基于多感觉融合参数的特发性震颤自动定量评估系统

沙特国王大学学报基于多感觉融合参数的马晨斌a，b，c，张鹏a，潘龙生d，李雪梅e，殷春雨e，李爱玲f，宗瑞d，李玉，Zhengbo Zhangb，张正波a北京航空航天大学生物科学与医学工程学院北京生物医学工程先进创新中心，100191北京，中国b中国人民解放军总医院医学创新研究部医学人工智能中心，100853北京c北京航空航天大学申远荣誉学院，100191北京，中国d中国人民解放军总医院第一医学中心神经外科，100853北京，中国中国人民解放军总医院第一医学中心门诊部干部门诊，100853北京f普生一心（北京）医院管理有限公司，版权所有© 2018北京市京ICP备100020号阿提奇莱因福奥文章历史记录：2022年5月8日收到2022年8月6日修订2022年8月7日接受2022年8月12日在线提供保留字：特发性震颤自动诊断多感觉融合两阶段深度学习A B S T R A C T特发性震颤（ET）是成人最常见的运动障碍之一，其早期评估和诊断对于运动障碍的疾病管理至关重要。目前，震颤的严重程度只能通过实验室检查来诊断和评估。然而，传统的神经科医生肉眼评估方法存在一定的主观因素，往往会产生一定的偏差。本研究提出了一种新的基于多模态信号的震颤严重度自动定量评估系统。具体来说，我们开发了一个两阶段的框架，进行姿势模式识别的原始数据，然后提取运动参数，为每个任务建立一个个性化的模型。此外，我们建立了一个严格的临床范式，包括121例ET患者，由神经科医生委员会进行精细评估，以建立一个高质量的数据库。模型基于深度学习网络的姿势任务分类的F1得分为99.02%，基于机器学习模型的症状得分量化范围为94.77%至99.00%。这些结果表明，所提出的框架的有效性，可以自动提供客观和准确的分数ET症状评估。版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍特发性震颤（ET）是一种常见的运动障碍，在美国约有701万例病例，占总人口的2.2%（Louis和Barthman，2014）。ET的发病率随着年龄的增长而增加，ET患者发生帕金森病的可能性是健康对照组的*通讯作者：中国人民解放军总医院医学创新研究部人工智能医学中心张）。电子邮件地址：zongrui11@126.com（R.宗），zhengbozhang@126.com（Z.张）。沙特国王大学负责同行审查儿子ET 患者通常出现运动障碍， 震颤症状随时间推移而恶化（Louis，2019）。临床诊断主要依靠神经科医生指导下的实验室检查（Shanker，2019）。根据震颤的临床评级量表（CRST）标准，要求受试者执行特定任务以证明不同设置的震颤变异性（Fernandez等人， 2019年）。多任务测试方法比病史回顾更直观，可以获得准确的症状评估。然而，传统的目视检查容易产生主观偏差，严重程度的量化主要取决于神经科医生其他诊断方式，如脑磁共振成像，可能会产生额外的医疗费用。此外，神经科医生需要根据震颤的严重程度调整治疗策略，频繁的临床诊断对有运动问题的老年患者来说是不方便的。因此，基于传感器的可穿戴诊断工具可以提供客观的信息来辅助决策，并持续地https://doi.org/10.1016/j.jksuci.2022.08.0091319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comC. Ma，P.张丽Pan等人沙特国王大学学报8285跟踪病情，有助于移动医疗和远程诊断。随着微电子和微机械加工技术的发展，一些先进的传感器可以嵌入 到 惯 性 测 量 单 元 （ IMU ） 中 ， 包 括 加 速 度 计 （ ACC ）（ Khodakarami 等 人 ， 2019; Battista 和 Romaniello ， 2020;vanBrummelen 等人，2020;San-Segundo 等人，2020; Sigcha等人， 2021）、陀螺仪（GYRO）（Pulliam等人，2017; Rovini等人 ， 2018; Kim 等 人， 2018; Butt 等 人， 2020; Locatelli 等 人，2020）和磁力计（MAG）（Pierleoni等人，2019; Mahadevan等人，2020; Ma等人，2022; Ma等人，2022年）。这些可穿戴设备可以 获 得 用 户此外， 一 些 研 究 已 经 结 合 了肌 电 描 记 术 （ EMG ）（Boroojerdi等人，2019）或肌电描记术（MMG）（Huo等人，2020）用于监测肌肉活动。 这些多感觉融合震颤评估系统可以为临床提供更全面的信号维度和更高的感测分辨率，并且在此基础上构建的算法将具有更高的置信水平（Rovini等人，2018; Butt等人，2020; Locatelli等人，2020; Mahadevan等人，2020;Hssayeni等人，2019; Lukšys等人， 2018年）。然而，尽管这些方法通过特征提取和分类器的适当组合提高了量化震颤的准确性，但仍然存在一些共同的缺点：1）实用性受限。数据处理阶段需要花费大量的时间和精力，特别是在多任务诊断中，多传感器高维数据需要经验丰富的数据科学家进行筛选，以标记不同的任务类型。2)应用场景受限。由于不同任务的关键特征存在细微差别，模型3)该算法的性能是有限的。随着多传感器融合维数的增加，模型参数的选取变得更加困难这纸提出一个自动多任务定量ET震颤严重程度的评估系统。该系统基于IMU可穿戴设备，该设备从高维多传感器融合中收集震颤信号。该过程分为两个阶段：1）姿态任务识别阶段（PTRS）通过融合时空信息和跨尺度特征，构建端到端的多尺度挤压-激励- ResNet（MSSE-ResNet），从而自动识别多个CRST姿态任务。2）严重性量化阶段（SQS）对CRST任务执行个性化建模，并设计多个机器学习模型和特征子集以评估细粒度震颤严重性。主要贡献概述如下：1) 对于PTRS算法中的姿势模式识别，我们研究了用于多类CRST任务检测的深度学习框架。多个卷积核通过不同的感受野提取具有时空信息的跨尺度特征。此外，基于注意力的多感官通道与特征图被用来进一步挖掘判别知识。2) 为了量化SQS算法中的震颤水平，我们设计了包含时间、频率和非线性的多个统计特征。然后，利用特征选择方法和机器学习算法对个性化细粒度分类算法进行优化。因此，选择最佳量化震颤算法以确保系统可以同时为所有五个CRST任务提供分数。3) 我们进行了广泛的评估研究，证明我们提出的系统可以提供准确和客观的临床评分。实验结果证明了该方法的有效性我们的代码发布于github.com/。2. 相关作品在过去的几十年里，已经提出了许多自动评估方法。这些先进的方法大多基于高精度数字传感信息，从受试者收集特定任务的数据，并设计用于自动诊断的智能算法。例如，螺旋绘图可以直接在数字板上执行，并且数字墨水可以记录诸如笔尖压力和加速度的动力学信息，用于比纸手写更准确的量化（Ma等人，2022年）。此外，ACC可以视觉地测量对象的运动状态，提供诸如适当的震颤幅度和频率的信息（ Khodakarami 等 人 ，2019;Battista和Romaniello，2020;vanBrummelen 等 人 ， 2020;San-Segundo 等 人 ， 2020;Sigcha例如，2021年）。由于成本和功耗低，微型ACC通常嵌入智 能 手 机 或 手 表 中 （ Locatelli 等 人 ， 2020; Zhan 等 人 ， 2016;Lipsmeier等人，2018;Papadopoulos等人，2019; Papadopoulos等人，2019; LoaizaDuque等人，2019年）。这种方便的格式非常适合于日常生活活动（ADL）场景，允许通过长期连续监测来实时临床跟踪震颤严重程度（San-Segundo等人，2020; Hssayeni等人，2019; Heijmans等人，2019; Pulliam等人，2014; Fisher等人，2016年; Zhang等人，2017; Zhang等人，2020年）。然而，由于需要考虑功耗/数据存储和信号质量之间的权衡，这些设备往往会获得低信号尺寸。此外，不受控制的ADL可能与大量的随机噪声混合（Papadopoulos等人，2019; Papadopoulos等人，2019年; Zhang等人，2020），使得为细粒度症状评估提供足够有用的信息具有挑战性。虽然简化的特征定义和信号维度允许更轻的监测和分析，但评估的准确性此外，相关研究已经表明，将在ADL数据集上训练的算法直接应用于实验室任务会显著降低性能（San-Segundoet al.，2020; Papadopoulos 等 人 ， 2019; Papadopoulos 等 人 ， 2019;Fisher等人，2016年; Zhang等人， 2020年）。因此，在ADL场景中获得的算法具有挑战性，难以应用于直接辅助评价实验室检查。由于实验室测试是在特殊的监督下进行的-这些测试更有可能在短期内诱发因此，用于实验室任务的自动化评估方法对于临床诊断也是高度有用的许多研究集中在可控环境中震颤障碍的鉴别诊断。例如，Rovini等人（Rovini等人，2018）设计了一种基于GRYO和MAG下肢的评估系统，用于识别PD、特发性嗅觉减退和健康人群。实验结果表明，最优随机森林分类器的平均准确率为76.7%。Locatelli等人 （Locatelli等人， 2020）记录了24名患者的实验室测试数据，以识别PD和ET患者，在五种机器学习模型中获得了78.9%至89.5%的准确率。此外，受控的检查环境更有助于评估震颤的严重程度。Kim等人 （Kim等人， 2018）提出了一种用于PD患者的震颤评分预测系统，这是一种基于腕带的系统，集成了ACC和GYRO传感器。通过快速傅里叶变换将信号转换为二维光谱图像，并送入卷积神经网络（CNN）模型，获得85%的平均准确度同样，López-Blanco et al. （López-Blanco等人， 2019）通过嵌入智能手表的GYRO量化了22名PD患者的静息震颤严重程度，总体斯皮尔曼系数为81%。Butt等人 （Butt等人， 2020）从IMU中提取了190个运动学特征，并将其输入机器学习模型，预测的严重程度的震颤的最优自适应C. Ma，P.张丽Pan等人沙特国王大学学报8286神经模糊推理系统得到的相关系数81.4%。此外，Pierleoni等人（Pierleoni等人，2019）在腕部设备中集成了MAG，以获得更准确的姿势信息，从而在量化PD震颤严重程度方面实现了高准确度，该研究专注于从40名PD患者中提取频域特征，在该数据集上获得了97.7%的准确度。尽管这些研究显示出了巨大的应用潜力，但目前的方法仍然不能涵盖实验室检查任务的全部范围。此外，由于实验室任务的可变性，这些算法通常需要在预测之前对不同姿势的受试者进行手动切片，然后分别计算每个任务中震颤的严重程度。因此，仍然需要设计智能算法来自动评估多个任务的震颤的严重性3. 方法3.1. 系统概述所提出的自动化定量评价系统分为两个阶段。图1显示了数据分析过程。在算法1和算法2中，我们简要地总结了我们的系统的两个阶段中的训练和推断阶段的算法步骤如上所述，我们将初始决策深度学习算法称为PTRS，并且突出的架构由端到端MSSE-ResNet组成（如图2（a-e）所示）。输入是原始IMU数据及其信号矢量幅度（SVM）序列（参见MSSE-ResNet由三个主要组件组成。1)通过由残余连接组成的主干提取共享的低级特征（He等人，2016）（见图2（b））。2)基于不同卷积核大小的多分支子网络用于感测震颤信号的多尺度时间特征（如图2所示）。 2（c））。3）嵌入SE模块，一种学习多感觉序列的空间特征的轻量级注意力机制（Hu等人，2018年）（见图2（d））。MSSE-ResNet模型使用Adam优化器进行优化，训练超参数设置为：学习率1 e-5，权重衰减1 e-4和批量大小64。对不同的动量进行了广泛的探索，并将最佳动量保存并用于最终的分类模型。PTRS算法获得对应于CRST任务的CRST任务，输入震颤信号。然后SQS算法可以选择细粒度的分类器进行个性化建模，以评估该任务中的震颤症状。结合图1和算法的伪代码，可以看出SQS的训练阶段经历了三种特征选择方法和六种机器学习模型，以搜索最佳分类器。此外，在保留10%的数据作为独立的测试集后，对剩余数据进行了通过这种训练方法可以减少在训练和验证集中选择数据时可能出现的任何偏差。最后，该模型将直接在测试集上评估其预测性能使用了各种特征选择方法，包括1）过滤器：基于互信息的排名。基于每个特征和标签之间的估计的互信息来过滤前N个特征。2)Wrapper：基于XGBoost的递归特征消除（RFE）每个功能都按监督学习算法，考虑到特征之间的相关性和依赖性。3)嵌入式：选择对基本模型（XGBooost）最有效的前N个特征。此外，我们选择常用的机器学习算法作为分类器，包括K-最近邻（KNN），决策树，朴素贝叶斯（NB），判别分析和集成学习算法，例如，RUSBoost、Bagging、AdaBoost等。使用随机搜索算法优化机器学习模型，该算法在给定的参数范围内随机采样参数值，然后为多个采样值选择最佳参数组合。3.2. 数据收集本研究是解放军总医院临床试验“增强型经颅MRgFUS丘脑破裂术治疗药物难治性特发性震颤的有效性和安全性研究”（ET002J）的子试验。我们以前的工作报告了这个实验（Ma等人，2022; Ma等人，2022;Ma等人，2022年）。具体地说，C. Ma，P.张丽Pan等人沙特国王大学学报8287XyzFig. 1.所提出的ET震颤严重程度的自动化多任务定量评估系统的示意图。用于多传感器信号的数据预处理的流水线包括滤波、分割、相位匹配和归一化。该过程通过两个阶段进行：1）PTRS算法构建一个端到端的MSSE-ResNet，通过融合2）SQS算法为CRST任务执行个性化建模，并设计多个机器学习模型和特征子集来评估细粒度震颤的严重程度。基于网络的问卷调查、远程筛选和医院诊断包括符合MRIg-FUS手术条件的ET患者。所有121例受试者（平均年龄：54.34 ± 11.63岁，79名男性）签署了知情同意书。九轴IMU传感器佩戴在手背上。信号通过无线传输以避免限制受试者的行动。实验室任务在经验丰富的神经科医生的指导下完成。本研究评价了静息、姿势和动作震颤的严重程度（见表1）。整个实验由CMOS相机（48 MP）记录，供专家委员会评估震颤的严重程度。具体来说，两名神经科医生根据视频独立评分，如果不一致，第三名神经科医生给出分数，从而得出一致的分数。3.3. 数据分析如图1中的流程图所示。 1，算法的两个阶段都需要对IMU原始数据进行数据预处理，而SQS算法需要额外的特征提取工作。本研究将数据预处理分为滤波和数据分割。实验获得的多感觉IMU信号包括病理性震颤、生理性震颤和随机噪声（Bhidayasiri，2005）。 我们参考先前研究中使用的降噪方法（Ma等人，2022; Ma等人， 2022）;基于软阈值的Sym 3小波用于两级分解以滤除干扰信号中的噪声。然后将降噪信号分段成固定长度的时间序列（500个样本，即，5s）使用时间滞后窗口来促进模型训练和特征提取。我们获得了包含121名ET患者的832，5719个片段，并提取了有意义的运动学特征。许多研究已经证明了SVM在模式识别和姿态检测中的有效性（San-Segundo等人 ， 2020; Ma 等 人 ， 2022; Ma 等 人 ， 2022;Hssayeni 等 人 ， 2019年）。因此，SVM被用作特征计算的基本序列。用于计算三轴传感器的SVM可以表示如下：xsvm¼qx2x2x2ð1Þ其中xx、xy和xz表示感测信号的三个相互正交的方向。对于长度为N的信号段，最终SVM序列的森索公司Is获得作为xsvm²fxsvm²i²;i² 1; 2;. . ; Ng.SQS算法提取60个可解释的特征（Ma例如，2022; Ma等人，2022），包括来自三种模态的时域、频域和非线性特征：C. Ma，P.张丽Pan等人沙特国王大学学报8288.N！N！1个=2个巴基p;日N2dft系列×dft系列ð ÞsvmN其中，Sωdftf是Sdftf的复共轭，Sdftf表示图二.姿势任务识别阶段（PTRS）框架示意图。(a)多尺度挤压和激发ResNet（MSSE-ResNet），包括输入层、嵌入层、多尺度融合层、多感觉融合层和分类输出层。（b）MSSE-ResNet的特定主干由堆叠的MSSE-ResNet块组成，输入是多模态传感的信号，最终输出对应于实验室检查任务的休息位置，翅膀拍打位置，手臂伸展，手指位置和手指对鼻子动作（c）MSSE-ResNet块的结构，融合了跨尺度信息与3、5和7的感觉场大小(d)SE-ResNet的经典设计通过将注意力机制的剩余结构与更具鉴别力和实用性的特征相结合来深化网络。（e）ResNet和CBR-3-1示意图Conv-3 - 1Batch Norm是batch normalization的缩写。ReLU表示整流线性单元激活功能。MaxPool和AvgPool分别表示最大池化和平均池化。加速度、角速度和角度。时域是震颤的视觉表示。具体地，波峰因数（CF）是用于评估电源电压的能力的常用电气指标。在这项研究中，CF被用来检测震颤信号的纯度，并被定义为瞬时峰值振幅与其均方根之比xpeak¼maxi jxsvmi j3此外，震颤的频率特性通常由变换域表示，在变换域中通常计算信号的功率谱密度（PSD）。我们通过等式定义PSD中的峰值功率（PwrP）。（四）：平方（RMS）值，如等式 (2)（3）：x cf¼x峰值=1Xx2米长ð2ÞX. FfZfpfth 1.一、SωFSfdf41/1离散傅立叶变换svm，其计算如下：¼fp-fthC. Ma，P.张丽Pan等人沙特国王大学学报8289¼X·eN¼ ð Þ¼ ð Þ表1震颤严重程度评定规则中的震颤临床评定量表（CRST）灵敏度TPTPFFNTNð8Þ专属性<$TN ≤FP≤9μF评分¼2精密度 ×Sensitivityð10Þ精密传感器其中TP是被分类为阳性和实际阳性的记录的数量。FP是被分类为正数但实际为负数的记录数FN是被归类为负但实际上是正的记录的数量计算类间的平均F1得分以评估模型的最终性能。N-14.3. PTRS评价SDFT最大值xNn¼0-i2pknð5Þ我们首先讨论了CRST任务的分类性能有关的多感觉信号和显示的结果，以往的研究发现，原发性震颤主要是由...集中在信号的主频带中（Ma等人，2022;Ma等人，2022; Jeon等人，2017年）。这些频域特征可以为震颤量化提供区分性信息此外，参考先前的研究（Ma等人，2022年;马例如，2022; Shawen等人，2020），我们还定义了一些非线性熵特征来量化感觉信号的复杂性。4. 实验结果4.1.实验装置我们提出的模型在NVIDIA RTX 2080中使用Adam优化器实现了PyTorch对于训练阶段，初始学习率为1 e-4，它以指数衰减的速率衰减。0.95. 为了证明模型测试结果的稳健性和有效性，我们在模型的评估阶段使用了五重交叉验证的结果4.2. 性能标准在这项研究中，我们进行了多任务分类任务：五级检测任务，旨在区分CRST任务和五级任务，以量化震颤的严重程度。此外，我们设计了各种实验来验证两阶段模型的准确性，鲁棒性和有效性。此外，我们采用了五个评价指标，包括准确性（ACC）、精密度（PRE）、灵敏度（SEN）、特异性（SPEC）和F1评分，来评价该方法的性能，定义如下：精度TP-100 TN6TPTNFPFN精密TP7公司简介以平均值±标准差（SD）的形式进行五重交叉验证，如表2所示。在实验结果中比较了常用的分类网络，包括1）经典网络，RegNet（Radosavovic et al.， 2020）和ResNet（He等人，2016年），2）级联网络，CNN和长短期记忆（LSTM）融合时空信息，3）改进的新模型，Attention-CNN融合注意力机制; MS-ResNet融合多尺度信息和我们提出的MSSE-ResNet。图3（a）显示了六个深度网络的受试者工作特征（ROC）曲线，可以看出我们提出的网络具有最高的分类性能。MSSE-ResNet在所有评估指标中均优于比较模型与RegNet和CNN-LSTM网络相比，该模型将F1得分提高了27.84%，19.78%。消融研究的结果表明，基于ResNet的模型的F1评分高于95.20%，准确性、灵敏度和特异性均高于98.07%（见表2）。实验通过模型参数个数和浮点运算次数来衡量算法CNN将注意力机制作为计算量最少的基本参考模型。尽管如此，它的结果是最差的，可能是由于外部网络学习能力不足相比之下，具有融合时间特征的CNN-LSTM级联模型然而，它遭受的问题不足。同时，ResNet可以在提高网络精度的同时，通过常数映射的残差结构学习更多精细化的特征实验 结果也证明了这一 结论。普通 ResNet 的 F1 得分为95.20%，而向ResNet添加多尺度融合信息，分别将精度和F1得分提高了2.14%和2.77%具体地，小规模卷积滤波器适合于提取幅度和局部信号统计，例如轻微的jit。表2深度学习方法的CRST任务分类结果（均值±标准差）。分类器参数（M）浮点运算（GMac）ACC（%）SEN（%）质量标准（%）PRE（%）F1评分（%）RegNet30.670.0496.41 ± 1.2997.55 ± 1.4671.57 ± 9.3971.71 ± 8.2371.18 ± 6.73ResNet25.350.2899.38 ± 1.2499.67 ± 0.1999.67 ± 0.2195.18 ± 1.1495.20 ± 1.33CNN-LSTM0.310.0197.50 ± 2.0398.68 ± 1.2683.35 ± 13.7780.59 ± 18.2179.24 ± 13.50关注-CNN0.040.0194.37 ± 1.8495.26 ± 3.5455.88 ± 14.3250.18 ± 15.6251.11 ± 13.72MS-ResNet40.210.4599.69 ± 0.1299.83 ± 0.1198.07 ± 0.4297.32 ± 0.6997.98 ± 0.33MSSE-ResNet（建议）41.000.4599.84 ± 0.0599.92 ± 0.0299.92 ± 0.0198.89 ± 0.1299.02 ± 0.21任务评分规则1)休息（in repose）。0无托叶2)保持姿势（翼-1拍位置，手臂伸展，手指-手指位置）。2轻度且几乎不可检测，可能间歇性发生。中等幅度，3)用动作和（手指对鼻子的动作）意图;意图3间歇发作，振幅2 cm。显著幅度和频繁发作，振幅42严重的振幅和大多数时间为发作，振幅> 4cm。1C. Ma，P.张丽Pan等人沙特国王大学学报8290图三.多个模型的受试者工作特征（ROC）曲线。(a)PTRS阶段的六个深度学习模型的ROC曲线显示了CRST任务（b-f）分别关于运动学参数的整个集合和子集的五个CRST任务任务的前两个更好分类模型的ROC曲线在序列中表示的CRST任务是：（b）休息位置，（c）翅膀拍打位置，（d）手臂伸展位置，（e）手指位置，和（f）手指到鼻子动作任务。由传感器捕获的物体，这可以帮助区分震颤任务中的不同姿势。大规模卷积滤波器具有更广阔的感受野。它们在编码其他波之间的间隔信息和形态学特征（例如静息和动作震颤之间的显著差异）方面更有优势。所有这些特征对于IMU时间序列的粗粒度分类是必不可少的.例如，加速度计在运动震颤中的典型行为是在震颤的波谷标准中具有高频抖动的大的、宽间隔的周期性波形。我们提出的方法进一步将SE模块添加到MS-ResNet中，该模块通过关注不同通道之间的关系来自动分配特征图的权重。这种自适应注意机制使F1分数增加了1.04%，尽管增加了0.79 M参数，但没有增加计算。这些结果都表明了我们提出的模型的有效性，MSSE-ResNet具有最高的分类性能的五个CRST任务的特点是IMU震颤信号，而没有任何显着增加模型的复杂性。图4（a）中的混淆矩阵提供了对MSSE-ResNet预测性能的可以发现，只有0.85%的手臂伸展位置容易被误分类为翅膀拍打位置。这两个动作都是水平抬臂，因此可能会混淆。此外，手指的位置很容易与手指对鼻子的动作混淆，可能是因为严重震颤的患者可能会经历剧烈的震动，手指抬起时。这导致模型假设动作震颤发生错误。最后，图5显示了五个实验室测试任务的分类可视化。通过T-分布随机邻域嵌入（t-SNE）对不同时期下MSSE-ResNet模型中代表层的特征进行降维.实验结果表明，该模型收敛速度快，经过100个epoch后，可以区分5个实验室检测任务。此外，它可以在200个时期后在手指-手指位置和手指-鼻子动作任务之间进行验证。4.4. SQS评价在使用PTRS中的震颤信号获得CRST任务之后，需要使用融合的多模态运动学参数在SQS中构建其他分类器以对其震颤严重性进行细粒度量化。在本研究中，选择了机器学习分类器，这些经典模型具有良好的理论基础，并且比深度学习方法更具可解释性，有助于临床医生在这项研究中，使用完整的特征集的分类器进行优化，并选择最有效的机器学习算法来评估分类器表3显示了五个不同CRST任务的个性化建模结果结果表明，最适合严重程度的模型C. Ma，P.张丽Pan等人沙特国王大学学报8291图四、最优分类模型的混淆矩阵（a）PTRS算法中MSSE-ResNet的ROC曲线表示CRST任务对多感觉融合信号的分类结果（b-f）五个CRST任务的最佳机器学习模型的ROC曲线CRST任务和分类器按顺序表示为：(b)休息位置与full-set-AdaBoost，（c）翼拍位置与full-set-AdaBoost，（d）手臂伸展位置与mutual-info-KNN，（e）手指-手指位置与嵌入-KNN，和（f）手指到鼻子动作任务与mutual-info-KNN。震颤症状主要是KNN和集成算法，每个任务的最佳F1分数范围为92.26%至97.18%。特别是，KNN和集成算法之间的性能差异仅为1.15%和0.67%的姿势震颤任务与翅膀拍和手臂伸展位置。然而，判别分析和NB算法的拟合较弱，并且F1得分难以达到67.22%以上。此外，基于分离超平面原理的支持向量分类器（SVC）算法在高维特征集（具有60个特征）上的性能不是很好。核函数映射维度可能太高，导致巨大的计算工作量。然而，它可能在较小的特征子集上具有更好的分类潜力。为了进一步优化特征集并证明运动学参数的有效性，我们使用标准特征选择方法设计了四个特征子集此外，我们专注于进一步优化上述模型的子集。表4中的实验结果显示了CRST任务中最佳分类器的F1分数，每个任务中的前两个用粗体表示，最佳用粗体表示，并带有水平线。此外，我们在表4中给出了执行Friedman统计检验和事后Nemenyi检验的结果，表明大多数特征选择算法的性能在实验结果表明，集成算法在翅膀拍打位置上的分类性能优于其他分类器，同样，KNN在动作任务上的分类性能优于其他分类器这表明，不可替代的模型具有最佳的能力，以量化的震颤的严重程度上的一个特定的子集的功能。然而，在其他任务中的集成和KNN或树分类器显示出类似的结果。值得注意的是，SVC算法在这两方面都优于决策树算法。手臂伸展位置和手指到鼻子的动作任务。然而，后者在静息震颤症状的细粒度分类中实现了最佳性能。为了直观地比较不同特征集下最优模型的性能差距，图。图3（b-f）分别总结了在五个CRST任务下，对于整个特征集和特征子集，前两个模型的ROC曲线。实验结果表明，特征子集有丢失一些有用信息的风险，例如，具有两个特征集的最优模型具有1.8%的对于通过休息翼拍位置震颤评估的任务，曲线下面积（AUC）分别降低1.8%然而，在通过手臂伸展、手指-手指位置和动作震颤评估的任务中，AUC提高了2.0%、4.9%和3.9%。结果表明，不同的机器学习分类器可能更适合特定的特征子集。因此，模型和特征选择的结合可以在提高算法效率的同时提高分类性能。如果在部署环境中考虑计算速度和训练成本，我们推荐性能相近的KNN算法。其风险较低过拟合和较低的存储消耗相对于集成模型，使其更适合部署在移动检测平台上。在上述实验之后，我们总结了应用于SQS算法的推理阶段的最佳模型的详细性能指标，并在表5中列出了用于最终筛选的引人注目的特征。从这些CRST任务中筛选的特征子集表明，三个感测通道的运动学参数有效地量化了震颤的严重程度。例如，在手臂伸展位置任务中，仅使用KNN模型26.67%的完整功能，导致F1分数从96.88%至99.00%。此外，对于所有CRST任务，波形时间C. Ma，P.张丽Pan等人沙特国王大学学报8292图五、五个实验室测试任务分类可视化的功能，从提出的MSSE-ResNet模型中的代表层在不同的时代。T分布随机邻域嵌入（t-SNE）用于对有区分意义的深度特征进行降维分析。(a-f)分别表示在0、100、200、300、400和500个时期的降维结果。结果表明，所提出的模型在100个epoch后基本收敛。表3CRST任务分类结果来自优化的机器学习模型。CRST任务模型最优超参数ACC（%）SEN（%）质量标准（%）PRE（%）F1评分（%）静止位置SVC高斯核函数;一对一92.8874.8592.4182.5578.33KNN2-邻域;汉明;等距权95.5890.9795.0892.6491.77合奏AdaBoost; 311个估计器; 0.9807学习率97.5495.2497.2996.8096.00判别直线型85.6957.9892.0158.3154.17树最大偏差减少; 582拆分数97.1794.0397.0395.0194.51NB高斯核函数91.9571.2793.2164.5267.22拍翅姿势SVC高斯核函数;一对一92.0973.7294.7078.4375.53KNN2-邻域;汉明;反距离权重98.6396.5999.0995.5596.03合奏AdaBoost; 447个估计器; 0.8818学习率99.0796.5399.3697.8897.18判别直线型85.1157.2991.2356.5259.27树最大偏差减少; 486拆分数96.9391.4997.9791.4591.46NB高斯核函数87.0966.9491.7363.4963.35臂延伸部SVC高斯核函数;一对一94.4783.6196.3285.6784.55KNN2-邻域; Jaccard;反距离权重98.4296.2598.9396.2096.21合奏装袋法; 497个估计量; 11个预测样本98.8096.5699.1997.2396.88判别直线型84.3252.0489.0657.2751.73树最大偏差减少; 650拆分数97.0792.4098.0692.3792.38NB高斯核函数86.3669.2491.5263.5163.70指-指位置SVC高斯核函数;一对一91.1564.3793.8871.0266.41KNN2-邻域;汉明;平方距离权重98.6693.8999.1191.0192.26合奏AdaBoost; 461个估计器; 0.8875学习率98.9189.1799.2790.4589.78判别直线型82.9445.6787.8650.5644.29树最大偏差减少; 586拆分数96.4383.4897.5783.5683.52NB高斯核函数82.3049.4288.2457.4949.75指对鼻动作SVC高斯核函数; One-vs-All95.3087.4897.0687.8387.63KNN1-邻域;汉明;平方距离权重98.1195.0798.8394.9294.99合奏装袋法; 484个估计量; 8个预测样本96.4590.7797.7890.8790.80判别直线型83.6958.3389.8858.7058.04树最大偏差减少; 843拆分数90.1374.5393.8374.5674.53NB高斯核函数83.6958.3389.8858.7058.04C. Ma，P.张丽Pan等人沙特国王大学学报表82938293基于不同特征子集的细粒度分类器的性能。CRST任务分类器特征选择方法的结果（F1得分± SD）滤波方差互动资讯包装器嵌入式静止位置SVC76.51 ± 3.1779.25 ± 3.2580.27 ± 2.9382.36 ± 2.32 *拍翅姿势KNN围树SVC84.78 ± 1.0990.41 ± 1.5888.93 ± 1.0574.29 ± 4.3586.29 ± 1.84 *89.65 ± 1.2391.21 ± 1.19 *75.67 ± 4.2790.41 ± 1.33*#92.53 ± 0.79*#93.15 ± 1.98*#73.22 ± 4.5192.27 ± 0.93*#y91.09 ± 1.07#y94.42 ± 1.22*#89.11 ± 3.91*#年臂延伸部指-指位置指对鼻动作KNN合奏树 型SVCKNN围树SVCKNN围树SVCKNN围树77.67 ± 1.6397.07 ± 0.8789.28 ± 2.6979.63 ± 3.1280.40 ± 1.0894.17 ± 1.2781.25 ± 1.5265.14 ± 4.2188.28 ± 1.6589.82 ± 1.2882.12 ± 1.2786.65 ± 2.6285.62 ± 1.8489.77 ± 1.2775.26 ± 1.6894.21 ± 1.74 *96.41 ± 0.55 *92.35 ± 1.33 *82.11 ± 2.9899.00 ± 0.93*93.54 ± 1.2283.63 ± 1.27 *66.57 ± 3.5689.62 ± 1.8487.39 ± 1.35 *81.28 ± 1.8886.23 ± 1.7795.68 ± 1.0488.28 ± 1.95 *85.24 ± 2.1193.80 ± 1.25 *96.82 ± 1.28*#93.12 ± 0.97*#86.97 ± 1.68*#97.52 ± 1.45*#98.33 ± 0.88*#87.44 ± 1.33*#71.28 ± 3.83*#91.37 ± 1.22*#92.25 ± 1.62*#89.36 ± 1.57*#83.25 ± 2.41*#90.10 ± 1.25*#91.25 ± 0.94*#80.13 ± 1.72*#93.33 ± 1.58 *93.17 ± 1.03*#y91.28 ± 2.0294.12 ± 1.77*#y97.41 ± 1.43*#96.94 ± 0.76*#y89.32 ± 1.05*#y74.09 ± 2.97*#94.77 ± 1.13*#y91.88 ± 0.51*#90.02 ± 1.37*#89.29 ± 1.95*#y95.23 ± 1.37*#y91.59 ± 0.46*#79.58 ± 1.69*#注意，*p 0.05表示与过滤方差的差异，#p 0.05表示与互信息的差异，yp 0