帕金森患者冻结步态检测技术研究

作     者：刘西华 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：赵金

授予年度：2020年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 100204[医学-神经病学] 10[医学] 

主      题：帕金森病 冻结步态 特征提取 机器学习 深度学习 

摘      要：帕金森病(Parkinson’s disease,PD)是一种常见的神经系统变性疾病。冻结步态(Freezing of gait,FoG)是对PD患者威胁最大的运动障碍,主要表现为行走中突然出现步行中断,此时患者躯体仍保持行进中向前倾斜,极易跌倒,导致伤残或死亡。因此,探索有效的FoG检测方法,是一项极为紧迫的重要课题。本文以24名PD患者为研究对象,针对数据集构建、特征提取与优化、分类算法等FoG检测的关键技术展开了深入的研究,主要的研究工作如下:本文介绍了基于可穿戴设备的PD患者运动信号采集试验方案,构建了24名PD患者7个身体部位的原始加速度数据集。本文提出了一种分阶段的特征提取方法,运用加速度分解与合成技术深入挖掘加速度信号特征,并进一步设计了二十种典型时频域特征用于表征FoG。针对该特征提取方法去冗余、降低维度的问题,本文选择了一种特征变换方法和两种特征选择方法对特征集降维,并对相关系数法和最大信息系数法两种特征选择方法进行了适应性改进。本文分别研究了基于机器学习和深度学习的FoG检测模型,基于机器学习的FoG检测模型研究中,将特征工程处理后的特征集用于训练LightGBM、支持向量机和随机森林三种分类器并测试模型效果,基于深度学习的FoG检测模型研究中,将融合卷积神经网络和长短时记忆网络的Deep Conv LSTM框架用于FoG检测问题,构建了深度神经网络分类器。本文验证了所提出模型的综合性能,讨论了滑动窗口大小、特征选择方法、分类算法、传感器部署等关键技术对FoG检测模型效果的影响。结果表明,基于机器学习的FoG检测模型具有高灵敏度、高特异性等特点,其中采用相关系数法进行特征选择、LightGBM算法进行分类的组合方式取得了准确率94.66%、F指数94.66%、AUC98.48%的最佳检测结果。