论文部分内容阅读
中枢神经系统疾病（CNS disorders）是一组由慢性进行性中枢神经组织退行性变性而引起的疾病总称，主要包括:帕金森病(Parkinsons disease，PD)、脑小血管病(Cerebrovascular disease，CVD)、阿尔茨海默病(Alzheimers disease，AD)、亨廷顿病(Huntingtons disease，HD)等。该组疾病是造成冻结步态、静止性震颤等运动功能损伤和认知功能损伤的主要成因之一。中枢神经系统疾病危害严重，疾病晚期常常会造成患者发生语言沟通障碍、失去生活自理能力甚至死亡。传统意义上，神经系统疾病只能够在专业的医疗机构，由经验丰富的医疗从业者利用专业的神经系统评估工具和流程复杂的运功功能与认知功能测试进行准确的诊断。但由于神经系统疾病普遍都有起病缓慢，早期症状不明显的特点，这就造成了帕金森病等神经系统疾病早期就诊率低，误诊率高的现象。 本文利用人机交互技术和设备采集检查者的肢体运动功能的深度视频，从中将检查者的运功功能进行量化，为进一步的分析和诊断提供数据支撑。随后从原始数据中提取了典型特征，并利用支持向量机、逻辑斯谛回归、随机森林、K-近邻、梯度提升树等机器学习算法进行训练，构建可以为医生提供辅助诊断建议的分类预测模型。在利用步态特征区分神经系统疾病患者和健康人群的试验中最终可以达到83.31％的准确率。最后利用数据可视化方法，将检查者的运功功能数据进行可视分析，形成一份较为完整的运功功能检查报告，方便医院进行备案和查阅。该研究方法与流程已在北京协和医院神经内科门诊进行实用化测试，并取得了较为良好的结果和评价。