(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211294802.9 (22)申请日 2022.10.21 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 梁廷伟　陈畅　周茵　徐广良　 贾志波　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 专利代理师 岳昕 (51)Int.Cl. A61B 5/11(2006.01) A61B 5/00(2006.01) G06K 9/00(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于腕部震颤信号的帕金森检测系统 及设备 (57)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。 权利要求书4页 说明书9页 附图2页 CN 115500822 A 2022.12.23 CN 115500822 A 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。 2.根据权利要求1所述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。 3.根据权利要求2所述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 点次数等特 征； 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 等特征； 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％。 4.根据权利要求3所述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NA N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个权　利　要　求　书 1/4 页 2 CN 115500822 A 2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： p(|X‑E(X)|≥ε )≤D(X)/ ε2≈0.11 其中： ε为落在均值附近的区间长度， ε＝3σ， σ 为标准差， D(X)为标准差， D(X)＝σ 为标准 差， X为样本值， E(X)为样本的均值， p()为异常值出现的概 率； 当E(X)‑ε≤X≤E(X)+ ε 时， X为 正常值； 当X＞E(X)+ ε或X＜E(X) ‑ε 时， X为异常值。 5.根据权利要求4所述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。 6.根据权利要求5所述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；权　利　要　求　书 2/4 页 3 CN 115500822 A 3