基于多特征融合的早期帕金森病步態(tài)特征識別方法

本文引用格式：李一寬.基于多特征融合的早期帕金森病步態(tài)特征識別方法[J].自動化與信息工程，2024，45（1）：55-60.

LI Yikuan. Gait feature recognition method for early Parkinson's disease based on multi feature fusion[J]. Automation & Information Engineering， 2024，45（1）：55-60.

摘要：帕金森病是一種常見的神經(jīng)退行性疾病，目前尚無可治愈的手段，只有通過藥物治療來緩解發(fā)病周期。因此，針對早期帕金森病的研究具有重要意義。針對早期帕金森病步態(tài)數(shù)據(jù)較少、識別準確率較低的問題，提出一種基于多特征融合的早期帕金森病步態(tài)特征識別方法。該方法對比傳統(tǒng)的單一特征識別方法，識別準確率更高，可為早期帕金森病臨床診斷提供一種輔助手段。

關鍵詞：早期帕金森?。徊綉B(tài)數(shù)據(jù)；特征融合；分類識別

中圖分類號：TP391.41? ? ? ? ? ?文獻標志碼：A? ? ? ? ? 文章編號：1674-2605（2024）01-0009-06

DOI：10.3969/j.issn.1674-2605.2024.01.009

Gait Feature Recognition Method for Early Parkinson's Disease? ? ? ? ? Based on Multi Feature Fusion

LI Yikuan

（School of Mechanical and Vehicle Engineering， Chongqing Jiaotong University，? ? ? ? ? ? ? ? ? Chongqing 400074， China）

Abstract： Parkinson's disease is a common neurodegenerative disease， and there is currently no cure available. Only drug treatment can alleviate the onset cycle. Therefore， research on early Parkinson's disease is of great significance. Aiming at the problem of limited gait data and low recognition accuracy in early Parkinson's disease， a multi feature fusion based gait feature recognition method for early Parkinson's disease is proposed. Compared with traditional single feature recognition methods， this method has higher recognition accuracy and can provide an auxiliary method for early clinical diagnosis of Parkinson's disease.

Keywords： early Parkinson's disease; gait data; feature fusion; classification recognition

0 引言

帕金森?。≒arkinson disease， PD）是一種與年齡相關的神經(jīng)退行性疾病。據(jù)統(tǒng)計，目前全球的PD患者有700多萬人，我國的PD患者近300萬人，約占全球PD患者總數(shù)的一半[1]。根據(jù)專家預測，2030年我國的PD患者將達到500萬人[2]。

目前，臨床上針對PD的治療尚無可治愈的手段。因此，早發(fā)現(xiàn)早治療，延緩病人的發(fā)病周期顯得尤為重要[3]。PD的診斷主要采用評估量表法（H＆Y評估量表、Webster帕金森分級量表、UPDRS評估量表等）和影像學法，這兩種方法主觀性較強，對醫(yī)師個人能

力要求較高。根據(jù)調查發(fā)現(xiàn)，PD的誤診率達10%～ 50%[4]。

為提高PD診斷的高效性和可靠性，許多學者將人工智能技術應用于PD診斷。LITTLE等[5]利用音高周期熵（pitch period entropy， PPE）的聲調測量方法，提取10個聲調高度不相關的特征向量，并采用核支持向量機進行分類，實驗結果表明，該方法能夠很好地區(qū)分PD患者和健康人群。張小恒等[6]通過對PD語音數(shù)據(jù)集進行稀疏編碼，并對比傳統(tǒng)稀疏編碼和卷積稀疏編碼，證明了卷積稀疏編碼能提取更高層的數(shù)據(jù)特征，可更準確地區(qū)分PD患者與健康人群。ZHAO

等[7]通過卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡分別從語音和log-mel頻譜中學習相關特征，實現(xiàn)PD的多級分類。雖然以上方法在PD診斷中取得了一些成果，但仍存在一些棘手的問題，如病人數(shù)據(jù)涉及個人隱私和醫(yī)學倫理等問題，可采集的數(shù)據(jù)較少，導致基于數(shù)據(jù)驅動的模型識別準確率較低[8]。

為此，本文在有限數(shù)據(jù)的情況下，提出一種基于多特征融合的早期帕金森病步態(tài)特征識別方法，可從不同特征中獲得更多、更深層次的信息，提高模型的分類性能。

1 步態(tài)數(shù)據(jù)描述與特征提取

1.1 步態(tài)數(shù)據(jù)描述

本文使用來自Physionet數(shù)據(jù)庫的PD步態(tài)數(shù)據(jù)集。該數(shù)據(jù)集由3個獨立的采樣小組，分別在3種不同的測試環(huán)境（正常行走Ga，聽覺刺激行走Ju，跑步機上行走Si）中對166名受試者進行測試。在受試者的左、右足底各安裝8個壓力傳感器（force sensitive resistors， FSR），以100 Hz的采樣頻率記錄受試者足底垂直地面的反作用力（vertical ground reaction force， VGRF），采集時間約為2 min，F(xiàn)SR安裝位置如圖1所示。

166名受試者中包含73名健康人和93名PD患者，每名受試者的步態(tài)數(shù)據(jù)對應一個文件。該文件中1～16列為每個FSR記錄的VGRF值隨時間的變化，17、18列分別為左、右腳VGRF值的和。不同H＆Y等級（0級為無癥狀，等級越高PD程度越嚴重）下相關受試者的基本物理信息如表1所示。

1.2 步態(tài)數(shù)據(jù)預處理

受外界因素干擾，采集的步態(tài)數(shù)據(jù)可能存在缺失值或異常值。為了使FSR采集的VGRF數(shù)據(jù)含有節(jié)律性，先對步態(tài)數(shù)據(jù)進行預處理?？紤]到受試者在測試初期需加速，測試末期需減速，去除FSR采集的前20 s和后10 s的步態(tài)數(shù)據(jù)。以100 Hz頻率采集2 min的步態(tài)數(shù)據(jù)，截取后的單個步態(tài)數(shù)據(jù)樣本約含有9 000個樣本點?？紤]到受試者擺動時，F(xiàn)SR可能會記錄一些較小的VGRF值，因此把小于20 N的VGRF值置為0 N。《中國治療帕金森病指南（第三版）》[9]指出，H＆Y等級≤2.5為早期帕金森病患者。PD步態(tài)數(shù)據(jù)集中166個數(shù)據(jù)樣本篩選后，得到健康步態(tài)數(shù)據(jù)73個，早期PD步態(tài)數(shù)據(jù)83個（55+28），中期PD步態(tài)數(shù)據(jù)10個。

1.3 步態(tài)特征提取

步態(tài)是指人體步行時的姿態(tài)和行為特征，可以反映人體的機能，常用于臨床研究，即根據(jù)步態(tài)檢測疾病[10]。人體在正常行走的過程中，左、右腳交替輪換擺動，具有周期性和規(guī)律性。一個完整的步態(tài)運動周期定義為同側腳兩次著地的時間差，一個步態(tài)運動周期如圖2所示。

一個步態(tài)運動周期分為支撐期和擺動期，又稱為支撐相和擺動相。其中，支撐相約占整個步態(tài)運動周期的60%，擺動相約占整個步態(tài)運動周期的40%。

FSR采集的早期PD患者左、右腳VGRF時間序列如圖3所示。

圖3中：P1為右腳腳后跟開始離開地面進入單腿擺動的時間點；P2為右腳腳尖接觸地面進行單腿站立的時間點；P3為結束站立，右腳進入下一個步態(tài)運動周期的起始時間點。

根據(jù)以上描述，以右腳VGRF值為例，提取相應的特征參數(shù)：站立時間、擺動時間和步幅時間等。

站立時間，單腳與地面接觸的時間。在一個步態(tài)運動周期中，站立時間的起點位于VGRF值從0 N開始遞增的位置，終點為VGRF值下降到0 N的位置，起點與終點間隔的樣本個數(shù)為站立時間。站立時間Sa的計算公式為

（1）

擺動時間，腳與地面沒有接觸的時間。擺動時間內所有的VGRF值為0 N，即一個步態(tài)運動周期內，第一個VGRF值為0 N到最后一個VGRF值為0 N的時間差。擺動時間Sw的計算公式為

（2）

步幅時間，站立時間和擺動時間的和。步幅時間Sr的計算公式為

（3）

本文利用步態(tài)特征的變異系數(shù)，體現(xiàn)早期PD患者與健康人的步態(tài)運動周期區(qū)別。步態(tài)特征的變異系數(shù)計算公式為

（4）

式中：為步態(tài)特征參數(shù)的平均值，為步態(tài)特征參數(shù)的標準差。

2 方法

2.1 統(tǒng)計學方法

采用IBM SPSS statistics 26統(tǒng)計學軟件對步態(tài)特征進行獨立樣本T檢驗。t值的計算公式為

（5）

式中：、為2個獨立樣本的平均值，n1、n2分別為兩組樣本的總數(shù)，S1、S2分別為樣本標準差。

對兩組獨立樣本之間差異的顯著性進行統(tǒng)計學評估，根據(jù)t值利用統(tǒng)計學軟件得到的結果為P。當P<0.05時，表明兩組特征有顯著差異；當P<0.001時，表明兩組特征有極其顯著的差異；當P>0.05時，無統(tǒng)計學意義[11]。

2.2 特征融合法

特征融合是一種將多個特征或特征集合結合在一起，形成一個更強大，更具有豐富信息的特征表示方法[12]，具有提高預測性能、捕捉特征的層次信息、提高模型的泛化能力等特點?？紤]到以后的實驗可能會提取更多的參數(shù)，本文采用特征融合法中的特征拼接法，首先，將提取的特征進行歸一化處理；然后，將特征進行向量拼接，組合成特征矩陣；最后，將特征矩陣輸入分類模型進行分類識別。特征拼接法可保留原始特征的信息；幫助模型更好地捕捉特征之間的互補關系和交互影響，從而增強模型的表達能力；拼接不受特征類型的限制，具有較強的模型泛化能力。

2.3 支持向量機算法

支持向量機（support vector machine， SVM）算法[13]是一種常用的監(jiān)督學習方法，主要用于分類和回歸分析。SVM算法思想是尋找一個超平面，將不同類別的樣本分開，并且盡可能地遠離所有樣本，其表達公式為

（6）

式中：是超平面的法向量，是超平面的偏置。

本文利用SVM算法實現(xiàn)早期PD與健康人的分類，二分類SVM算法如圖4所示。

在一個二分類SVM算法中，當= +1時，則輸入被分到第一類；當= -1時，則輸入被分到第二類。

3 實驗結果與分析

3.1 步態(tài)特征分析

本文提取73名健康人和83名早期PD患者的左、右腳站立時間、擺動時間、步幅時間、變異系數(shù)等12個特征參數(shù)，如表2所示。其中CO表示健康人群，PD表示早期PD患者。

從表2可知，早期PD組與健康對照組的右腳擺動時間、左腳擺動時間、左腳步幅時間和左腳擺動時間變異系數(shù)的P值均小于0.05，說明這4個特征參數(shù)有顯著差異，可用于區(qū)分早期PD患者與健康人群。

3.2 分類結果分析

本文將右腳擺動時間、左腳擺動時間、左腳步幅時間、左腳擺動時間變異系數(shù)以及這4個特征拼接的融合特征分別制作5種特征集，每種類型特征集中包含健康人群和早期PD患者的特征參數(shù)約14 000個，并將每種特征集的80%數(shù)據(jù)作為訓練集，20%數(shù)據(jù)作為驗證集，輸入到SVM模型中進行分類，分類結果如圖5所示。

由圖5可以看出：特征拼接后的融合特征分類識別準確率最高，達到87.75%；其次是左腳擺動時間的分類識別準確率為71.59%，其余3個特征的分類識別準確率較低，表明本文方法在小樣本條件下取得了較好的識別效果，相較于傳統(tǒng)的單一特征輸入方式具有一定的優(yōu)越性。

為驗證融合特征在不同算法中的表現(xiàn)，將單一特征與融合特征的特征集輸入到樸素貝葉斯算法和K近鄰算法進行分類識別，結果如圖6、7所示。

由圖6、7可知：SVM算法對各類型特征的分類識別準確率均優(yōu)于樸素貝葉斯算法和K近鄰算法，說明SVM算法在小樣本條件下具有較高的識別準確率；融合特征的識別準確率在SVM算法、樸素貝葉斯算法和K近鄰算法中均高于單一特征的識別率，證明了本文方法的優(yōu)勢。

4 結論

本文提出一種基于多特征融合的早期帕金森病步態(tài)識別方法。首先，提取VGRF時間序列中的步態(tài)特征參數(shù)；然后，運用統(tǒng)計學方法尋找具有統(tǒng)計學意義的步態(tài)特征參數(shù)：右腳擺動時間、左腳擺動時間、左腳步幅時間、左腳擺動時間變異系數(shù)，用于區(qū)分早期PD患者與健康人群；最后，考慮到小樣本條件下早期PD識別準確率較低的問題，采用多特征融合的方法將這4個特征融合。實驗結果表明，與單一特征相比，本文方法分類識別準確率更高，可為臨床醫(yī)生診斷早期PD提供一種輔助手段。

參考文獻

[1] 劉疏影，陳彪.帕金森病流行現(xiàn)狀[J].中國現(xiàn)代神經(jīng)疾病雜志，2016，16（2）：98-101.

[2] 韓艷，張曉紅，陳彤，等.帕金森病診治現(xiàn)狀調查[J].中華保健醫(yī)學雜志，2008，10（1）：18-20.

[3] 張楊，蔣森，劉娜，等.早期帕金森病步態(tài)障礙的臨床特點及研究進展[J].醫(yī)學信息，2022，35（6）：34-36;40.

[4] MEARA J， BHOWMICK BK， HOBSON P. Accuracy of diagnosis in patients with presumed parkinson's disease[J]. Age Ageing， 1999，28（2）：99-102.

[5] LITTLE M A， MCSHARRY P E， HUNTER E J， et al. Suitability of dysphonia measurements for telemonitoring of parkinson's disease[J]. IEEE Trans Biomed Eng， 2009，56（4）： 1015.

[6] 張小恒，李勇明，王品，等.基于語音卷積稀疏遷移學習和并行優(yōu)選的帕金森病分類算法研究[J].電子與信息學報，2019，41 （7）：1641-1649.

[7] ZHAO Jianfeng， MAO Xia， CHEN Lijiang. Speech emotion recognition using deep 1D & 2D CNN LSTM networks[J]. Biomed Signal Process Control， 2019，47：312-323.

[8] 秦靜，馬雪倩，高福杰，等.基于步態(tài)分析的帕金森病輔助診斷方法綜述[J].計算機應用，2023，43（6）：1687-1695.

[9] 佚名.中國帕金森病治療指南（第三版）[J].藥學與臨床研究，2014，22（4）：290.

[10] 李哲.基于EEMD的帕金森病患者步態(tài)特征量化分級方法研究[D].長春：吉林大學，2020.

[11] 阮桂海.數(shù)據(jù)統(tǒng)計與分析：SPSS應用教程[M].北京：北京大學出版社，2005.

[12] 高媛媛.基于多特征融合和機器學習的疾病基因檢測大數(shù)據(jù)分類模型[J].微型電腦應用，2023，39（3）：25-27;39.

[13] 李福祥，王雪，張馳，等.基于邊界點的支持向量機分類算法[J].陜西理工大學學報（自然科學版），2022，38（3）：30-38.

作者簡介：

李一寬，男，1996年生，碩士研究生，主要研究方向：機器人與人工智能。E-mail： 976018472@qq.com