析能获得更直观的参数特性。在发明方法中，主要通过使用基于短信号长度的频谱估计，从能量角度获得信号的频率分布。耦合状态造成的误差几乎可以忽略不计，从而提高了信噪比。功率谱密度(PSD)被广泛定义为每单位频段的信号功率，反映了频域的信号功率分布。表示震颤的加速度信号a

其中f

进一步从公式(6)中可以计算出功率谱密度(PSD)P

优选的，本发明方法选择Welch方法，即在对整个加速度信号a

此外，本发明方法计算峰值功率与总功率的比值，用来表示震颤发生占总记录时间的比例关系，完整的功率估计的峰值功率的百分比应该比85％更显著，从而能够确定病人是否处于震颤状态。震颤信号关于PSD估计的峰值功率如图3所示，阴影区表示主频的震颤带。

非线性特征：

本发明方法利用多种熵值度量震颤数据的复杂性。近似熵(ApEn)是一种量化时间序列数据波动的不规则性和不可预测性程度的技术。通过比较频率、有效值和ApEn对量化震颤的贡献可以发现ApEn具有最好的鉴别能力。优选的，嵌入维度选择为m＝2，相似性容忍度为r＝0.1×SD(SD为序列标准差)，ApEn被定义为

其中a

样本熵(SampEn)在计算序列自相似性概率时不包含其向量的比较，所以它不受数据长度的限制。相比之下，模糊熵提出了一个不明确的隶属度函数，提高了二元过程的相似度测量。这种模糊边界度量通过模糊熵增强了信号的复杂性，使熵的变化更加连续和平稳。表征序列复杂性的熵特征可以充分改善震颤量化模型的性能，所以本发明方法计算了这些非线性特征。

进一步，使用几种机器学习算法开发了具有运动学特征的震颤严重程度自动评分系统。集成树模型、支持向量机(SVM)、判别分析(DA)、朴素贝叶斯和k-近邻(KNN)算法。构建的支持向量机分类器使用了三个核(线性、多项式和径向基函数(RBF))。KNN分类模型使用1-11之间的奇数作为K值。使用网格搜索和贝叶斯优化算法选择每个模型的最佳全局解决方案。贝叶斯优化算法的集合函数预计每秒钟提高一次，每个模型迭代30个历时以获得最优解。对于超参数较少的模型，可以首选网格搜索方便获得最优解。具体的分类器参数设计如下表所示。

表2机器学习分类器的超参数设置

本发明定义了验证条件以保证分类模型的泛化性。

训练采用五倍交叉验证法来降低分类结果的偏差。在有限的训练集中，五倍交叉验证是最合适的验证方法，可以训练所有的类别，而不会出现过拟合的偏差。本发明方法定义了针对CRST分类的绝对误差以评估自动评分系统的性能。对于机器学习模型

其中，I(·)表示指标函数，y

进一步，本发明方法定义了分类模型性能评价方法以全名评估震颤严重程度的分类性能。优选的，本发明方法采用四个主要指标来评价心律失常检测分类结果的性能，包括准确性(ACC)、敏感性(SED)、特异性(SPEC)、精确性(PRE)和F1得分，定义如下(10-14)。

TP(true positive)表示为分类正确，把原本属于正类的样本分成正类；TN(truenegative)表示为分类正确，把原本属于负类的样本分成负类；FP(false positive)表示为分类错误，把原本属于负类的错分成了正类；FN(false negative)表示为分类错误，把原本属于正类的错分成了负类。由于F1得分对FP和FN的权重相同，所以它提供的指标比准确度的偏差要小。相比之下，接收操作特性(ROC)曲线考虑了权衡敏感性和特异性的分类阈值。曲线下面积(AUC)经常被用作数据库分布不均时的评估指标。

进一步，本发明方法通过表4展示了每个优化的机器学习方法在三个姿势性震颤任务中的分类性能。可以看出，所有算法的准确率都能保持在85.72％以上，说明分类结果与实际得分吻合度较高。但是，灵敏度和精确度的得分都很低，所以F1得分作为灵敏度和精确度的调和平均值，更能显示出同时控制风险和决策成本的能力。结合三个任务的F1得分，实验结果表明AdaBoost的性能最好，平均为93.47％。此外，AUC作为权衡敏感度和特异度的指标，在不平衡的数据集中更能体现模型的泛化能力。根据图4(a-c)中的ROC曲线可以发现，无论每个类别的基本概率如何，AdaBoost的AUC都能达到99.1％以上，与其他机器学习模型相比，性能波动较小，测试结果也比较稳定。图5(a-c)绘制了三种姿势震颤任务分类任务中的最优AdaBoost算法和混淆矩阵。可以看出，对AdaBoost模型来说，翼搏位是最具挑战性的任务。然而，除了轻度震颤CRST 1-2的灵敏度最低为83.70％和89.83％外，其他类别的指数都在90.04％以上。只有震颤等级1的臂展检测精度较差，灵敏度为85.28％、91.84％、94.30％和94.69％。

表3每个优化的机器学习方法在三个姿势性震颤任务中的分类性能。

本发明算法的实验结果表明，基于完整特征集的集成学习方法可以有效地对三种姿势性震颤的五个严重程度进行分类。此外，本发明算法使用不同的特征选择方法针对五种机器学习模型进行优化，以评估有意义的临床特征，加快算法的推理速度。表4总结了五个机器学习模型基于PCA排名器、基于方差阈值的过滤方法、基于互信息的过滤方法、Wrapper子集评估和Embedded特征子集来优化分类结果的情况。全局指标AUC和准确率显示，在所有三个姿势震颤任务的所有特征子集中，集成学习算法表现最好。PCA通过选择95％的可解释方差并将特征压缩到4个以下，使特征的数量减少了93.33％。该方法对翼搏位、手臂伸展位和对指位任务的AUC分别为0.870、0.926和0.754。虽然与其他特征选择方法相比，在性能上略有损失，但它可以大大加快模型操作的速度。

本发明算法显示了基于不同特征子集的最优的集成学习模型在三个任务中的ROC曲线(图5(d-f))。对于不同的任务，最终选择的特征和算法不同。最后，本研究通过图5(d-f)直观地展示了基于最优特征选择方法训练得到的最优合集学习方法的混淆矩阵。实验结果发现，在翼搏位任务中，基于嵌入式方式的RUSBoost的最优分类结果，共选择了16个特征参数(剔除了73.33％的特征)，五个严重程度的特异性在97.46％-99.54％之间。相比之下，在手臂伸展任务中使用基于Wrapper方法的AdaBoost模型，只选择12个特征参数，宏观F1得分可以达到94.49％。即使对于严重程度为4级的类别，其准确性、敏感性、特异性、精确性和F1得分分别为99.45％、96.32％、99.72％、96.57％和96.44％。在对指位任务中使用了基于互信息法的Bagging模型。该模型很容易将CRST 1误认为没有震颤症状，但其他类型的F1得分在93.21％-94.47％之间。

表4基于不同特征选择方法的机器学习分类器的预测性能。

本发明介绍了一种基于可穿戴设备开发的姿势性震颤的自动量化方法。该研究基于严格的实验范式，收集了被诊断为ET的患者的三项任务的姿势信号。它建立了一个数据库(包括高清视频、电子病例信息和高维姿态传感信号)，由三位神经外科医生共同独立评分。在数据分析阶段，该研究探索了SVM、KNN、NB、决策树和集合学习方法，通过贝叶斯优化和网格搜索选择最佳超参数。这些机器学习算法中的每一种都使用五折交叉法进行验证，以增强其泛化能力。此外，我们探索了使用不同特征选择方法构建的参数子集对姿势震颤任务的表征能力，并证明了所提取特征的有效性。

结合实验结果，本发明的最佳模型是集成学习模型，在翼搏位任务中使用基于Embedded方法的RUSBoost模型，在手臂伸展位任务中使用基于Wrapper方法的AdaBoost模型，以及在对指位任务中使用基于Mutual information方法的Bagging算法。三个姿势性震颤任务的准确率在97.25％-97.98％之间，AUC为0.980-0.997，分类误差概率小，这是我们所知的ET症状自动评分的最佳准确率。

该模型在预测几类时仍有较好的AUC，具有目前ET症状自动识别的最佳性能。这些结果表明，所提出的方法适用于应用标准化的实验室检测，帮助临床医生对复杂或早期的ET病例进行自动评分，以帮助决策，提高疾病管理效率。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。