李滕欢，嵇晓强，杨羽，李昱，郝灏

（长春理工大学 生命科学技术学院，长春 130022）

帕金森病症是一种常见的运动障碍性疾病［1-2］，患者手部通常临床有以下几种表现：手部静止性震颤、肌强直、运动迟缓、姿势障碍等［3-5］。传统手部功能评定多是依靠医生的主观评价，准确性低。已存在的评估设备价格高，不适用于居家测量。因此，研究和设计一款价格低、适用于居家测量的数据评估手套具有重要意义和临床应用价值，能有效辅助医生了解病情，为康复训练方案的制定提供了参考。

目前，关于帕金森患者手功能检测及量化的方法有很多，如评估量表、手部划线以及可穿戴装置等［6-10］。其中，评估量表及手部划线方式存在时间长、效率低、易受患者生理性噪声干扰、主观性强以及不准确等问题。可穿戴装置是目前研究的主流评估方法，2011年美国的Cleveland公司［11］研发了一种用于量化帕金森患者手部震颤的设备，但是只能识别在运动过程中的震颤程度；
2019年德国 Pogrzeba L等人［12］采用主成分回归对手的运动学特征进行分析，得出健康参考轨迹，并利用机器学习对参考轨迹分析得到手运动功能的状态，但受制约因素过多，精确性不高；
2019年日本Oña E D等人［13］制作了一个类似游戏的Box and Blocks Test系统，用于自动评估虚拟现实中手的运动功能，但该设计成本高；
2020年美国Zbytniewska M等人［14］提出了基于机器人辅助的手部感觉运动功能评估设计，但该设计依赖受试者本体感觉反馈，缺乏一定客观性。2017年南京航空航天大学赵裕沛等人［15］提出利用多传感器搭建数据融合手套，依据真实手骨进行虚拟手部建模，数据手套获取的手部姿态驱动虚拟手部模型，进行康复训练评估，但该手套采用刚性传感器且只评估了手部姿态，缺乏舒适性和全面性；
李玉榕等人［16］、Wu C C等人［17］、Lin B S等人［18］提出利用刚性传感器获取手部角度变化，但没有考虑其他手功能评估指标；
2020年台湾Yang T L等人［19］将哈希变换与回归神经网络结合，实现对帕金森震颤的类别评估，但该方式较复杂，不利于日常居家应用。

本文针对帕金森病引起的手指关节弯曲度变化、肌力受损情况及震颤程度等手部功能障碍问题，结合柔性传感器、机器学习算法以及临床上的TAM评定法、聚类分析和Lovetter评定法，提出了一款康复评估型手套，其评估结果可以为医生提供一定的康复训练指导。同时，该手套舒适性良好、成本低，满足了日常评估的便捷性需求。

本设计采用柔性传感器来减轻手部的负重和不适感，满足可穿戴设备体积小、佩戴舒适、长时间检测的需求。评估装置由主控制器、震颤传感器、弯曲传感器、肌力传感器及上位机评估软件组成，如图1所示。各路传感器输出信号送入stm32主控器中处理，再传输到pc机内储存、数据处理与评估。

图1 检测装置总体框图

图2是评估装置的实物图，其中图2（a）所示为评估手套外观图，该手套包含内外两层手套、震颤检测装置、弯曲检测装置及肌力检测装置。图2（b）所示为震颤传感器与装置主控制模块，其位于手背位置，其中震颤传感器采用mpu9150，集成度高、体积小。主控制器采用STM32F1系列单片机，实现与各传感器的信息交互与数据传输。图2（c）所示为弯曲传感器，其位于五指背部。该传感器采用Flex45，寿命长、柔韧性强，可长期使用。图2（d）所示为肌力传感器，其位于手掌位置。该传感器采用ZNS-01，超薄、耐弯折，能够实现肌力状态的数字化测量。同时，为实现评估及评估结果的可视化，设计了上位机评估软件，如图3实验过程图所示。

图2 评估手套实物图

2.1 实验方案

手功能评估实验采集了13位健康者与8位帕金森患者的数据。在采集过程中要求患者保持静坐，防止由于身体活动带来的震颤误差，实验系统实物图如图3所示。

图3 实验系统实物图

为了与PD患者的加速度、弯曲及肌力信号数据进行对比，得到患者数据与健康者数据的差异，参与实验的受试者被分为实验组和对照组，实验组包括8名PD患者，对照组包括13名健康受试者。

临床上对帕金森患者的震颤程度的评估主要通过统一帕金森评定量表（UPDRS），该表将评估分为5级（0～4分），0分为健康状态，4分表示症状最严重。本文根据UPDRS将震颤等级划分为3级：“无震颤”、“轻度震颤”和“重度震颤”。受试者需要完成UPDRS中的手部静止性震颤项目，即将双手放平不动，持续10 s。健康者无震颤症状，评估结果为“无震颤”。PD患者震颤频率在3～8 Hz之间，根据采样定理，设采样频率为100 Hz。

手部肌力状态评估最常用的是徒手肌力测评中的Lovetter评定法，其将结果分为6个等级：M0～M5，其中M0级最严重。本设计受试者在评估过程中，需完成相关指定动作，如抓握杯子、捏硬币、提起食品袋等，获取到肌力数值，再结合医学量表，完成受试者肌力状态的量化评估。

手部灵活性的评估在手部外科中最常用的是主动活动总度数（TAM）评定法，其以手指为对象，将评估结果划分为4个等级：优、良、中、差。本设计受试者在评估过程中，需完成相关指定手部动作，如U、W、ok、握拳等，获取到手指弯曲数值，再结合医学量表，实现受试者手部灵活度的量化评估。

2.2 震颤信号处理与分析

考虑到所采集的信号受到环境、机体本能性震颤等影响，需要对数据进行滤波处理。在震颤等级分类过程中本文采用了BP神经网络算法。

针对实验装置及震颤信号本身的特性，结合中值滤波与带通滤波算法，消除震颤信号频带外的系统误差、工频干扰及人体意向等噪声。其中，中值滤波的窗长为5，带通滤波的截止频率分别为3 Hz、8 Hz，原始信号如图4所示，滤波后的信号如图 5（a）、图 5（b）、图 5（c）所示。

图4 原始震颤信号

为提高震颤信号的信噪比，采用卡尔曼滤波算法，滤除频带内的随机误差。在滤除噪声的同时有效估计下一步震颤特性。

在滤波过程中，假设当下的状态是K，根据系统的模型，由上一状态而预测出当下状态X(k)，式（1）中 U(k)是 k时刻对系统的控制量，A表示系统参数，初始状态为：

经过式（1）可刷新系统结果，用P表示协方差，其中Q是系统过程的协方差，从而得到：

式（1）、（2）可得系统的预测值，再对该状态的测量值进行采集。结合预测值和测量值，可得当前状态(k)的最优估值X(k|k)，其中Kg为该滤波的增益，H=0.2为系统参数，R表示系统的噪声，初始状态默认为0，再添加随机噪声：

至此，已知当前状态下最优估值为X(k|k)。但为了使卡尔曼滤波器不断运行直至系统结束，还需不断更新X(k|k)的协方差：

其中L矩阵对于单模型单测量为1。当系统进入k+1状态时，P(k|k)就是式（2）的P(k-1|k-1)。这样保证算法可以自回归运算。三轴的合加速度滤波结果如图5（d）所示。

图5 震颤信号滤波处理

考虑到震颤具有特异性，即不同的人抖动方向不同，需在震颤识别之前对采集的数据进行时域和频域的特征提取，提高分类的准确性。提取之前对N个三轴的加速度信号进行求和运算，记为a（k），如式（6）所示，N表示采集数据的数据长度：

再提取该加速度的均方根a(rms)、对数均方根，结果如图6所示。

图6 均方根及对数均方根提取

提取震颤信号的峰值，结果如图7所示。

图7 峰峰值及对数峰峰值提取

提取标准差的目的是反映所采集信号的离散程度，其中a(σ )如式（9）所示，a(k)＇代表平均值。结果如图8所示。

图8 标准差及对数标准差提取

提取频域的主峰值pf（三轴中最大的）、震颤峰值pm（三轴分别在pf处的加速度和）。其中，a(pm)的公式如式（10）所示，结果如图9所示。

图9 频率及合频率提取

临床上大多采用医生经验对患者手部震颤状况进行判断，主观性强，准确性差。BP神经网络具有高度自适应性，本文采取BP神经网络算法将震颤分为“无震颤”、“中度”及“重度”。本文结合十折交叉法，保证了数据的充足，震颤评估过程如图10所示。

图10 震颤评估过程

实验结果表明：通过本设计的装置可以检测出震颤信号，通过BP神经网络方式可以准确划分受试者手部震颤程度，准确度为84.50%。

2.3 弯曲信号处理与分析

采集弯曲程度评估过程中，首先利用单片机对模拟量进行AD转换参数值，随后将参数值与“弯曲度-阻值表”进行对比，得到当前实际弯曲度。在实际检测过程中，还需要对所测弯曲数据进行滤波处理，使得到的弯曲数据更加准确。为了测试受试者各个手指的弯曲状况，本文设计了9种手势，分别为：五指伸直、握拳、OK、兰花指、A、W、B、U、V，如图11所示。

图11 手势划分过程

本文采用最常见的TAM法，其原理如式（11）所示，其中，MPf表示掌指关节弯曲度数；
MPe表示掌指关节受限度数；
PIPf表示近指关节弯曲度数；
PIPe表示近指关节受限度数。TAM评定表如表1所示，其等级1表示状态最差，几乎无明显的角度变化，评定结果为差；
等级4表示状态最好，能达到正常的活动范围，评定结果为优。

表1 TAM评定表

实验过程中对12位受试者（8位健康受试者，4位PD患者）进行数据采集，每一种手势各10次。再将采集值与TAM表进行对照，得出其灵活度，表2给出了健康受试者的平均结果（表中 1、2、3、4、5分别表示大拇指、食指、中指、无名指、小拇指）。结果表明：虽然传感器多次弯折后会造成较小的角度偏差，但总体上本设计结果可区分健康受试者与患者的状态，能用于手部灵活度的量化评估。

表2 手势划分结果

2.4 肌力信号处理与分析

目前，临床上对手部的肌力状态评估主要依靠医师主观评价，没有实现数字量化。本文结合传感器与K-means聚类法，实现手部肌力大小的测量，再结合Lovertter评估法（表3所示），对12名（8位健康受试者，4位PD患者）受试者手部肌力状态进行等级划分。Lovertter评估法将手部肌力状态整体分为6个等级M0～M5，M0表示当前手部肌力状态最差，几乎无明显的收缩；
M5表示状态最佳，可以实现一些阻力的对抗，如本文设计的“捏硬币”“握水杯”及“提装有不同重量的塑料袋”等。

表3 Lovetter肌力评定标准表

在聚类分析过程中，首先需要确定所划分的k值。本文将k赋值为6，记为a(k) ，（k=0,1,2,3,4,5），然后迭代使得中心点不断更新至收敛。接着，计算样本点x(i)距中心点的距离，同时完成x(i)的归类，如式（12）所示：

聚类分析法划分结果如图12所示，横坐标为120组数据样本，设置样本步长为5，纵坐标为每一个样本对应的肌力值，图中不同的颜色表示不同等级分布的区间范围。经过聚类分析后可以将采集的肌力信号进行量化，再结合现有的评估方法，可以得出患者与健康受试者存在明显的差距，如图13所示，选取12位受试者的肌力最大值作为评估时的数据（1～4表示健康受试者，5～12表示患者）。也进一步说明该装置可以用于肌力大小的检测并用于手部肌力状态的量化评估。

图12 聚类分析法划分结果

图13 患者与健康受试者信号对比

整个评估装置最终评估结果如图14所示，为处理后用户的手部震颤频率、幅度及划分出的当前震颤等级，各肌力采集极限值及评估等级（M0～M5），五指各自弯曲的极限值、手势训练完成情况及弯曲的评估等级（优、良、中、差）。

图14 上位机评估系统

本文通过在手部分别穿戴震颤传感器、弯曲传感器及肌力传感器，设计电路采集手部数据，结合BP神经网络、TAM评定法、K-means分析、Lovertter评定法等，实现了手部震颤、灵活度、肌力状况的估计。同时，本文通过Matlab与Labview的交互编程，完成上位机评估软件的设计。本文在设计过程中引入卡尔曼滤波，并与常见滤波算法相结合对震颤信号进行改善，测量的精度几乎不受生理性震颤及环境的影响，准确性高。最终实验表明，该手套可以准确实现弯曲程度、肌力状况及震颤程度等生理参数的监测与评估，为患者手部受损及康复提供有效的指导。

本文设计同时存在一些有待完善的方面。首先，硬件装置集成度不高，未来会优化传感器与手套融合工艺，并采用柔性电路板；
其次，设计中采集样本数量有限，需进一步增加数据样本数量。

猜你喜欢 肌力手部滤波 等速肌力测试技术在踝关节中的应用进展体育科技文献通报(2022年4期)2022-10-21非特异性颈痛患者肌力评定方法的研究进展按摩与康复医学(2022年1期)2022-09-27基于HP滤波与ARIMA-GARCH模型的柱塞泵泄漏量预测农业工程学报(2022年10期)2022-08-22基于改进自适应中值滤波的图像降噪方法*舰船电子工程(2022年6期)2022-08-02高通联手Ultraleap 为XR2提供手部交互解决方案中国信息化周报(2020年33期)2020-09-13厨房料理小妙招——山药去皮手不痒的窍门饮食与健康·下旬刊(2019年10期)2019-03-0928天肌力恢复，告别夏日肌肤后遗症好日子(2018年9期)2018-10-12造就美肌力 一日之际在于晨Coco薇(2017年12期)2018-01-03基于非下采样剪切波变换与引导滤波结合的遥感图像增强计算机应用(2016年10期)2017-05-12合成孔径雷达图像的最小均方误差线性最优滤波西安交通大学学报(2009年12期)2009-02-08