论文部分内容阅读
帕金森病是一种常见的神经退行性疾病,死亡率低但致残率高,给患者和家人带来无尽的痛苦。目前,国内外相关人员针对帕金森病的检测方法进行了大量的研究,提出了多种检测方法并取得了一系列相关成果。其中,对于帕金森病患者病情严重程度的判断是治疗的前提,根据病情的不同,药物用量和治疗方法也存在着差别,因此,如何高效、准确的实现帕金森病患者病情的分级有着重要的研究意义。然而,在帕金森病的临床诊断中,医生们通常使用量表来实现对帕金森病患者病情的分级,主观性强且准确度不高。为此,本文基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法对帕金森病患者的步态特征进行了量化和分级研究,构建了帕金森病患者步态特征量化模型,并基于相关实验对所构建的模型进行了分级。本文的主要工作内容如下:(1)基于EEMD的帕金森病患者步态信号的分解。由于帕金森病患者运动姿态不稳的表现症状,本文以足底压力中心(Center of Pressure,COP)轨迹作为研究对象,通过独立样本T检验确定其前后方向的偏移量(COP-Y)具有显著性差异,采用EEMD算法对所有样本的COP-Y信号进行分解,得到具有真实物理意义的固有模态函数。(2)基于EEMD的步态特征的提取和选择。本文提取上述有效的固有模态函数的特征参数和能量熵,并通过显著性分析得到步态特征集。由于传统步态特征参数常常被用来进行帕金森病患者病情分级,本文以传统特征参数为对照,通过目标级别和个体差异的相关性实验,验证了基于EEMD的步态特征集与目标级别具有一定的相关性且不易受个体差异影响。(3)帕金森病患者步态特征量化分级结果确定。本文将最小冗余最大相关算法与支持向量机(Support Vector Machine,SVM)算法相结合,筛选出最佳步态特征个数,构建帕金森病患者步态特征量化模型,并采用BP神经网络、SVM算法和PSO-SVM算法对模型在帕金森病患者病情分级实验中的准确率进行对比,验证了帕金森病患者步态特征量化分级方法的有效性与可行性,可以辅助量表进行临床上帕金森病严重程度的诊断。围绕帕金森病患者步态特征量化分级的问题,本文针对帕金森病患者步态信号选择、分解,帕金森病患者步态特征提取、选择和帕金森病患者病情分级展开了深入的研究。难点在于:首先,通过对帕金森病典型运动症状的分析并结合独立样本T检验方法确定了待分解的步态信号;其次,综合考虑步态信号的特点,采用EEMD算法对其进行分解并提取步态特征。