买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：一种基于腕部震颤信号的帕金森检测系统及设备，本发明涉及基于腕部震颤信号的帕金森检测系统及设备。本发明的目的是为了解决现有方法对帕金森疾病的诊断准确率低的问题。系统包括：数据采集模块、数据划分模块、数据检测及修正模块、数据预处理模块、特征数据集获取模块、训练集和测试集获取模块、机器学习模块、检测模块；数据采集模块用于采集发病时腕部震颤信号和未发病时腕部正常信号；数据划分模块用于对数据采集模块采集的发病时腕部震颤信号和未发病时腕部正常信号进行数据划分；数据检测及修正模块用于对划分好的数据进行数据实时检测，实现对缺失值和异常值进行修正。本发明用于腕部震颤信号识别技术领域。

主权项：1.一种基于腕部震颤信号的帕金森检测系统，其特征在于：所述系统包括：数据采集模块、数据划分模块、数据检测及修正模块、数据预处理模块、特征数据集获取模块、训练集和测试集获取模块、机器学习模块、检测模块；所述数据采集模块用于采集发病时腕部震颤信号和未发病时腕部正常信号；所述数据划分模块用于对数据采集模块采集的发病时腕部震颤信号和未发病时腕部正常信号进行数据划分；所述数据检测及修正模块用于对划分好的数据进行数据实时检测，实现对缺失值和异常值进行修正；所述数据预处理模块用于对缺失值以及异常值修正后的数据进行滤波、合成加速度数据预处理操作；所述特征数据集获取模块用于对预处理之后的信号进行特征提取和特征降维，得到特征数据集；所述训练集和测试集获取模块用于将特征数据集划分为训练集和测试集；所述机器学习模块用于获得训练数据模型，利用K近邻算法对训练集进行机器学习训练并使用测试集进行验证，最终得到训练好的训练数据模型；所述检测模块用于将待测腕部震颤信号输入训练好的训练数据模型，对待测腕部震颤信号进行分类，若为正常信号，则继续采集腕部震颤信号；若为异常信号，则利用频率特征构建多维线性回归方程，评估帕金森发病程度；所述数据采集模块用于采集发病时腕部震颤信号和未发病时腕部正常信号；所述发病时腕部震颤信号和未发病时腕部正常信号皆由三轴加速度传感器获取，三轴加速度传感器获取的发病时腕部震颤信号和未发病时腕部正常信号皆为三轴加速度信号；所述数据划分模块用于对数据采集模块采集的发病时腕部震颤信号和未发病时腕部正常信号进行数据划分；具体过程为：计算采集的发病时腕部震颤信号的时域特征，时域特征包括帕金森发病时信号的峰值、帕金森发病时信号的过零点次数；计算采集的发病时腕部震颤信号的频域特征，频域特征包括帕金森发病时信号的主频、帕金森发病时信号的功率谱密度、能量谱密度以及由功率谱密度得到的加权功率谱密度和由功率谱密度得到的功率谱最大值；将数据采集模块采集的未发病时腕部正常信号数据划分为运动状态干扰片段和静止状态平稳片段两种状态，运动状态干扰片段和静止状态平稳片段各占比50％；所述数据检测及修正模块用于对划分好的数据进行数据实时检测，基于多重填补法以及切比雪夫不等式的基本原理，构造相关函数从而实现对缺失值和异常值进行修正；具体过程为：步骤301、在python中调取pandas库内的df.isnull函数，寻找划分好的数据中的缺失值NAN，所述缺失值NAN为划分好的数据中的第i个数据，选取缺失值前后数据，即第i-1以及第i+1个数据，将第i-1到第i+1个数据所组成的区间划分为m份，产生m个数据，将产生的m个数据分别使用贝叶斯估计得到每个数据对应的概率，取m个概率值中的最大值作为缺失值NAN的估计值；步骤302、通过3σ探测方法检测出划分好的数据中所包含的异常值，将异常值去除，按照步骤301对异常值的修正；3σ探测方法为：pX-EX|≥ε≤DXε2≈0.11其中：ε为落在均值附近的区间长度，ε＝3σ，σ为标准差，DX为标准差，DX＝σ为标准差，X为样本值，EX为样本的均值，pX-EX|≥ε为异常值出现的概率；当EX-ε≤X≤EX+ε时，X为正常值；当X＞EX+ε或X＜EX-ε时，X为异常值；所述数据预处理模块用于对缺失值以及异常值修正后的数据进行滤波、合成加速度数据预处理操作；具体过程为：步骤401、对异常值、缺失值修正之后的数据进行FA-VMD-WTD法去噪处理，得到去噪后的信号数据；所述FA-VMD-WTD法为通过萤火虫优化算法优化后的变分模态分解去噪结合小波硬阈值处理；所述FA为萤火虫算法；所述VMD为变分模态分解；所述WTD为小波硬阈值去噪；步骤402、对去噪后的信号数据进行合成加速度： 其中：Ax、Ay、Az分别为x、y、z轴去噪后的加速度信号；所述步骤401中对异常值、缺失值修正之后的数据进行FA-VMD-WTD法去噪处理，得到去噪后的信号数据；所述FA-VMD-WTD法为通过萤火虫优化算法优化后的变分模态分解去噪结合小波硬阈值处理；所述FA为萤火虫算法；所述VMD为变分模态分解；所述WTD为小波硬阈值去噪；具体过程为：步骤4011、基于萤火虫算法FA求解最优变分模态分解方法参数K和α；具体过程为：S1、设置变分模态分解VMD算法中K和α取值范围；所述K为分解目标的模态个数，α为二次惩罚因子；所述3≤K≤20；所述500≤α≤2500；S2、初始化萤火虫算法FA基本参数，分别为问题维数、群体大小、最大吸引度β0、光吸收系数、步长因子、迭代次数、以及K、α的取值范围；所述K为分解目标的模态个数，α为二次惩罚因子；所述3≤K≤20；所述500≤α≤2500；S3、随机初始化第i只萤火虫的K值以及α值作为空间内的初始位置，i＝1,2，…，25；S4、计算第i只萤火虫的适应度函数作为第i只萤火虫在t时刻的荧光素值lit，作为第i只萤火虫的最大荧光亮度I0；S5、计算群体中第i只萤火虫的相对亮度Ir和吸引度β，确定最大的Ir值，将第i只萤火虫向最大Ir值移动方向移动； 所述r表示两个萤火虫之间的距离，γ表示光强吸收系数，I0表示最大荧光亮度，Ir表示萤火虫的相对亮度，β表示吸引度，β0表示最大吸引度；S6、基于S5中β和Ir更新第i只萤火虫的空间位置，即新的K值以及α值，公式为： 所述Xit+1表示第i只萤火虫更新后的空间位置，Xit表示第i只萤火虫的空间位置，Xjt表示第j只萤火虫的空间位置，表示步长因子，rand表示[0，1]上服从均匀分布的随机因子；基于新的K值以及α值，重新执行S4得到最大荧光亮度；S7、判断是否达到设置的最大迭代次数，若是，输出最优萤火虫的亮度以及萤火虫的位置，即最优K值和α值输出最优萤火虫发光强度；若否，基于新的K值以及α值，重新执行S4-S6，直至达到最大迭代次数，输出最优萤火虫位置，即最优K值和α值；步骤4012、通过步骤4011得到的K值以及α值，对采集到的腕部震颤信号数据进行变分模态分解，并确定主导信号分量、干扰信号分量、噪声信号分量；具体过程为：在pyson中导入变分模态分解模块vmdpy，将FA算法得到的K值、α值以及采集到的腕部震颤信号导入变分模态分解模块中，得到K个分解的信号；计算每个分解信号与集到的腕部震颤信号之间的相关性，将相关性为0.5-1.0的分量作为主导信号分量、相关性为0.2-0.5的分量作为干扰信号分量、相关性为0-0.2的分量作为噪声信号分量；步骤4013、对步骤4012确定的主导信号分量、干扰信号分量、噪声信号分量进行小波去噪处理；具体过程为：对于噪声信号分量，直接舍弃；对于主导信号分量，直接保留；对于干扰信号分量，采用小波硬阈值去噪处理；步骤4014、将步骤4013进行小波去噪处理后的分量直接合成，得到去噪后的信号数据；所述特征数据集获取模块用于对FA-VMD-WTD法去除噪音之后的信号进行特征提取和特征降维，得到特征数据集；具体过程为：对FA-VMD-WTD法去除噪音之后的信号进行特征提取；采用主成分分析算法对提取的特征计算重要性，使用主成分分析法筛选出特征的重要性，通过TSNE可视化对计算完重要性的特征实现特征降维，得到特征数据集；所述检测模块用于将待测腕部震颤信号输入训练好的训练数据模型，对待测腕部震颤信号进行分类，若为正常信号，则继续采集腕部震颤信号；若为异常信号，则利用频率特征构建多维线性回归方程，评估帕金森发病程度；具体过程为：选取加权功率谱密度，主频，功率谱最大值，峰值构建四维线性回归方程，表达式为：Rank＝a1×PSDMean+a2×F0+a3×PSDMax+a4×Peak+b其中Rank为评分，a1、a2、a3、a4、b为四维线性回归方程系数，PSDMean为加权功率谱密度，F0为主频，PSDMax为功率谱最大值，Peak为峰值；所述系统还包括用药量确定模块，用药量确定模块用于确定用药量，用药量计算方式为：腕部震颤严重程度划分为无、轻度、幅度小、幅度中等、幅度大五个等级；Rank值为0、1、2、3、4；0对应的腕部震颤严重程度中的无；1对应的腕部震颤严重程度中的轻度；2对应的腕部震颤严重程度中的幅度小；3对应的腕部震颤严重程度中的幅度中等；4对应的腕部震颤严重程度中的幅度大；基于不同的Rank值以及震颤发病时间确定用药量： MTt+1＝MTt+AT-OT×ω其中DosingNt表示未发病时第t次服药的用药量，表示第i′种药品的用药量，αi′表示用药种类；其中DosingYt表示发病时第t次服药的用药量，表示第i″种药品的用药量；βi″为用药种类；MTt+1表示第t+1次的服药时间，MTt表示第t次的服药时间，AT表示服药间隔，OT表示发病时间，ω表示发病对于服药时间的影响，发病时ω＝1，不发病ω＝0。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于腕部震颤信号的帕金森检测系统及设备