申请/专利权人：中国科学院合肥物质科学研究院

申请日：2020-12-31

公开（公告）日：2024-04-05

公开（公告）号：CN112617807B

主分类号：A61B5/103

分类号：A61B5/103;A61B5/11;A61B5/00;G06F18/2431;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本发明提供了一种预防和解除帕金森病患者冻结步态的装置及方法，所述装置包括加速度传感器、足底压力传感器、移动终端、振动节点和振动力敏鞋垫；所述方法包括构建冻结步态预测检测模型的方法和基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法。通过放置在所述振动力敏鞋垫上的足底压力传感器实时监测患者的运动模式，基于加速度信号训练和验证不同运动模式的冻结步态预测检测模型，在冻结步态即将发生前快速做出预测，在冻结步态已经发生时准确做出检测判断。结合放置于所述振动力敏鞋垫上的振动节点提供有节奏的触觉提示，阻断患者步态进一步恶化，帮助患者恢复正常行走的能力。

主权项：1.一种预防和解除帕金森病患者冻结步态的装置的实现方法，基于一种预防和解除帕金森病患者冻结步态的装置，其特征在于，该预防和解除帕金森病患者冻结步态的装置包括加速度传感器、足底压力传感器、振动节点、移动终端和振动力敏鞋垫，其中：所述加速度传感器放置在脚踝外侧；所述足底压力传感器布置在所述振动力敏鞋垫的前脚掌、足中外侧和足跟区域；所述振动节点布置在所述振动力敏鞋垫足中内侧区域；所述加速度传感器和所述足底压力传感器采集患者运动时的加速度信号和足底压力信号，并将所述加速度信号和足底压力信号通过蓝牙实时无线的传输至所述移动终端；所述移动终端接收所述加速度信号和足底压力信号，通过对所述加速度信号和足底压力信号加窗分割提取信号特征和识别患者的运动模式，基于患者的运动模式和加速度信号的特征判别患者是否将要发生冻结步态pre-FOG或正在发生冻结步态FOG，若判别结果为pre-FOG或FOG，所述移动终端通过蓝牙控制所述振动节点有节奏的振动，帮助患者调整步态，从而防止冻结步态的发生或尽快解除冻结步态；该预防和解除帕金森病患者冻结步态的装置的实现方法包括如下步骤：步骤一、构建冻结步态预测检测模型的方法；步骤二、基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法，其中构建冻结步态预测检测模型仅执行一次；所述的构建冻结步态预测检测模型的方法用于构建冻结步态预测检测模型，所述冻结步态预测检测模型包括两种运动模式冻结步态预测检测模型：行走模式的冻结步态预测检测模型和等待起步模式的冻结步态预测检测模型；根据足底压力数据提取的特征识别患者的运动模式；分别定义和标记两种运动模式的pre-FOG标签；计算加速度数据的特征矩阵并分别训练和验证两种运动模式的冻结步态预测检测模型；具体包括以下步骤：步骤S101，患者运动数据的采集：记录患者体重；使用所述加速度传感器、足底压力传感器同步获取患者运动时左右脚踝处的加速度数据和前脚掌、足中外侧、足跟区域的足底压力数据，并根据实验录像标记患者运动中冻结步态的开始和结束时间点，作为FOG标签；所述加速度传感器和足底压力传感器的采样频率大于30Hz；步骤S102，数据预处理：使用四西格玛定律查找加速度数据中的离群值点，并使用中值定理替换离群值点；步骤S103，数据加窗分割：使用长度为2秒、步长为0.5秒的滑动窗口分割步骤S102预处理后的加速度数据和步骤S101采集的足底压力数据，得到加速度数据片段和足底压力数据片段；步骤S104，数据的特征提取：包括足底压力数据特征提取和加速度数据特征提取；其中，计算所有足底压力数据片段的特征，包括总足底压力均值、左脚总足底压力等于零的次数和右脚总足底压力等于零的次数；计算所有加速度数据片段的特征，并构建加速度特征矩阵AFM；步骤S105，患者运动模式识别：根据患者体重设定患者运动时总足底压力均值的阈值，若步骤S104计算的总足底压力均值低于阈值，则判定患者处于离地姿势；设定步骤S103中所述的滑动窗口对应的时间长度内患者左脚抬脚总次数的阈值和右脚抬脚总次数的阈值，若步骤104计算的患者左脚总压力等于零的次数小于左脚抬脚总次数的阈值且右脚总压力等于零的次数小于右脚抬脚总次数的阈值，则判定患者处于站立姿势；离地姿势和站立姿势的运动模式均称为等待起步模式，其他所有运动模式都称为行走模式；步骤S106-1，行走模式的FOG、pre-FOG和正常状态no-FOG的标注：计算每个加速度数据片段的冻结指数，记为FI；6个相邻的加速度数据片段为pre-FOG标注依赖组，其中，前3个相邻的加速度数据片段为前组，后3个相邻的加速度数据片段为后组，每个加速度数据片段的pre-FOG标签由以这个加速度数据片段为最后一个片段的pre-FOG标注依赖组的特征来标记；计算每组加速度数据片段的冻结指数的均值，记为FI_mean；以前组和后组间FI_mean的差异，进行行走模式pre-FOG的定义和标定，具体如下：计算pre-FOG标注依赖组的FI差异性:FI_diff=FI_meangroup1FI_meangroup2,其中，FI_meangroup1和FI_meangroup2分别代表前组和后组的FI_mean；设定pre-FOG的阈值；pre-FOG的起止窗口标记为：FOG之前的首个FI_diff高于阈值的加速度数据片段开始到标记为FOG的加速度数据片段为止，pre-FOG标注为1；FOG标注为2；其余非FOG且非pre-FOG的行走模式的加速度数据片段标注为no-FOG，记为3；构建行走模式对应的加速度数据片段的标签矩阵：行走标签矩阵WLM；步骤S107-1,行走模式的冻结步态预测检测模型训练和验证：将标注好pre-FOG、FOG和no-FOG的标签矩阵WLM分为训练集和测试集，进行行走模式的冻结步态预测检测模型的搭建和验证；步骤S106-2，等待起步模式的FOG、pre-FOG和no-FOG的标注：pre-FOG的起止标记为：FOG之前的4个加速度数据片段；等待起步模式的pre-FOG标注为1、FOG标注为2、其余非FOG且非pre-FOG的等待起步模式的加速度数据片段标注为no-FOG，记为3；构建等待起步模式对应的加速度数据片段的标签矩阵：等待起步标签矩阵SWLM；步骤S107-2,等待起步模式的冻结步态预测检测模型训练和验证：将标注好pre-FOG、FOG和no-FOG的标签矩阵SWLM分为训练集和测试集，进行等待起步模式的冻结步态预测检测模型的搭建和验证；步骤S108，将训练好冻结步态预测检测模型移植到终端；所述的基于冻结步态预测检测模型预防和解除帕金森病患者冻结步态的方法利用冻结步态预测检测模型实现，所述冻结步态预测检测模型包括两种：行走模式的冻结步态预测检测模型和等待起步模式的冻结步态预测检测模型；根据足底压力数据提取的特征识别患者的运动模式；使用与运动模式相匹配的加速度数据特征矩阵和冻结步态预测检测模型识别患者当前是否将要发作冻结步态pre-FOG或正在发作冻结步态FOG，进而通过振动节点给与干预提示，以预防或解除冻结步态；具体包括以下步骤：步骤S201，穿戴并启动设备：患者穿戴设备并启动加速度传感器、振动节点和足底压力传感器；启动移动终端并与加速度传感器、振动节点和足底压力传感器建立蓝牙通信；在移动终端记录患者体重；步骤S202,加速度传感器和足底压力传感器通过蓝牙同步，并实时发送加速度数据和足压数据至移动终端；步骤S203，数据预处理：按照步骤S102所述的方法对加速度数据进行预处理；步骤S204，数据加窗分割：按照步骤S103所述的方法实时分割数据得到加速度数据片段和足底压力数据片段；步骤S205，数据的特征提取：按照步骤S104所述的特征，计算当前足底压力数据片段的特征和加速度数据片段的特征；步骤S206，患者运动模式识别：按照步骤S105所述的方法判断患者当前的运动模式；若运动模式为行走模式，则执行步骤S207-1，否则执行步骤S207-2；步骤S207-1,基于行走模式的冻结步态预测检测模型分类：使用步骤S107-1训练好的行走模式的冻结步态预测检测模型判别当前加速度数片段的标签；步骤S207-2,基于等待起步模式的冻结步态预测检测模型分类：使用步骤S107-2训练好的等待起步模式的冻结步态预测检测模型判别当前加速度数片段的标签；步骤S208,判别是否需要干预：若步骤S207-1或步骤S207-2判别的标签为pre-FOG或FOG，则需要干预，否则不需要干预；步骤S209，移动终端通过蓝牙控制振动器有节奏的振动，防止步态进一步恶化或帮助患者尽快解除冻结步态；步骤S210，移动终端根据用户手动操作判断是否需要停止冻结步态监测，若继续监测冻结步态，则跳转到步骤S204；否则停止冻结步态监测；所述的构建冻结步态预测检测模型的方法步骤S106-1中，所有的加速度数据特征包括冻结指数FI、均方根RMS、标准差SD、信号熵ENTR、变异性、不对称系数、主频能量、主频信号熵、频率范围1、频率范围2，所述特征矩阵AFM为十维矩阵；所述的构建冻结步态预测检测模型的方法在步骤S107-1和步骤S107-2中，所述冻结步态预测检测模型使用RUSBoost集成分类器，使用弱分类器为随机森林；在训练弱分类器之前，使用随机欠采样的方法抽取训练集数据，用于弱分类器训练；训练时更新弱分类器的内部参数，所述内部参数包括弱分类器的权重和偏置；所述的构建冻结步态预测检测模型的方法在步骤S107-1和步骤S107-2中，验证冻结步态预测检测模型效果的方法为：对于所有行走模式测试集数据片段，行走标签矩阵WLM与每个行走模式的数据片段都有一一对应的pre-FOG、FOG或no-FOG的真实标签，从而得到真实标签序列矩阵y1；行走模式的冻结步态预测检测模型能够给出每个行走模式的数据片段的预测标签，从而得到预测标签序列矩阵y2；将真实标签序列矩阵y1与预测标签序列矩阵y2对比，对行走模式的冻结步态预测检测模型进行验证；对于所有等待起步模式测试集数据片段，等待起步标签矩阵SWLM与每个等待起步模式的数据片段都有一一对应的pre-FOG、FOG或no-FOG的真实标签，从而得到真实标签序列矩阵sy1；等待起步模式的冻结步态预测检测模型能够给出每个等待起步模式的数据片段的预测标签，从而得到预测标签序列矩阵sy2；将真实标签序列矩阵sy1与预测标签序列矩阵sy2对比，对等待起步模式的冻结步态预测检测模型进行验证。

全文数据：

权利要求：

百度查询： 中国科学院合肥物质科学研究院 一种预防和解除帕金森病患者冻结步态的装置和方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD