93 - 98 頁 pp. 93 – 98
سܛͩাېᑭീր
ᛂ࡚൞
1,*ౘݡᄹ
1ӓ؟
1ၡ ࢋ
研究以智慧型手機為平台，使用 Android studio 設計帕金森氏症的徵狀檢測系統，其中包含三種測試， 分別是帕金森氏症問卷調查、手部顫抖測試、步態測 試，提供使用者初步的建議。測試的方法主要是利用 手機中的感測器來收集使用者在測試中產生的數據， 並利用該數據進行分析，進而判斷使用者是否有罹患 帕金森氏症的可能性，以提供預警的目的。ᙯᔣෟ：帕金森氏症、Unified Parkinson’s disease rating
scale (UPDRS)、重力感測器、陀螺儀感測器
˘ă݈֏
帕金森氏症是一種慢性神經退化性疾病，主要影 響運動神經系統，常發生在老年人身上，這種疾病的 症狀包括非自主性的四肢搖晃，通常開始發生於手部。 目前臨床診斷帕金森氏患者在大約 60%的黑質區的 多巴胺神經元退化後，會造成運動功能障礙，四個 主要的症狀為靜止性震顫、運動遲緩、肌肉僵硬和 體位不穩。初期的不自主顫抖因為症狀不明顯而常 被人忽略，這使許多人錯失早期發現的機會，為了解 決這個問題，我們希望以大眾最常使用的智慧型手機 作為平台，設計手機程式，提供使用者初步的評估工 具。˟ă̍үࣧந
2-1 ˘سܛͩাณܑĞUPDRSğ宏恩亞爾分級表（Hoehn and Yahr scale）是較舊 的評估量表，它將帕金森氏症病情大致上分為五個階 段，而 UPDRS（統一帕金森氏症量表）則包含四大 部份的評估，第一部分為智能、行為、情緒，第二部 份：日常生活能力，第三部份：動作能力之檢查，第 四部份為治療之併發症。所以 UPDRS 更能有效的紀 錄日常活動與非動作性的症狀，UDPRS 目前最常被 臨床醫師或研究者使用，來紀錄與追蹤病患的病情， 後來也有專業團隊發展出新版的 MDS-UPDRS 量表， 更詳細記錄病情，但同時需要醫生或研究者和病患一 同進行。 本專題採用的 UPDRS 是來自於台灣動作障礙協 會[1]，將 UPDRS 以問卷的方式呈現於手機上，並將 結果存至 Android SQLite 資料庫，以供使用者參考或 醫療團隊日後的追蹤治療。 2-2 Վၗᑭീ 帕金森氏症患者（Parkinson’s Disease，PD）的步 態特徵有彎腰姿勢，步行猶豫，步態慢，步距短，手 臂擺動減少等。在文獻[2]中，作者利用壓力感測器， 提取了步幅時間、頻率、速度、姿態持續時間、擺動 持續時間和擺動/站立比等時間參數，找出最佳特徵 值，以提供 PD 與健康對照科目的給定對象之間的最 佳區別。在本研究中我們採用手機的重力感測器，無 1 亞東技術學院通訊系 * 通訊作者：蘇美琳 E-mail：[email protected]
須再另外配置外部感測器，使用者只要將手機放入褲 袋中行走，程式便能判斷步態以提供醫生所需的資訊。 步 態 判 斷 原 理 ： 利 用 智 慧 型 手 機 開 發 軟 體 Android studio 做程式設計，利用手機內部重力加速 度感測元件以每秒 50 取樣點來撷取訊號，每一步伐 會產生一個弦波，作為步態判斷之依據。 中值濾波器：在手機內部重力加速度偵測變化時， 會偵測到許多外部雜訊，如手機晃動等等…如圖 1(a)， 為了解決這問題，我們先以 Matlab 軟體各式濾波器 進行處理，最後採用 15 點的中值濾波器效果最佳， 如圖 1(b)，因此將手機程式就將偵測的訊號採用 15 點中值濾波器之後，求得較精準的計算步數。 ဦ 1(a) Տࡋפᇹ 50 ᕇĂࣧؕگԛ ဦ 1(b) 15 ᕇ̚ࣃᕭگጡநԆگԛ 計算步態參數：利用檢測到的步態波形，計算走 路速度、走路頻率、跨步距離及走路的站立期、擺動 期的比例，以這些參數來判斷患有帕金森氏症的機率。 2-3 ͘ొዩᝫតᇴ̶ژ 典型的帕金森氏病症病患，會有靜止性顫抖症狀， 在休息時手部會發生顫抖，而且是有規律性，依病情 析，來辨識病情。 在本研究實驗中利用手機的陀螺儀，偵測手部顫 抖程度。測試者握住手機，分別採取靜止模式（Rest
Mode）如圖 2(a)、姿勢模式（Postural Mode）如圖 2(b)，
每秒獲得 40 筆三軸數據，此實驗數據單位是角度/秒 （degree/s），每次實驗進行十秒鐘，將所有的數據傳 至電腦，我們模擬健康和帕金森氏症病患進行測試， 利用 Matlab 軟體對所測得訊號計算平均值、標準差 及熵值分析，最後採用變數分析方法（參考圖 9，10）， 並將結果呈現於手機。 ဦ 2(a) ᐖͤሀё ဦ 2(b) ݻ๕ሀё
ˬă၁រ͞ڱᄃඕڍ
3-1 ၁រ̍ 智慧型手機：SONY Z3 手機開發軟體：Android Studio 實驗數據分析軟體：Matlab 統一帕金森氏症量表（UPDRS） 3-2 ၁រ͞ڱ 我們徵求志願者，藉由觀摩帕金森氏患者的症狀， 進行健康者和模擬帕金森氏患者的症狀測試，測試項 目包括 UPDRS 量表、步態和手部震顫三項。各項測 試內容如下， 1. UPDRS 評量，如圖 3 手機畫面所示，使用者依照 最近七天內的生活情形，仔細填寫量表四大部分ဦ 3 UPDRS ෞณ൪ࢬ
2. 步態檢測，利用手機的重力感測器，收集測試者行 走九公尺時的數據，如圖 4。
ဦ 4 ፟͘ຏീࣧؕᇴፂ
經由 Matlab 的中值濾波器（median filter）處理 雜訊，由實驗結果得 15 點的中值濾波器效果最佳， 如圖 5 分別為 10 點、15 點、20 點測試結果。表（一） 為步態檢測實驗準確率。 ဦ 5 ̶Ҿࠎဦ 4 ࣧؕੈཱིགྷϤ 10ă15ă20 ᕇ ̚ࣃᕭگጡඕڍ ܑ(˘) Վၗᑭീ၁រඕڍ 次數 秒數 實際步數 檢測步數 正確性 1 10.33 15 14 93% 2 11.03 15 14 93% 3 11.05 15 14 93% 4 11.13 15 15 100% 5 12.25 15 15 100% 6 12.25 15 14 93% 7 11.02 16 16 100% 8 11.49 16 17 93% 9 11.54 16 16 100% 平均 11.34 15.3 15 96.11% 智慧手機裝置的步態檢測步驟如下，以語音方式 提醒放入口袋，直行 9 公尺，停止後 5 秒進行分析， 測試畫面與濾波結果分析，如圖 6。 ဦ 6(a) Վၗᑭീ൪ࢬ ဦ 6(b) ̶ژඕڍ 3. 手部震顫檢測，首先為靜止模式（Rest Mode）測試， 包含左、右手各別測試，依照指示，手心向上握住 手機，放置大腿上方，維持十秒如圖 7(a)，當結束 時按下結果按鈕可以得到三軸波型圖及標準差 Sx, Sy, Sz，如圖 7(b)。
ဦ 7(a) ᐖͤሀё ဦ 7(b) ˬคᇾम̶ژ 再進行姿勢模式（Postural Mode）測試，包含左、 右手各別測試，依照指示，手心向下握住手機，將手 臂抬至與肩平行，維持十秒如圖 8(a)，按下結果按鈕 可以得到三軸波型圖及標準差 Sx, Sy, Sz 如圖 8(b)。 ဦ 8(a) ݻ๕ሀё ဦ 8(b) ˬคᇾम̶ژ 我們將手機收集到實驗數據存成 Excel 檔案，經 過 Matlab 進行觀察三軸的標準差分布，兩個模式的 實驗數據如圖 9、圖 10，圖中藍色的點代表是健康者， 紅色的點代表是模擬 PD 患者。 ဦ 9 ᐖͤሀё۞ˬคᇾम̶οဦ ဦ 10 ݻ๕ሀё۞ˬคᇾम̶οဦ 我們進一步算出健康者群及模擬 PD 患者群的個 別三軸標準差的平均值和標準差，如表（二），做為 我們進行病情分類的參考值。 ܑ(˟) ᐖͤăݻ๕ሀёăHP ̈́ PD ۞ˬคᇾम 經實驗數據分析，我們經由公式(1)及公式(2)算 出靠近健康者群距離 D1、模擬 PD 患者群的距離 D2， 公式中的 Sx 即為測試者測得該模式 X 軸的標準差， 從 D1 跟 D2 找出最小值，根據常態分佈，發生的數 值落於正負兩倍的標準差的機率是 95%，若最小值是 D1， D1 2 成立，將使用者分類為健康者，若 最小值為 D2， D2 2 成立，將使用者分類為 PD 患者，若 D1 和 D2 都不屬於該範圍，將使用者分類 為 X（無法辨識）。 表（三）、表（四）分別為靜止模式與姿勢模式分 類的結果，由於實驗的數據不足，也尚未有真實的帕 金森氏症病人進行實測，從表（四）可以看到無法辨 識的機率偏高，我們的手部顫抖檢測，是提供測試者
ܑ(ˬ) Rest Mode ̣ٙҜઉ۰̣Ҝሀᑢ PD ଈ۰۞၁រඕڍ ܑ(α) Rest Mode ̣ٙҜઉ۰̣Ҝሀᑢ PD ଈ۰۞၁រඕڍ
αăඕኢ
隨著邁入高齡化的社會，老人照護已經是刻不容 緩的議題，其中失智與帕金森氏症又是老年人好發的 神經性疾病，所以在本專題中利用越來越普及智慧型 手機建立初步的帕金森氏症狀量測，提供使用者初步 的資訊，進行就醫的輔助資訊。由實驗得知使用手機 加速度、陀螺儀等感測器來測量帕金森氏症是有可行 性的。 在未來，可以增加「手指點擊檢測」與「發音」 等其他檢測數據的收集量，改善整體檢測的準確性。 另外本研究也可藉由網路將測量的數據，回傳到加密 伺服器，以利研究人員能夠及時的監控病情，提供所 需的幫助。ણ҂͛ᚥ
1. http://www.tmds.org.tw/ezportal/hyfiles/UPDRS_CH.pdf 2. PERUMAL, Shyam V.; SANKAR, Ravi. Gait monitoringsystem for patients with Parkinson’s disease using wearable sensors. In: Healthcare Innovation Point-Of-Care Technologies Conference (HI-POCT), 2016 IEEE. IEEE, 2016. p. 21-24.
3. ZHOU, Jianfeng, et al. The implementation of a mobile Parkinson's tremor monitoring tool with variation analysis. In: Communication Problem-Solving (ICCP), 2015 IEEE International Conference on. IEEE, 2015. p. 78-81.
4. LEMOYNE, Robert, et al. Implementation of an iPhone for characterizing Parkinson’s disease tremor through a wireless accelerometer application. In: Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE. IEEE, 2010. p. 4954-4958.
5. DAI, Houde; D’ANGELO, Lorenzo T. Quantitative assessment of tremor during deep brain stimulation using a wearable glove system. In: Internet-of-Things Networking and Control (IoT-NC), 2013 IEEE International Workshop of. IEEE, 2013. p. 53-57.
