李滕歡，嵇曉強，楊羽，李昱，郝灝

（長春理工大學 生命科學技術學院，長春 130022）

帕金森病癥是一種常見的運動障礙性疾?。?-2］，患者手部通常臨床有以下幾種表現(xiàn)：手部靜止性震顫、肌強直、運動遲緩、姿勢障礙等［3-5］。傳統(tǒng)手部功能評定多是依靠醫(yī)生的主觀評價，準確性低。已存在的評估設備價格高，不適用于居家測量。因此，研究和設計一款價格低、適用于居家測量的數(shù)據(jù)評估手套具有重要意義和臨床應用價值，能有效輔助醫(yī)生了解病情，為康復訓練方案的制定提供了參考。

目前，關于帕金森患者手功能檢測及量化的方法有很多，如評估量表、手部劃線以及可穿戴裝置等［6-10］。其中，評估量表及手部劃線方式存在時間長、效率低、易受患者生理性噪聲干擾、主觀性強以及不準確等問題?？纱┐餮b置是目前研究的主流評估方法，2011年美國的Cleveland公司［11］研發(fā)了一種用于量化帕金森患者手部震顫的設備，但是只能識別在運動過程中的震顫程度；2019年德國 Pogrzeba L等人［12］采用主成分回歸對手的運動學特征進行分析，得出健康參考軌跡，并利用機器學習對參考軌跡分析得到手運動功能的狀態(tài)，但受制約因素過多，精確性不高；2019年日本O?a E D等人［13］制作了一個類似游戲的Box and Blocks Test系統(tǒng)，用于自動評估虛擬現(xiàn)實中手的運動功能，但該設計成本高；2020年美國Zbytniewska M等人［14］提出了基于機器人輔助的手部感覺運動功能評估設計，但該設計依賴受試者本體感覺反饋，缺乏一定客觀性。2017年南京航空航天大學趙裕沛等人［15］提出利用多傳感器搭建數(shù)據(jù)融合手套，依據(jù)真實手骨進行虛擬手部建模，數(shù)據(jù)手套獲取的手部姿態(tài)驅動虛擬手部模型，進行康復訓練評估，但該手套采用剛性傳感器且只評估了手部姿態(tài)，缺乏舒適性和全面性；李玉榕等人［16］、Wu C C等人［17］、Lin B S等人［18］提出利用剛性傳感器獲取手部角度變化，但沒有考慮其他手功能評估指標；2020年臺灣Yang T L等人［19］將哈希變換與回歸神經(jīng)網(wǎng)絡結合，實現(xiàn)對帕金森震顫的類別評估，但該方式較復雜，不利于日常居家應用。

本文針對帕金森病引起的手指關節(jié)彎曲度變化、肌力受損情況及震顫程度等手部功能障礙問題，結合柔性傳感器、機器學習算法以及臨床上的TAM評定法、聚類分析和Lovetter評定法，提出了一款康復評估型手套，其評估結果可以為醫(yī)生提供一定的康復訓練指導。同時，該手套舒適性良好、成本低，滿足了日常評估的便捷性需求。

1 評估裝置設計

本設計采用柔性傳感器來減輕手部的負重和不適感，滿足可穿戴設備體積小、佩戴舒適、長時間檢測的需求。評估裝置由主控制器、震顫傳感器、彎曲傳感器、肌力傳感器及上位機評估軟件組成，如圖1所示。各路傳感器輸出信號送入stm32主控器中處理，再傳輸?shù)絧c機內儲存、數(shù)據(jù)處理與評估。

圖1 檢測裝置總體框圖

圖2是評估裝置的實物圖，其中圖2（a）所示為評估手套外觀圖，該手套包含內外兩層手套、震顫檢測裝置、彎曲檢測裝置及肌力檢測裝置。圖2（b）所示為震顫傳感器與裝置主控制模塊，其位于手背位置，其中震顫傳感器采用mpu9150，集成度高、體積小。主控制器采用STM32F1系列單片機，實現(xiàn)與各傳感器的信息交互與數(shù)據(jù)傳輸。圖2（c）所示為彎曲傳感器，其位于五指背部。該傳感器采用Flex45，壽命長、柔韌性強，可長期使用。圖2（d）所示為肌力傳感器，其位于手掌位置。該傳感器采用ZNS-01，超薄、耐彎折，能夠實現(xiàn)肌力狀態(tài)的數(shù)字化測量。同時，為實現(xiàn)評估及評估結果的可視化，設計了上位機評估軟件，如圖3實驗過程圖所示。

圖2 評估手套實物圖

2 信號處理與結果分析

2.1 實驗方案

手功能評估實驗采集了13位健康者與8位帕金森患者的數(shù)據(jù)。在采集過程中要求患者保持靜坐，防止由于身體活動帶來的震顫誤差，實驗系統(tǒng)實物圖如圖3所示。

圖3 實驗系統(tǒng)實物圖

為了與PD患者的加速度、彎曲及肌力信號數(shù)據(jù)進行對比，得到患者數(shù)據(jù)與健康者數(shù)據(jù)的差異，參與實驗的受試者被分為實驗組和對照組，實驗組包括8名PD患者，對照組包括13名健康受試者。

臨床上對帕金森患者的震顫程度的評估主要通過統(tǒng)一帕金森評定量表（UPDRS），該表將評估分為5級（0～4分），0分為健康狀態(tài)，4分表示癥狀最嚴重。本文根據(jù)UPDRS將震顫等級劃分為3級：“無震顫”、“輕度震顫”和“重度震顫”。受試者需要完成UPDRS中的手部靜止性震顫項目，即將雙手放平不動，持續(xù)10 s。健康者無震顫癥狀，評估結果為“無震顫”。PD患者震顫頻率在3～8 Hz之間，根據(jù)采樣定理，設采樣頻率為100 Hz。

手部肌力狀態(tài)評估最常用的是徒手肌力測評中的Lovetter評定法，其將結果分為6個等級：M0～M5，其中M0級最嚴重。本設計受試者在評估過程中，需完成相關指定動作，如抓握杯子、捏硬幣、提起食品袋等，獲取到肌力數(shù)值，再結合醫(yī)學量表，完成受試者肌力狀態(tài)的量化評估。

手部靈活性的評估在手部外科中最常用的是主動活動總度數(shù)（TAM）評定法，其以手指為對象，將評估結果劃分為4個等級：優(yōu)、良、中、差。本設計受試者在評估過程中，需完成相關指定手部動作，如U、W、ok、握拳等，獲取到手指彎曲數(shù)值，再結合醫(yī)學量表，實現(xiàn)受試者手部靈活度的量化評估。

2.2 震顫信號處理與分析

考慮到所采集的信號受到環(huán)境、機體本能性震顫等影響，需要對數(shù)據(jù)進行濾波處理。在震顫等級分類過程中本文采用了BP神經(jīng)網(wǎng)絡算法。

針對實驗裝置及震顫信號本身的特性，結合中值濾波與帶通濾波算法，消除震顫信號頻帶外的系統(tǒng)誤差、工頻干擾及人體意向等噪聲。其中，中值濾波的窗長為5，帶通濾波的截止頻率分別為3 Hz、8 Hz，原始信號如圖4所示，濾波后的信號如圖 5（a）、圖 5（b）、圖 5（c）所示。

圖4 原始震顫信號

為提高震顫信號的信噪比，采用卡爾曼濾波算法，濾除頻帶內的隨機誤差。在濾除噪聲的同時有效估計下一步震顫特性。

在濾波過程中，假設當下的狀態(tài)是K，根據(jù)系統(tǒng)的模型，由上一狀態(tài)而預測出當下狀態(tài)X(k)，式（1）中 U(k)是 k時刻對系統(tǒng)的控制量，A表示系統(tǒng)參數(shù)，初始狀態(tài)為：

經(jīng)過式（1）可刷新系統(tǒng)結果，用P表示協(xié)方差，其中Q是系統(tǒng)過程的協(xié)方差，從而得到：

式（1）、（2）可得系統(tǒng)的預測值，再對該狀態(tài)的測量值進行采集。結合預測值和測量值，可得當前狀態(tài)(k)的最優(yōu)估值X(k|k)，其中Kg為該濾波的增益，H=0.2為系統(tǒng)參數(shù)，R表示系統(tǒng)的噪聲，初始狀態(tài)默認為0，再添加隨機噪聲：

至此，已知當前狀態(tài)下最優(yōu)估值為X(k|k)。但為了使卡爾曼濾波器不斷運行直至系統(tǒng)結束，還需不斷更新X(k|k)的協(xié)方差：

其中L矩陣對于單模型單測量為1。當系統(tǒng)進入k+1狀態(tài)時，P(k|k)就是式（2）的P(k-1|k-1)。這樣保證算法可以自回歸運算。三軸的合加速度濾波結果如圖5（d）所示。

圖5 震顫信號濾波處理

考慮到震顫具有特異性，即不同的人抖動方向不同，需在震顫識別之前對采集的數(shù)據(jù)進行時域和頻域的特征提取，提高分類的準確性。提取之前對N個三軸的加速度信號進行求和運算，記為a（k），如式（6）所示，N表示采集數(shù)據(jù)的數(shù)據(jù)長度：

再提取該加速度的均方根a(rms)、對數(shù)均方根，結果如圖6所示。

圖6 均方根及對數(shù)均方根提取

提取震顫信號的峰值，結果如圖7所示。

圖7 峰峰值及對數(shù)峰峰值提取

提取標準差的目的是反映所采集信號的離散程度，其中a(σ )如式（9）所示，a(k)＇代表平均值。結果如圖8所示。

圖8 標準差及對數(shù)標準差提取

提取頻域的主峰值pf（三軸中最大的）、震顫峰值pm（三軸分別在pf處的加速度和）。其中，a(pm)的公式如式（10）所示，結果如圖9所示。

圖9 頻率及合頻率提取

臨床上大多采用醫(yī)生經(jīng)驗對患者手部震顫狀況進行判斷，主觀性強，準確性差。BP神經(jīng)網(wǎng)絡具有高度自適應性，本文采取BP神經(jīng)網(wǎng)絡算法將震顫分為“無震顫”、“中度”及“重度”。本文結合十折交叉法，保證了數(shù)據(jù)的充足，震顫評估過程如圖10所示。

圖10 震顫評估過程

實驗結果表明：通過本設計的裝置可以檢測出震顫信號，通過BP神經(jīng)網(wǎng)絡方式可以準確劃分受試者手部震顫程度，準確度為84.50%。

2.3 彎曲信號處理與分析

采集彎曲程度評估過程中，首先利用單片機對模擬量進行AD轉換參數(shù)值，隨后將參數(shù)值與“彎曲度-阻值表”進行對比，得到當前實際彎曲度。在實際檢測過程中，還需要對所測彎曲數(shù)據(jù)進行濾波處理，使得到的彎曲數(shù)據(jù)更加準確。為了測試受試者各個手指的彎曲狀況，本文設計了9種手勢，分別為：五指伸直、握拳、OK、蘭花指、A、W、B、U、V，如圖11所示。

圖11 手勢劃分過程

本文采用最常見的TAM法，其原理如式（11）所示，其中，MPf表示掌指關節(jié)彎曲度數(shù)；MPe表示掌指關節(jié)受限度數(shù)；PIPf表示近指關節(jié)彎曲度數(shù)；PIPe表示近指關節(jié)受限度數(shù)。TAM評定表如表1所示，其等級1表示狀態(tài)最差，幾乎無明顯的角度變化，評定結果為差；等級4表示狀態(tài)最好，能達到正常的活動范圍，評定結果為優(yōu)。

表1 TAM評定表

實驗過程中對12位受試者（8位健康受試者，4位PD患者）進行數(shù)據(jù)采集，每一種手勢各10次。再將采集值與TAM表進行對照，得出其靈活度，表2給出了健康受試者的平均結果（表中 1、2、3、4、5分別表示大拇指、食指、中指、無名指、小拇指）。結果表明：雖然傳感器多次彎折后會造成較小的角度偏差，但總體上本設計結果可區(qū)分健康受試者與患者的狀態(tài)，能用于手部靈活度的量化評估。

表2 手勢劃分結果

2.4 肌力信號處理與分析

目前，臨床上對手部的肌力狀態(tài)評估主要依靠醫(yī)師主觀評價，沒有實現(xiàn)數(shù)字量化。本文結合傳感器與K-means聚類法，實現(xiàn)手部肌力大小的測量，再結合Lovertter評估法（表3所示），對12名（8位健康受試者，4位PD患者）受試者手部肌力狀態(tài)進行等級劃分。Lovertter評估法將手部肌力狀態(tài)整體分為6個等級M0～M5，M0表示當前手部肌力狀態(tài)最差，幾乎無明顯的收縮；M5表示狀態(tài)最佳，可以實現(xiàn)一些阻力的對抗，如本文設計的“捏硬幣”“握水杯”及“提裝有不同重量的塑料袋”等。

表3 Lovetter肌力評定標準表

在聚類分析過程中，首先需要確定所劃分的k值。本文將k賦值為6，記為a(k) ，（k=0,1,2,3,4,5），然后迭代使得中心點不斷更新至收斂。接著，計算樣本點x(i)距中心點的距離，同時完成x(i)的歸類，如式（12）所示：

聚類分析法劃分結果如圖12所示，橫坐標為120組數(shù)據(jù)樣本，設置樣本步長為5，縱坐標為每一個樣本對應的肌力值，圖中不同的顏色表示不同等級分布的區(qū)間范圍。經(jīng)過聚類分析后可以將采集的肌力信號進行量化，再結合現(xiàn)有的評估方法，可以得出患者與健康受試者存在明顯的差距，如圖13所示，選取12位受試者的肌力最大值作為評估時的數(shù)據(jù)（1～4表示健康受試者，5～12表示患者）。也進一步說明該裝置可以用于肌力大小的檢測并用于手部肌力狀態(tài)的量化評估。

圖12 聚類分析法劃分結果

圖13 患者與健康受試者信號對比

整個評估裝置最終評估結果如圖14所示，為處理后用戶的手部震顫頻率、幅度及劃分出的當前震顫等級，各肌力采集極限值及評估等級（M0～M5），五指各自彎曲的極限值、手勢訓練完成情況及彎曲的評估等級（優(yōu)、良、中、差）。

圖14 上位機評估系統(tǒng)

3 結論

本文通過在手部分別穿戴震顫傳感器、彎曲傳感器及肌力傳感器，設計電路采集手部數(shù)據(jù)，結合BP神經(jīng)網(wǎng)絡、TAM評定法、K-means分析、Lovertter評定法等，實現(xiàn)了手部震顫、靈活度、肌力狀況的估計。同時，本文通過Matlab與Labview的交互編程，完成上位機評估軟件的設計。本文在設計過程中引入卡爾曼濾波，并與常見濾波算法相結合對震顫信號進行改善，測量的精度幾乎不受生理性震顫及環(huán)境的影響，準確性高。最終實驗表明，該手套可以準確實現(xiàn)彎曲程度、肌力狀況及震顫程度等生理參數(shù)的監(jiān)測與評估，為患者手部受損及康復提供有效的指導。

本文設計同時存在一些有待完善的方面。首先，硬件裝置集成度不高，未來會優(yōu)化傳感器與手套融合工藝，并采用柔性電路板；其次，設計中采集樣本數(shù)量有限，需進一步增加數(shù)據(jù)樣本數(shù)量。