Diagnostika pacientů s Parkinsonovou chorobou

ˇ e vysoké uˇcen´ı technické v Praze Cesk´ Fakulta elektrotechnická

ˇ VUT FEL katedra pocˇı´tacˇu˚ C

Diplomová práce

Diagnostika pacient˚ u s Parkinsonovou chorobou Jan Doleˇzel

Vedouc´ı práce: Ing. Miroslav Skrbek, Ph.D.

Studijn´ı program: Elektrotechnika a informatika strukturovan´ y magistersk´ y Obor: V´ ypoˇcetn´ı technika leden 2007

ii

Podˇ ekov´ an´ı Chtˇel bych podˇekovat zejména vedouc´ımu práce, Ing. Skrbkovi, za pomoc a cenné rady. Také bych rád podˇekoval lékaˇr˚ um z neurologického oddˇelen´ı z Fakultni nemocnice v Motole za poskytnuté materiály a konzultace. A dalˇs´ım, kteˇr´ı mi nˇejak´ ym zp˚ usobem pomohli s tvorbou této práce. Dále bych rád podˇekoval své rodinˇe a pˇrátel˚ um za moráln´ı podporu a trpˇelivost. iii

iv

Prohl´ aˇ sen´ı Prohlaˇsuji, ˇze jsem svou diplomovou práci vypracoval samostatnˇe a pouˇzil jsem pouze podklady uvedené v pˇriloˇzeném seznamu. Nemám závaˇzn´ y d˚ uvod proti uˇzit´ı tohoto ˇskoln´ıho d´ıla ve smyslu §60 Zákona ˇc. 121/2000 Sb., o právu autorském, o právech souvisej´ıc´ıch s právem autorsk´ ym a o zmˇenˇe nˇekter´ ych zákon˚ u (autorsk´ y zákon).

V Praze dne 15.1. 2007

.............................................................

v

vi

Abstract Topic of this diploma thesis is to propose and to implement software for support of diagnosis of Parkinson disease (and other deseases with tremor) in patients. In collaboration with doctors we propose the test battery which patients will perform. These tests are read by tablet and stored in the database. Also several analytic tools for feature extraction were suggested and inspected. Diagnostic application supports longterm monitoring of patient, includes an implementation of some proposed analytic tools and various visualization tools for viewing and analyzing of features.

Abstrakt Tématem této práce je navrhnout a realizovat programové vybaven´ı pro podporu diagnostiky pacient˚ u s Parkinsonovou chorobou (a dalˇs´ıch pacient˚ u, trp´ıc´ıch tˇresem). Ve spolupr´ aci s lékaˇri jsme navrhli sadu test˚ u, které budou pacienti vykonávat. Testy jsou sn´ımány tabletem a uchovávány v databázi. Dále byly navrˇzeny a zkoumány r˚ uzné analytické nástroje pro extrakci charakteristick´ ych pˇr´ıznak˚ u onemocnˇen´ı. Diagnostick´ y program umoˇzn ˇuje dlouhodobé sledován´ı pacienta, obsahuje implementaci nˇekter´ ych navrˇzen´ ych analytick´ ych nástroj˚ u a r˚ uzné vizualizaˇcn´ı nástroje pro zobrazován´ı a analyzován´ı pˇr´ıznak˚ u.

vii

viii

Obsah Seznam obr´ azk˚ u

xii

Seznam tabulek

xiii

´ 1 Uvod

1

2 Tˇ res 2.1 Druhy tˇresu . . . . . . . . . . 2.2 Tˇres podle pˇr´ıznak˚ u . . . . . 2.2.1 Fyzick´ y tˇres . . . . . . 2.2.2 Esenciáln´ı tˇres . . . . 2.2.3 Parkinsonova choroba 2.2.4 Mozeˇckov´ y tˇres . . . . 2.2.5 Psychick´ y tˇres . . . . 2.2.6 Ostatn´ı . . . . . . . . 2.3 Shrnut´ı . . . . . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

2 2 3 3 3 3 4 4 4 5

3 Pˇ rehled pˇ redeˇ sl´ ych prac´ı 3.1 Anal´ yza spirál . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Anal´ yza psan´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Visuomotorické schopnosti pacient˚ u s esenciáln´ım tˇresem . . . . 3.4 Visuomotorické schopnosti pacient˚ u s Parkinsonovou chorobou 3.5 Urˇcován´ı roztrouˇsené sklerózy . . . . . . . . . . . . . . . . . . . 3.6 Urˇcován´ı esenciáln´ıho tˇresu . . . . . . . . . . . . . . . . . . . . 3.7 Ostatn´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

6 6 7 8 9 9 9 10

. . . .

11 11 11 12 14

5 Zpracov´ an´ı dat 5.1 Spoleˇcné pˇr´ıznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ˇ ary horizontáln´ı, vertikáln´ı, diagonáln´ı . . . . . . . . . . . . . . . . . . . . . . 5.2 C´ 5.3 Spirály . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15 16 17 18

6 Diskuse 6.1 Pˇr´ıznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Dalˇs´ı moˇzné pˇr´ıznaky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40 40 41

7 Implementace 7.1 Databáze . . . . . . . 7.1.1 XML databáze 7.2 Prohl´ıˇzeˇce . . . . . . . 7.3 Struktura bal´ık˚ u . . .

43 43 44 45 47

4 N´ avrh ˇ reˇ sen´ı 4.1 Poˇzadavky na aplikaci 4.2 Návrh ˇreˇsen´ı . . . . . 4.3 Soubor test˚ u . . . . . 4.4 Pr˚ ubˇeh vyˇsetˇren´ı . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

8 Z´ avˇ er

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

48 ix

9 Literatura

49

A Seznam pouˇ zit´ ych zkratek

51

B Matematick´ y apar´ at B.1 Fourierova transformace . . . . . . . . . . . B.1.1 Diskrétn´ı Fourierova transformace . B.1.2 Krátkodobá Fourierova transformace B.2 Savitzky-Golay filtry . . . . . . . . . . . . . B.3 Lineárn´ı regrese . . . . . . . . . . . . . . . . B.3.1 Lineárn´ı regrese dat, závislost x na y B.3.2 Lineárn´ı regrese dat, závislost na t .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

53 53 53 54 55 56 57 57

C Uˇ zivatelsk´ a / instalaˇ cn´ı pˇ r´ıruˇ cka C.1 Práce s pacienty a návˇstˇevami . . C.2 Práce s daty . . . . . . . . . . . . C.2.1 Sn´ımán´ı nov´ ych dat . . . C.2.2 Editace dat . . . . . . . . C.2.3 Prohl´ıˇzen´ı a anal´ yza dat . C.3 Konfigurace . . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

59 59 62 63 63 63 64

. . . . . .

. . . . . .

. . . . . .

D Obsah pˇ riloˇ zen´ eho CD

. . . . . .

. . . . . .

. . . . . .

69

x

Seznam obr´ azk˚ u 1.1

Tablet Wacom Intuos2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1 3.2 3.3 3.4 3.5

Ideáln´ı a posunutá spirála, závislost r na θ . . . Obrázky k pr˚ ubˇehu experimentu - Anal´ yza psan´ı Rotace c´ıle . . . . . . . . . . . . . . . . . . . . . Princip Groove-Type Steadiness Tester . . . . . . Princip Nine-Hole Steadiness Tester . . . . . . .

. . . . .

7 8 9 10 10

4.1 4.2 4.3

Workflow diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Blokové schema aplikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Soubor test˚ u pro jednu ruku (pˇr´ıklad) . . . . . . . . . . . . . . . . . . . . . . .

11 12 13

5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 5.12 5.13 5.14 5.15 5.16 5.17 5.18 5.19 5.20 5.21 5.22 5.23 5.24 5.25 5.26 5.27

Pˇr´ıklad typick´ ych artefakt˚ u na zaˇcátku a na konci ˇcáry . . Kvantizaˇcn´ı chyba a ˇsum . . . . . . . . . . . . . . . . . . ´ Uhel θ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Funkce unwrap . . . . . . . . . . . . . . . . . . . . . . . . Lineárn´ı regrese . . . . . . . . . . . . . . . . . . . . . . . . Pr˚ ubˇeh velikosti okna adaptivn´ıho filtru . . . . . . . . . . Anal´ yza spirály zdravého ˇclovˇeka v délkové oblasti (a) . . Anal´ yza spirály zdravého ˇclovˇeka v délkové oblasti (b) . . Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (1a) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (1b) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (2a) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (2b) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (3a) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (3b) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (4a) Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (4b) Pˇrefiltrovaná spirála . . . . . . . . . . . . . . . . . . . . . Anal´ yza spirály zdravého ˇclovˇeka v ˇcasové oblasti (a) . . . Anal´ yza spirály zdravého ˇclovˇeka v ˇcasové oblasti (b) . . . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (1a) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (1b) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (2a) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (2b) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (3a) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (3b) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (4a) . Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (4b) .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

15 16 16 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

6.1

Parkinsonici vykazuj´ı vˇetˇs´ı tlak na jedné stranˇe spirály . . . . . . . . . . . . . .

42

7.1 7.2

UML návrhu databáze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . UML diagram hierarchie prohl´ıˇzeˇc˚ u. . . . . . . . . . . . . . . . . . . . . . . . .

44 46

B.1 Srovnán´ı FFT a STFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

C.1 Aplikace po spuˇstˇen´ı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C.2 Vytváˇren´ı nového pacienta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C.3 Vytváˇren´ı nové návˇstˇevy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

59 60 61

xi

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .

1

C.4 C.5 C.6 C.7 C.8 C.9

Nab´ıdka vyhledáván´ı . . . . . . . . . Panel s nasn´ıman´ ymi daty návˇstˇevy Sn´ımán´ı dat . . . . . . . . . . . . . . ´ Uprava dat . . . . . . . . . . . . . . Panel s nasn´ıman´ ymi daty návˇstˇevy Ukázky z r˚ uzn´ ych prohl´ıˇzeˇc˚ u . . . .

. . . . . .

xii

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

62 62 63 64 65 66

Seznam tabulek 2.1 2.2 2.3

Klasifikace a charakteristika tˇresu . . . . . . . . . . . . . . . . . . . . . . . . . . Porovnán´ı esenciáln´ıho tˇresu a Parkinsonovy choroby . . . . . . . . . . . . . . . Klinické a diagnostické pˇr´ıznaky tˇresu . . . . . . . . . . . . . . . . . . . . . . .

xiii

2 3 4

xiv

´ KAPITOLA 1. UVOD

1

´ 1 Uvod Tˇres je pˇr´ıznakem mnoha r˚ uzn´ ych chorob. Napˇr´ıklad Parkinsonova nemoc, roztrouˇsená skler´ oza, esenciáln´ı tˇres, mozeˇckov´ y tˇres, abstinenˇcn´ı pˇr´ıznaky, neuróza. Kaˇzdá z tˇechto chorob se projevuje r˚ uzn´ ym tˇresem — at’ uˇz r˚ uznou amplitudou, frekvenc´ı nebo v r˚ uzn´ ych situac´ıch. Spr´ avnˇe tˇres rozeznat je proto d˚ uleˇzité pro nasazen´ı správné léˇcby. Momentálnˇe dostupné metody jsou ˇcasto bud’ nespolehlivé a subjektivn´ı — pozorován´ı pacienta pˇri r˚ uzn´ ych ˇcinnostech, ohodnocován´ı obrazc˚ u (spirály, osmiˇcky, ˇcáry, text) nakreslen´ ych na pap´ır, nebo drahé a dlouhé — vyˇsetˇren´ı akcelerometrem, elektromagnetická rezonance, testován´ı pomoc´ı lék˚ u (jejich nasazen´ı nebo vysazen´ı). Podle r˚ uzn´ ych studi´ı je ˇspatnˇe diagnostikováno, nebo nen´ı v˚ ubec diagnostikováno, 20–50 % pacient˚ u. U vˇetˇsiny chorob je vˇsak jej´ı správná a vˇcasná diagnóza d˚ uleˇzitá pro léˇcbu nebo alespoˇ n zpomalen´ı pˇr´ıznak˚ u. V posledn´ı dobˇe se objevily i pokusy o nasazen´ı poˇc´ıtaˇcové techniky, zejména zpracován´ı dat z tabletu, ale zat´ım experimentálnˇe nebo bez vˇetˇs´ıch u ´spˇech˚ u.

Obrázek 1.1: Tablet Wacom Intuos2 C´ılem mé práce je poskytnout programové a analytické vybaven´ı pro lékaˇre, které by jim pomohlo urˇcit zejména stupeˇ n postiˇzen´ı tˇresem a dlouhodobé sledován´ı jeho zhorˇsován´ı ˇci zlepˇsován´ı (vliv lék˚ u a léˇcby na pr˚ ubˇeh choroby). Pokud to bude moˇzné, mˇel jsem se na základˇe extrahovan´ ych pˇr´ıznak˚ u i pokusit rozpoznat r˚ uzné choroby. Testy by mˇely b´ yt neinvasivn´ı, rychlé a snadné jak pro pacienta, tak pro zpracován´ı obsluhou. Pokud to bude moˇzné, testy by mˇely b´ yt navrˇzeny tak, aby je mohl provádˇet jen pouˇcen´ y personál a nebylo by potˇreba, aby byl test˚ um pˇr´ıtomn´ y lékaˇr. V´ ysledná aplikace bude nasazena na neurologickém oddˇelen´ı Fakultn´ı nemocnice v Motole.

ˇ KAPITOLA 2. TRES

2

2 Tˇ res Kapitola byla pˇrevzata z ˇclánk˚ u [CED+ 99] a [Sma03]. V´ıce informac´ı naleznete v tˇechto ˇclánc´ıch. Tˇres je nedobrovolná, rytmická oscilace opˇetovnˇe inervované antagonistické svalové skupiny (napˇr. biceps vs. triceps), která zp˚ usobuje pohyb ˇcást´ı tˇela. Je nejˇcastˇejˇs´ı pohybovou poruchou.

2.1

Druhy tˇ resu

Tˇres m˚ uˇzeme rozdˇelit do nˇekolika skupin. Dvˇe hlavn´ı skupiny tvoˇr´ı tˇres klidov´ y a akˇcn´ı. Za klidov´ y tˇres se povaˇzuje takov´ y, kter´ y se vyskytuje v pˇr´ıpadˇe, ˇze je postiˇzená ˇcást tˇela plnˇe podepˇrena nebo poloˇzena a nevystavena gravitaci (ruce poloˇzené v kl´ınˇe). Amplituda tˇresu se zvˇetˇsuje s mentáln´ım stresem (napˇr´ıklad poˇc´ıtán´ı, nebo jiné rozumové aktivity) nebo pˇri obecném, nekonkrétn´ım pohybu (ch˚ uze) a klesá s c´ılen´ ym pohybem (prst na nos). Akˇcn´ı tˇres se vyskytuje pˇri vˇedomé svalové kontrakci (pohybu) a dále se dˇel´ı na posturáln´ı, isometrick´ y a kinetick´ y tˇres. Posturáln´ı tˇres se objevuje, kdyˇz je postiˇzená ˇcást tˇela udrˇzována v pozici, kdy na n´ı p˚ usob´ı gravitace (pˇredpaˇzen´ı). Isometrick´ y tˇres je v´ ysledkem svalové aktivity proti nehybnému objektu (stisknut´ı prst˚ u vyˇsetˇruj´ıc´ıho). Kinetick´ y tˇres se objevuje pˇri dobrovolném pohybu a je to bud’ tˇres jednoduch´ y kinetick´ y nebo intenˇcn´ı. Jednoduch´ y kinetick´ y tˇres je spojen s pohybem konˇcetin (pohyb zápˇest´ım) a intenˇcn´ı s pohybem k c´ıli (prst na nos nebo spojen´ı prst˚ u). Amplituda se mˇen´ı pˇri pˇribliˇzován´ı k c´ıli.

Typ tˇresu

Tabulka 2.1: Klasifikace a charakteristika tˇresu Frekvence Amplituda Výskyt Pˇr´ıklady

Klidov´ y tˇres

N´ızk´ a aˇz

Vysok´ a; sniˇzuje se s

Konˇcetina

stˇredn´ı

c´ılen´ ym pohybem

vystavena gravitaci;

roba,

Parkinsonimus

—

—

svaly nejsou aktivn´ı ´ Umysln´ e svalové

Stˇredn´ı aˇz

N´ızk´ a; zvyˇsuje se s

Konˇcetina si udrˇzuje

Fyzick´ y tˇres; esenci´ aln´ı

vysok´ a

u ´mysln´ ym pohybem

pozici proti gravitaci

tˇres;

(3–6 Hz) Akˇcn´ı tˇres

nen´ı

Parkinsonova

cho-

léky

navozen´ y

stahy Postur´ aln´ı

poruchy

bolismu;

(4–12 Hz)

meta-

abstinenˇcn´ı

pˇr´ıznaky Kinetick´ y Jednoduch´ y Intenˇcn´ı

Liˇs´ı se

Nemˇen´ı se s c´ılen´ ym

Jednoduché pohyby

(3–10 Hz)

pohybem

konˇcetinou

N´ızk´ a

Zvyˇsuje se s c´ılen´ ym

C´ılen´ y pohyb

(< 5Hz)

pohybem

— Zranˇen´ı (mrtvice,

mozeˇcku roztrouˇsen´ a

skler´ oza, n´ ador); navozeno léky Isometrick´ y V z´ avislosti na ˇcinnosti

Stˇredn´ı

Liˇs´ı se

Svalov´ a

proti objektu v klidu

pˇredmˇetu v ruce

Liˇs´ı se

Liˇs´ı se

Objevuje se pˇri speci-

Tˇres pˇri psan´ı; tˇres u hu-

fické ˇcinnosti

debn´ık˚ u

(4–10 Hz)

kontrakce

Drˇzen´ı

teˇzkého

ˇ KAPITOLA 2. TRES

2.2 2.2.1

3

Tˇ res podle pˇ r´ıznak˚ u Fyzick´ y tˇ res

Vˇsichni normáln´ı lidé projevuj´ı fyzick´ y tˇres, neˇskodn´ y, vysokofrekvenˇcn´ı (cca 20 Hz) postur´ aln´ı tˇres s n´ızkou amplitudou. Obyˇcejnˇe jej nevid´ıme, ale m˚ uˇze b´ yt zes´ılen napˇr´ıklad laserov´ ym ukazovátkem. Zes´ılen´ y fyzick´ y tˇres nen´ı následkem neurologické choroby, ale zdravotn´ımi komplikacemi jako je nedostatek cukru, abstinenˇcn´ı pˇr´ıznaky po alkoholu nebo benzodiazepamu. Obyˇcejnˇe ustoup´ı poté, co je pˇr´ıˇcina odstranˇena.

2.2.2

Esenci´ aln´ı tˇ res

Esenciáln´ı tˇres, laicky nˇekdy oznaˇcovan´ y za staˇreck´ y tˇres, je viditeln´ y posturáln´ı tˇres v rukou a pˇredlokt´ı, nˇekdy obsahuje i kinetickou sloˇzku. Je to nejrozˇs´ıˇrenˇejˇs´ı pohybová porucha na svˇetˇe. ˇ ısla jsou vˇsak Postihuje 4,1 aˇz 39,2 lid´ı z tis´ıce ve vˇeku pod 60 let a aˇz 50,5 ve vˇeku nad 60 let. C´ zˇrejmˇe podcenˇena, protoˇze aˇz 50 % lid´ı s m´ırn´ ym esenciáln´ım tˇresem si pˇr´ıznaky neuvˇedomuje. Objevuje se neˇcekanˇe a postupuje pomalu, vˇetˇsinou se projevuje jako posturáln´ı tˇres rukou (95 % pˇr´ıpad˚ u). Tˇres obvykle zaˇc´ıná v jedné paˇzi a postupnˇe se rozˇs´ıˇr´ı i na druhou, nejˇcastˇeji jako pohyb zápˇest´ı s frekvenc´ı 4–12 Hz. Nˇekdy postihne i hlavu (pˇrikyvován´ı nebo kroucen´ı hlavou). Amplituda se zvˇetˇsuje se stresem, u ńavou, nˇekter´ ymi medikamenty nebo pˇri ˇcinnostech jako drˇzen´ı vidliˇcky nebo ˇsálku.

2.2.3

Parkinsonova choroba

Parkinsonova choroba je dvacetkrát ménˇe bˇeˇzná neˇz esenciáln´ı tˇres. Protoˇze jsou známé specifické léˇcebné postupy, je d˚ uleˇzité ji správnˇe diagnostikovat. Pˇr´ıznaky se zaˇc´ınaj´ı objevovat po padesátém roku ˇzivota, aˇckoli se choroba m˚ uˇze dostavit i u dvacátn´ık˚ u. Poˇcáteˇcn´ım symptomem je klidov´ y tˇres v jedné ruce s frekvenc´ı 4–6 Hz. Typicky je to pohyb lokte a pˇredlokt´ı nebo prst˚ u. Zhorˇsuje se stresem a miz´ı s vˇedom´ ym pohybem. M˚ uˇze m´ıt posturáln´ı nebo kinetickou sloˇzku. Pˇresto je 10–20 % pacient˚ u, kteˇr´ı tˇres neprojevuj´ı. Dalˇs´ımi pˇr´ıznaky jsou ztuhlost (rigidita), zpomalen´ı pohybu (bradykinesie) a nesoumˇerné postojové reflexy. Pˇri zkouˇsce pohybového rozsahu m˚ uˇzeme zaznamenat i “syndrom ozubeného kola”. Postojové reflexy se zkoumaj´ı testem, kdy pacient stoj´ı s rukama volnˇe podél tˇela, testuj´ıc´ı stoj´ı za pacientem, drˇz´ı ho pod rameny a lehce pˇritáhne k sobˇe. Pokud pacient zaˇcne padat, znamená to nestabilitu. Tabulka 2.2: Porovnán´ı esenciáln´ıho tˇresu a Parkinsonovy choroby Pˇr´ıznak Parkinsonova choroba Esenci´ aln´ı tˇres Vˇek propuknut´ı

> 50 let

bud’ v dosp´ıv´ an´ı nebo po pades´ ati

Pohlav´ı

v´ıce u muˇz˚ u

stejnˇe

Rodina

> 25 %

> 90 %

Asymetrie

nejdˇr´ıve jedna polovina tˇela

symetricky

Charakter

v klidu

postur´ aln´ı, kinetick´ y

Frekvence

4–6 Hz

4–10 Hz

Rozsah ´ cinky alkoholu Uˇ

ruce, nohy

ruce, hlava, hlas

bez u ´ˇcink˚ u

po alkoholu se sniˇzuje

Dalˇs´ı pˇr´ıznaky

zpomalen´ı, ztuhlost, nestabilita

—

ˇ KAPITOLA 2. TRES

4 2.2.4

Mozeˇ ckov´ y tˇ res

Mozeˇckov´ y tˇres se projevuje jako jednostrann´ y nebo oboustrann´ y, n´ızkofrekvenˇcn´ı (ménˇe neˇz 5 Hz) intenˇcn´ı tˇres zp˚ usoben´ y mrtvic´ı, nádorem mozkového kmene nebo roztrouˇsenou sklerózou. M˚ uˇze obsahovat i posturáln´ı tˇres. Vˇetˇsinou zp˚ usobuje i kinetick´ y tˇres na té samé stranˇe tˇela. Pˇri testech prst k nosu a spojen´ı prst˚ u se tˇres zhorˇsuje ke konci u ´kolu. Dále se projevuje abnormalitami pˇri ch˚ uzi, ˇreˇci a pohybu oˇc´ı, neschopnost´ı provádˇet rychlé opakované pohyby rukou a posturáln´ım tˇresem trupu a hlavy. 2.2.5

Psychick´ y tˇ res

Psychick´ y tˇres pˇredstavuje promˇenliv´ y tˇres, kter´ y se m˚ uˇze zlepˇsit nebo zmizet, kdyˇz nen´ı pod pˇr´ım´ ym pozorován´ım, psychoterapi´ı nebo podán´ım placeba. Pacient je poˇzádán, aby vyt’ukával rytmus zdravou rukou. Pokud tˇres ustává nebo zmˇen´ı frekvenci na stejnou, pak m˚ uˇzeme pˇredpokládat psychick´ y tˇres.

Tˇres

Tabulka 2.3: Klinické a diagnostické pˇr´ıznaky tˇresu Klinické pˇr´ıznaky Testy

Fyzick´ y tˇres

Postur´ aln´ı tˇres: absence neurologické

Chemick´ y profil (gluk´ oza, jatern´ı test),

choroby

testy ˇst´ıtné ˇzl´ azy, pˇrezkoum´ an´ı lék˚ u

Postur´ aln´ı tˇres: postihuje ruce a hlavu;

Nem´ a specifick´ y test; vylouˇcen´ı jin´ ych

zvyˇsuje se se stresem, u ńavou a stimu-

problém˚ u chemick´ ym profilem, CBC1 a

lanty a s u ´mysln´ ym pohybem, sniˇzuje

testem ˇst´ıtné ˇzl´ azy

Esenci´ aln´ı tˇres

alkoholem Parkinsonova

Klidov´ y tˇres: zvyˇsuje se se stre-

Pˇri typick´ ych pˇr´ıznac´ıch nen´ı nutné

choroba

sem, sniˇzuje s u ´mysln´ ym pohybem

testov´ an´ı;

konˇcetiny; ztuhlost, zpomalen´ı, ne-

pˇr´ıznac´ıch; na zv´ aˇzen´ı PET3 nebo

soumˇerné postur´ aln´ı reflexy

SPECT4

Intenˇcn´ı tˇres (na stejné stranˇe tˇela jako

CT5 nebo MRI2 ; vyˇsetˇren´ı mozko-

poˇskozen´ı); rychlé promˇenlivé pohyby

m´ıˇsn´ıho moku; testy na alkohol a li-

rukou; chyby v ch˚ uzi, problémy s ˇreˇc´ı,

thium

Mozeˇckov´ y tˇres

MRI2

pˇri

netypick´ ych

tˇek´ an´ı oˇc´ı Psychick´ y tˇres

R˚ uzné (klidov´ y, postur´ aln´ı nebo in-

Elektrofyziologické testy

tenˇcn´ı): zvyˇsuje se pˇri pozorov´ an´ı, sniˇzuje s rozpt´ ylen´ım, mˇen´ı se s u ´mysln´ ym pohybem druhé konˇcetiny Wilsonova

“M´ av´ an´ı kˇr´ıdly”

Jatern´ı testy; mˇed’ v moˇci, . . .

choroba

2.2.6

Ostatn´ı

Ménˇe ˇcasto se tˇres objevuje pˇri psan´ı nebo jin´ ych specifick´ ych ˇcinnostech, dále perifern´ı neuropatie a orthostatick´ y tˇres. Tˇres se také obˇcas objevuje u dˇet´ı jako esenciáln´ı, fyzick´ y, pˇri psan´ı a nebo tˇres jako následek zranˇen´ı hlavy. 1

CBC = kompletn´ı krevn´ı obraz MRI = magnetick´ a rezonance 3 PET = pozitronov´ a emisn´ı tomografie 4 SPECT = fotonov´ a emisn´ı poˇc´ıtaˇcov´ a tomografie 5 CT = poˇc´ıtaˇcov´ a tomografie 2

ˇ KAPITOLA 2. TRES

5

V´ yjimeˇcnˇe je pˇr´ıˇcinou tˇresu u mlad´ ych lid´ı Wilsonova choroba (vrozená porucha metabolizmu mˇedi). Pˇr´ıznaky se objevuj´ı mezi 11. a 25. rokem. Tˇres m˚ uˇze b´ yt intenˇcn´ı, nebo, ˇcastˇeji, jako “máván´ı kˇr´ıdly” pˇri upaˇzen´ı.

2.3

Shrnut´ı

Z uvedeného je patrné, ˇze klidov´ y tˇres tabletem zmˇeˇrit nelze, nebo jen s obt´ıˇzemi. Uˇz samotné drˇzen´ı pera pacientem vyˇzaduje svalovou aktivitu. Podle vymezen´ ych druh˚ u tˇresu bychom tak “v klidu” mˇeˇrili tˇres isometrick´ y a ne klidov´ y. Stejnˇe tak by se s velik´ ymi obt´ıˇzemi mˇeˇril tˇres objevuj´ıc´ı se pˇri specifick´ ych ˇcinnostech. Pomoc´ı tabletu tak m˚ uˇzeme mˇeˇrit tˇres posturáln´ı/isometrick´ y (voln´ y tˇres), kinetick´ y jednoduch´ y (rovné ˇcáry) a intenˇcn´ı (osmiˇcky a spirály). Testy jsou popsané v kapitole 4.3. Také vid´ıme, ˇze jednotlivé choroby se vˇetˇsinou projevuj´ı nˇekolika druhy tˇresu zároveˇ n. Tˇres je podle definice rytmická oscilace. U nˇekter´ ych pacient˚ u (zejména s roztrouˇsenou sklerózou) se projevuje i ataxie. To jsou nerytmické, neperiodické svalové záˇskuby.

ˇ ˇ ˇ YCH ´ KAPITOLA 3. PREHLED PREDE SL PRACÍ

6

3 Pˇ rehled pˇ redeˇ sl´ ych prac´ı 3.1

Anal´ yza spir´ al

Seth. L. Pullman se ve své práci [Pul98] pokusil vyvinout metodu pro ohodnocován´ı spirál nakreslen´ ych na tablet pacientem. Navrhnul nˇekolik matematick´ ych vzorc˚ u, které ohodnot´ı tˇres pacienta. Kombinac´ı v´ ysledk˚ u poté urˇc´ı stupeˇ n postiˇzen´ı v rozsahu 0–4, kde 0 znamená nejmenˇs´ı postiˇzen´ı a 4 nejvˇetˇs´ı. Spirálu lze popsat v souˇradnic´ıch kartézsk´ ych: x = aθ cos(θ + c)

(3.1)

y = aθ sin(θ + c)

(3.2)

x, y jsou souˇradnice bodu v kartézské soustavˇe, a je konstanta, která udává velikost rozevˇren´ı (kroucen´ı) spirály, θ je u ´hel a c je konstanta reprezentuj´ıc´ı poˇcáteˇcn´ı u ´hel. Spirálu lze vyjádˇrit i v souˇradnic´ıch polárn´ıch: r = aθ (3.3) p

kde r = x2 + y 2 je polomˇer. Cel´ y princip vzorc˚ u nalezen´ ych Pullmanem se odv´ıj´ı od lineárn´ı z´ avislosti polomˇeru na u ´hlu. A zde je problém. Polomˇer spirály mus´ıme urˇcovat od nˇejakého stˇredu. Pullman za stˇred spirály urˇcil prvn´ı zaznamenanou souˇradnici v posloupnosti bod˚ u. Na obrázku 3.1 vid´ıme, ˇze kdyˇz u ideáln´ı, poˇc´ıtaˇcovˇe generované spirály posuneme jej´ı stˇred, lineárn´ı závislost r na θ se rozpadá. Druh´ ym pˇr´ıpadem je, pokud spirála bude elipticky zploˇstˇelá. Závislost r na θ je velice podobná minulému pˇr´ıpadu. Tyto dvˇe “chyby” jsou vˇsak mnohem vˇetˇs´ı neˇz chyba, kterou do této lineárn´ı závislosti vnáˇs´ı tˇres, a kterou se Pullman pokouˇs´ı kvantifikovat. Pro urˇcen´ı chyby pouˇz´ıvá pˇet vzorc˚ u. Prvn´ı naz´ yvá “hladkost prvn´ıho ˇrádu”: i1 =

N 1 X ∆rj − rθ Θ j=1 ∆θj

!2

I1 = ln i1 rθ =

1 N

(3.4)

N X

∆rj ∆θ j j=1

Θ je celkov´ yu ´hel spirály, N je poˇcet bod˚ u a rθ je a vypoˇc´ıtané z nakreslené spirály. Druh´ y vzorec naz´ yvá “hladkost druhého ˇrádu” (prvn´ı derivace): 

i2 =

∆rj

2

N ∆ 1 X  ∆θj − drθ  Θ j=1 ∆θj

I2 = ln i2 drθ =

1 N

(3.5)

N ∆ ∆rj X ∆θj j=1

∆θj

Dále definuje tˇesnost spirály: I3 = (Θ/R − 14π)/2π

(3.6)

Posledn´ı dva vzorce mˇeˇr´ı poˇcet pr˚ uchod˚ u nulou pro hladkost prvn´ıho a druhého ˇrádu: I4 =

N −1 X 1 ∆rj+1 sign − rθ 2(N − 1) j=1 ∆θj+1

I5 =

N −1 ∆ ∆ X 1 sign  ∆θj+1 − drθ  − sign  ∆θj − drθ  · 100% 2(N − 1) j=1 ∆θj+1 ∆θj

"





∆rj+1

!

∆rj − sign − rθ ∆θj 



∆rj

!#

· 100%

(3.7)



(3.8)


10

10

5

5

y

15

y

15

7

0

0

−5

−5

−10

−10

−15

−15 −20

−15

−10

−5

0 x

5

10

15

20

−5

20

0

5

10

15 x

20

25

30

35

35

18 30 16 25

14

12

r

r

20 10

15 8

6

10

4 5 2

0

0

2

4

6

8

10 θ

12

14

16

18

20

0

0

2

4

6

8

10 θ

12

14

16

18

20

Obrázek 3.1: Ideáln´ı spirála a ideáln´ı spirála s posunut´ ym stˇredem. Pod nimi je závislost polomˇeru na u ´hlu.

Z tˇechto pˇeti ˇc´ısel experimentáln´ı cestou doˇsel ke vzorci DOS = 0.4615I1 + 0.0544I5 − 0.2331I12 −0.0726I22 −0.0001I52 +0.2539I1 I2 +1.3668. DOS (Degree of Severity) by mˇel odpov´ıdat standardn´ı stupnici pro urˇcován´ı stupnˇe postiˇzen´ı Parkinsonismem. Ta je v rozsahu 0 aˇz 4. Tuto metodu jsem zkoumal ve své semestráln´ı práci [Dol05]. Implementoval jsem v´ yˇse uvedené vzoreˇcky, ale Pullmanovy v´ ysledky se mi nepodaˇrilo zopakovat. DOS se pohybovala v rozmez´ı pˇribliˇznˇe -30 aˇz +30 a v˚ ubec neodpov´ıdala stupni postiˇzen´ı Parkinsonismem. Jak jsem uvedl na zaˇcátku — tato metoda vyˇzaduje lineárn´ı závislost r na θ. Této linearity vˇsak nen´ı doc´ıleno ani u hladk´ ych spirál zdrav´ ych lid´ı.

3.2

Anal´ yza psan´ı

C. Marquardt a N. Mai se ve sv´ ych prac´ıch [MM93] a [MGM99] vˇenuj´ı anal´ yze ruˇcnˇe psaného textu. Sp´ıˇse neˇz na ohodnocován´ı stupnˇe postiˇzen´ı se zamˇeˇruj´ı na experimenty s vizuomotorickou adaptabilitou. V [MGM99] popisuj´ı experiment, kdy testovan´ı zdrav´ı lidé pouˇz´ıvaj´ı tablet a pohyby pera vid´ı na obrazovce pˇred sebou (na tablet se ned´ıvaj´ı). Snaˇz´ı se ohodnotit, jak´ y velik´ y vliv maj´ı nauˇcené automatické pohyby na psan´ı (pohyb). Experiment se skládá ze dvou ˇcást´ı. V prvn´ı ˇcásti testovan´ y subjekt kresl´ı neustále dokola “ll” (dvˇe psac´ı l za sebou) tak, aby

8


pokud moˇzno kresbou plnˇe vyplˇ novaly ˇctverec na obrazovce. Aˇz si testovan´ y ustál´ı kresbu, je zmˇenˇeno mˇeˇr´ıtko na tabletu na 66 % nebo 133 %. Lékaˇri poté pozoruj´ı, jak se dokáˇze s touto zmˇenou vyrovnat. Anal´ yzou kresby a pr˚ ubˇehu rychlosti zjistili, ˇze na plynulost pohybu nemˇela zmˇena velikosti p´ısma vliv a na novou velikost se adaptovali jiˇz v následuj´ıc´ım “l”. Druh´ y experiment zaˇc´ıná t´ım, ˇze ˇclovˇek um´ıst´ı pero do malého ˇctverce na levé stranˇe obrazovky. Obrazovka se vymaˇze a po chv´ıli se ozve zvuk a v pravé ˇcásti obrazovky, ve stejné v´ yˇsce a ve vzdálenosti 215 mm, se objev´ı ˇctverec o hranˇe 1 cm. Testovan´ y má jedn´ım rychl´ ym pohybem posunout pero do ˇctverce a zastavit v nˇem, pˇriˇcemˇz se klade d˚ uraz na rychlost. Kdyˇz si testovan´ y subjekt tento pohyb natrénoval, byl c´ılov´ y ˇctverec posunut doprava nebo doleva a opˇet se sledovalo, jak se ˇclovˇek adaptuje.

l ll u

Obrázek 3.2: Obrázky k pr˚ ubˇehu experimentu - Anal´ yza psan´ı

Na základˇe tˇechto experiment˚ u dospˇeli k závˇeru, ˇze by se mˇelo rozliˇsovat mezi vizuáln´ı zpˇetnou vazbou u automatick´ ych pohyb˚ u a u pohybu, kter´ y je ˇr´ızen´ y. V druhé práci se zab´ yvali nejlepˇs´ı metodou na filtrován´ı psaného textu. K tomu pouˇz´ıvali napsaná p´ısmena “lu”.

3.3

Visuomotorick´ e schopnosti pacient˚ u s esenci´ aln´ım tˇ resem

V práci [SBGH99] se zamˇeˇruj´ı pouze na vizuomotorické schopnosti pacient˚ u s esenciáln´ım tˇresem. Pacienti s jin´ ymi symptomy byli z experimentu vylouˇceni. Pr˚ ubˇeh experimentu byl podobn´ y jako v minulém pˇr´ıpadˇe. Tablet, na kter´ y ˇclovˇek nevidˇel a ´ pohyb pera sledoval na obrazovce pˇred sebou. Ukoly pro testované osoby byly dva — sledován´ı a obtahován´ı. Vˇsechny testy prob´ıhaly na tˇrech kˇrivkách: ˇctverec (jednoduch´ y rovn´ y pohyb), kruh (konstantn´ı zmˇena smˇeru) a sinus (promˇenlivá zmˇena smˇeru). Pˇri obtahován´ı byla na monitoru zobrazena kˇrivka a testovan´ y ji mˇel perem co nejpˇresnˇeji obtáhnout. Pˇri sledován´ı se po monitoru pohyboval po kˇrivce terˇc´ık, na kterém mˇel subjekt udrˇzovat pero. Sledována byla rychlost jakou testovan´ y obtáhne kˇrivku, smˇerová odchylka od ideáln´ıho pr˚ ubˇehu (mˇeˇr´ı se odchylka derivace), pr˚ umˇerná chyba (mˇeˇr´ı se vzdálenost od ideáln´ıho pr˚ ubˇehu), ˇcas po kter´ y byla smˇerová chyba vˇetˇs´ı neˇz urˇcen´ y práh, rychlost pohybu a poˇcet pˇreruˇsen´ı sledován´ı. Zjistili, ˇze pacienty s esenciáln´ım tˇresem lze rozdˇelit do dvou skupin. Jednu skupinu pacient˚ u nebylo moˇzné pomoc´ı tˇechto test˚ u odliˇsit od zdrav´ ych lid´ı (maj´ı normáln´ı visuomotorické schopnosti) a tu druhou pomˇernˇe lehce (maj´ı sn´ıˇzené visuomotorické schopnosti). Dále zjistili, ˇze aˇckoli byl tˇres v´ıce koncentrován v jedné polovinˇe tˇela, pomoc´ı tˇechto test˚ u to nebylo moˇzné poznat.


3.4

9

Visuomotorick´ e schopnosti pacient˚ u s Parkinsonovou chorobou

Contreras-Vidal a Buch se v práci [CVB03] obdobn´ ymi experimenty zamˇeˇruj´ı na schopnosti Parkinsonik˚ u. I zde testovan´ y subjekt pozoruje na obrazovce monitoru pohyb pera. Kurzor um´ıst´ı do stˇredu obrazovky a má za u ´kol j´ım postupnˇe pohybovat do ˇctverc˚ u v roz´ıch obrazovky a zpátky. Nejdˇr´ıve si to takto nˇekolikrát vyzkouˇs´ı (preexposure) a poté je c´ıl posunut o 90◦ ve smˇeru hodinov´ ych ruˇciˇcek (exposure). Takto je test opˇet nˇekolikrát opakován a nakonec se subjekt opˇet testuje s v´ ychoz´ı pozic´ı terˇc´ıku (postexposure). Experiment ohodnocuje adaptaci na neˇcekanou zmˇenu c´ıle a adaptaci na situaci, kdy se vrát´ı do p˚ uvodn´ı polohy. U subjekt˚ u byla mˇeˇrena IDE (poˇcáteˇcn´ı smˇerová chyba), byl kvantifikován poˇcet “trhnut´ı” (NJ), RMSE1 , PTR (pomˇer vzdálenosti stˇredu a bodu k délce trajektorie) a dalˇs´ı. Testy ukázaly, ˇze zdrav´ı lidé a Parkinsonici vykazuj´ı podobnou poˇcáteˇcn´ı smˇerovou chybu a RMSE ve fázi preexposure a v rané fázi exposure. Parkinsonici vˇsak maj´ı roztˇresenˇejˇs´ı kresbu a vˇetˇs´ı PTR. V pr˚ ubˇehu pozdn´ı fáze exposure vykazuj´ı Parkinsonici vˇetˇs´ı IDE, RMSE a NJ a menˇs´ı PTR. Celkovˇe se u pacient˚ u s Parkinsonovou chorobou projevila pomalejˇs´ı a sn´ıˇzená schopnost adaptace v porovnán´ı s kontroln´ı zdravou skupinou.

3.5

Urˇ cov´ an´ı roztrouˇ sen´ e skler´ ozy

Obrázek 3.3: Rotace c´ıle

V ˇclánku [ESA+ 01] je popsán experiment, ve kterém se autoˇri snaˇz´ı odliˇsit pacienty s roztrouˇsenou sklerózou od ostatn´ıch pacient˚ u s tˇresem. Roztrouˇsená skleróza se projevuje pˇredevˇs´ım nepravideln´ ymi, neperiodick´ ymi pohyby (ataxie), které se snaˇz´ı u pacient˚ u naj´ıt. Vyvinuli k tomu sadu test˚ u, které byly provádˇeny levou i pravou rukou: • Obtáhnut´ı pˇredkreslené osmiˇcky. Pˇri testu záleˇzelo pˇredevˇs´ım na pˇresnosti a hladkosti kresby. Ryhlost nebyla pˇredepsána. • Co nejrychleji t’ukat perem o tablet po dobu 60 sekund. • Nine Hole Peg test — devˇet pˇredmˇet˚ u, devˇet dˇer; testovan´ y má za u ´kol co nejrychleji um´ıstit devˇet pˇredmˇet˚ u v misce do odpov´ıdaj´ıc´ıch dˇer a poté je opˇet co nejrychleji vr´ atit zpátky. • Pˇrikládán´ı prstu na nos. • Mˇeˇren´ı svalového tonusu. • Martin˚ uv vigorimetr — mˇeˇr´ı s´ılu stisku v balónku, kter´ y testovan´ y subjekt drˇz´ı v ruce. Vysledovali, ˇze ataxické symptomy lze nejlépe odliˇsit v rozsahu spektráln´ıho v´ ykonu 2–10 Hz. Pr˚ umˇerná chyba kreslen´ı dokáˇze oddˇelit pacienty od zdrav´ ych, ale jiˇz s jej´ı pomoc´ı nelze odliˇsit jednotlivé skupiny nemocn´ ych. Pomoc´ı t’ukán´ı a 9HPT lze odliˇsit pacienty s motorick´ ymi a sensorick´ ymi symptomy. Dále pak ménˇe a v´ıce postiˇzenou ruku.

3.6

Urˇ cov´ an´ı esenci´ aln´ıho tˇ resu

V práci [LYB+ 00] se autoˇri zab´ yvali nástroji pro mˇeˇren´ı závaˇznosti tˇresu u pacient˚ u s esenciáln´ım tˇresem. Pouˇz´ıvali k tomu dva nástroje. 1

Root Mean Square error


10

Obrázek 3.4: Princip Groove-Type Steadiness Tester

Groove-Type Steadiness Tester (GTST) se pouˇz´ıvá k mˇeˇren´ı kinetického tˇresu. Skládá se ze dvou ˇzelezn´ ych plát˚ u a pera s ˇzelezn´ ym hrotem. Testovan´ y subjekt má za u ´kol perem pohybovat mezerou mezi pláty od zaˇcátku do konce. Pokud se pero dotkne jednoho z ˇzelezn´ ych plát˚ u, spoj´ı se elektrick´ y obvod a zaˇr´ızen´ı to zaznamená.

Obrázek 3.5: Princip Nine-Hole Steadiness Tester

Nine-Hole Steadiness Tester (NHST) se pouˇz´ıvá k mˇeˇren´ı posturáln´ıho tˇresu. V zaˇr´ızen´ı je devˇet postupnˇe se zmenˇsuj´ıc´ıch dˇer s ˇzelezn´ ym obvodem. Opˇet se pouˇz´ıvá pero s ˇzelezn´ ym hrotem. Pacient má za u ´kol udrˇzet pero v d´ıˇre po dobu deseti sekund. Zaˇr´ızen´ı poˇc´ıtá, kolikrát se pero dotkne stˇeny d´ıry. Z obou zaˇr´ızen´ı se vypoˇc´ıtaj´ı pˇr´ıznaky, které zahrnuj´ı ˇs´ıˇrku d´ıry (ˇs´ıˇrku mezery mezi pláty) a poˇcet dotknut´ı pro jednotlivé pr˚ umˇery dˇer (ˇs´ıˇrky mezery). Z toho pak lze odvodit amplitudu, frekvenci a závaˇznost postiˇzen´ı. Nedokáˇzou vˇsak rozliˇsovat mezi tˇresem a jin´ ymi pohybov´ ymi postiˇzen´ımi.

3.7

Ostatn´ı

Ostatn´ı ˇclánky uvedené v pouˇzité literatuˇre se zab´ yvaj´ı kvantifikac´ı pˇr´ıznak˚ u tradiˇcn´ı cestou, porovnáván´ım testovac´ıch bateri´ı, vlivem lék˚ u na pr˚ ubˇeh choroby a symptomy, nebo pouˇz´ıvaj´ı drahé testy.

´ ˇ SEN ˇ Í KAPITOLA 4. NAVRH RE

11

4 N´ avrh ˇ reˇ sen´ı 4.1

Poˇ zadavky na aplikaci

• bude komunikovat s tabletem • umoˇzn´ı volbu (pˇr´ıpadnˇe i zmˇenu) r˚ uzn´ ych druh˚ u test˚ u • umoˇzn´ı nasn´ımaná data uchovávat v databázi • umoˇzn´ı prohledáván´ı databáze • bude lehce pouˇzitelná pro lékaˇre nebo obsluhuj´ıc´ı personál • umoˇzn´ı zobrazován´ı a vizualizaci dat • bude implementovat nalezené analytické nástroje pro extrakci pˇr´ıznak˚ u • umoˇzn´ı sledován´ı stavu pacienta v pr˚ ubˇehu ˇcasu • umoˇzn´ı export anonymn´ıch dat pro dalˇs´ı anal´ yzu • umoˇzn´ı zálohován´ı databáze

Obrázek 4.1: Pacient nakresl´ı na tablet testované obrazce, tablet odeˇsle data aplikaci, kter´ a je uchová v databázi. Data lze prohl´ıˇzet a analyzovat i na jiném poˇc´ıtaˇci

4.2

N´ avrh ˇ reˇ sen´ı

Programovac´ım jazykem, v kterém je aplikace implementovaná, jsme zvolili Javu. Pro Javu jsme se rozhodli z následuj´ıc´ıch d˚ uvod˚ u: je objektová, multi-platformn´ı a pˇrenositelná, bezpeˇcn´ a, umoˇzn ˇuje psát pˇrehledn´ y kód, kter´ y neobsahuje nˇekteré chyby z nepozornosti (napˇr´ıklad uvolˇ nován´ı ukazatel˚ u z pamˇeti), k dispozici je obrovské mnoˇzstv´ı knihoven, podporuje ji mnoho firem, Java nen´ı omezena licenˇcn´ımi ani jin´ ymi poplatky a v neposledn´ı ˇradˇe jsou aplikace pro Neuronovou skupinu psané v Javˇe z d˚ uvodu znovupouˇzitelnosti kódu a kompatibility. Pro komunikaci s tabletem jsme zvolili knihovnu JWinTab od Juna Rekimota ([Rek05]). Je to Java rozhran´ı pro komunikaci se standardn´ı knihovnou pro Windows — Wintab, kterou podporuj´ı i tablety firmy Wacom. Aby bylo moˇzno sledovat v´ yvoj pacienta v ˇcase, dˇel´ıme data nasn´ımaná pacientem do jednotliv´ ych návˇstˇev pacienta u lékaˇre. Aplikace je postavena na architektuˇre Model-View-Controller a umoˇznuje tak modul´ arn´ı dˇelen´ı do relativnˇe nezávisl´ ych ˇcást´ı. Aplikace se tedy skládá z ˇcást´ı (obrázek 4.2): • tˇr´ıdy pro práci s tabletem • databáze v pamˇeti poˇc´ıtaˇce


12 • extern´ı u ´loˇzistˇe dat • data, jejich vizualizace a anal´ yza • matematické nástroje • uˇzivatelské rozhran´ı

Obrázek 4.2: Blokové schema aplikace Databáze podporuje komunikaci s r˚ uzn´ ymi extern´ımi u ´loˇziˇsti dat. Je ˇsetrná ke zdroj˚ um poˇc´ıtaˇce a tak z extern´ıho u ´loˇziˇstˇe data nahrává aˇz v okamˇziku, kdy je opravdu potˇrebuje a pˇri nedostatku pamˇeti nepotˇrebná data opˇet uvolˇ nuje. Jako konkrétn´ı extern´ı u ´loˇziˇstˇe jsem naprogramoval XML databázi. V´ yhody XML: formát ˇciteln´ y a pˇr´ımo editovateln´ y i ˇclovˇekem, podpora pro XML je v mnoha aplikac´ıch, snadnˇejˇs´ı práce s textov´ ym formátem neˇz s binárn´ım, data jsou lehce pˇreveditelná do jin´ ych formát˚ u, snadná transformace dat pomoc´ı XSLT. Pokud to bude potˇreba, je moˇzné pˇres implementované rozhran´ı pˇridat podporu pro SQL databáze a podobnˇe. V konfiguraˇcn´ım souboru je moˇzné pˇridávat, mˇenit nebo odeb´ırat zvolené testy a upravovat r˚ uzné nastaven´ı aplikace. Aplikace m˚ uˇze b´ yt provozována na nˇekolika poˇc´ıtaˇc´ıch. Umoˇzn ˇuje z´ alohován´ı, import a sluˇcován´ı databáz´ı, takˇze nezáleˇz´ı, na kterém poˇc´ıtaˇci (pracoviˇsti) bude pacient vyˇsetˇren. Jeho data mohou b´ yt jednoduˇse pˇrenesena do vˇsech ostatn´ıch provozovan´ ych aplikac´ı. Data také mohou b´ yt anonymizována a exportována pro zkoumán´ı mimo lékaˇrská pracoviˇstˇe. Nˇekteré zaj´ımavé a konkrétn´ı detaily implementace jsou bl´ıˇze popsány v kapitole 7.

4.3

Soubor test˚ u

Na základˇe pouˇzit´ ych postup˚ u v jin´ ych prac´ıch a po dohodˇe s lékaˇri jsme stanovili nˇekolik test˚ u, které budou pacienti provádˇet. Testy jsou jednoduché, pacienti jsou snadno instruováni, jaké u ´koly maj´ı provést. K tomu velice napomáhá, ˇze pouˇzit´ y tablet umoˇzn ˇuje sn´ımat data perem, které na pap´ıˇre zanechává stopu (jako kuliˇckové pero) a tak je pro vyˇsetˇrované kreslen´ı intuitivn´ı. Tablet nasn´ımá data a pˇredá je aplikaci ke zpracován´ı. Vˇsechny testy se provádˇej´ı levou i pravou horn´ı konˇcetinou. ˇ ara horizontáln´ı • C´


13

ˇ ara diagonáln´ı • C´ ˇ ara vertikáln´ı • C´ ˇ ara lomená vertikáln´ı • C´ ˇ ara lomená horizontáln´ı • C´ • Osmiˇcka • Spirála • Text • Voln´ y tˇres

Obrázek 4.3: Soubor test˚ u pro jednu ruku (pˇr´ıklad) ˇ ary, osmiˇcky, spirály a text se bˇeˇznˇe pouˇz´ıvaj´ı v lékaˇrské praxi pro diagnózu ParkinsoC´ ˇ ary jsou jednoduché obrazce a pˇri jejich kreslen´ı se nejv´ıce zapojuje celá paˇze, zápˇest´ı nik˚ u. C´ jen minimálnˇe. Osmiˇcky a spirály jsou pro nakreslen´ı obt´ıˇznˇejˇs´ı. Vyˇzaduj´ı jiˇz vizuomotorickou koordinaci a do kreslen´ı se zapojuje v´ıce sval˚ u ruky, zejména pak zápˇest´ı. Pˇri volném tˇresu má vyˇsetˇrovan´ y ˇclovˇek loket volnˇe poloˇzen´ y na stole a pero drˇz´ı volnˇe nad tabletem. Jinou ˇcást ruky neˇz loket nemá o podloˇzku opˇrenou. Data jsou sn´ımána po dobu dvaceti vteˇrin. V tˇechto testech by se tedy mˇely projevovat r˚ uzné druhy tˇresu, jak byly pˇredstaveny v´ yˇse. Poˇzadované obrazce nejsou pˇredkresleny a testovaná osoba je m˚ uˇze nakreslit podle sebe.


14

Pouˇzit´ y tablet (Wacom Intuos2) sn´ımá s frekvenc´ı 200 Hz a rozliˇsen´ım 2 540 dpi a zjiˇst’uje n´ asleduj´ıc´ı u ´daje: souˇradnice x a y, 1024 stupˇ n˚ u tlaku, sklon pera a v´ yˇsku pera nad tabletem.

4.4

Pr˚ ubˇ eh vyˇ setˇ ren´ı

Tablet je pˇripojen k poˇc´ıtaˇci, kde je spuˇstˇena aplikace. Pokud pacient zat´ım v databázi nen´ı, lékaˇr zaloˇz´ı jeho nov´ y záznam — vypln´ı jméno, pˇr´ıjmen´ı, vˇek a rodné ˇc´ıslo. Nyn´ı zaloˇz´ı pacientovi novou návˇstˇevu (pro stálého i nového pacienta). Provede svá lékaˇrská vyˇsetˇren´ı (prst na nos, pohybovou nestabilitu, rigiditu zápˇest´ı a podobnˇe) a v´ ysledky svého vyˇsetˇren´ı dopln´ı k n´ avˇstˇevˇe. Po té zaˇcnou s pacientem provádˇet naˇse testy. Pacient se usad´ı pohodlnˇe pˇred tabletem a dostane do ruky pero od tabletu. Lékaˇr nebo obsluhuj´ıc´ı personál postupnˇe vyb´ırá z nab´ıdky test˚ u a instruuje pacienta, co má nakreslit, pˇr´ıpadnˇe jak se test provád´ı. Po stisku tlaˇc´ıtka Start pacient test vykoná a testuj´ıc´ı zmáˇckne tlaˇc´ıtko Stop. Data se mu zobraz´ı v podobˇe, v které v nich lehce pozná poˇcáteˇcn´ı a koncové artefakty (popsáno v následuj´ıc´ı kapitole 5). Pokud jsou data správnˇe nasn´ımána (pacient ani testuj´ıc´ı neudˇelali chybu), data uloˇz´ı a pokraˇcuje dalˇs´ım testem. Jinak je test zopakován. Po dokonˇcen´ı test˚ u si lékaˇr m˚ uˇze vybrané testy kdykoliv prohl´ıˇzet r˚ uzn´ ymi vizualizaˇcn´ımi metodami a analyzovat je. Implementovan´ ymi nástroji jsou: • Lineárn´ı regrese a vzdálenost od pˇr´ımky pro zpracován´ı ˇcar • Adaptivn´ı filtr pro zpracován´ı osmiˇcek a spirál a zv´ yraznˇen´ı vzdálenosti od filtrovaného pr˚ ubˇehu • Zobrazen´ı signálu, filtrace a rozd´ıl p˚ uvodn´ıho a filtrovaného signálu • Zobrazen´ı signálu v závislosti na délce • Fourierova transformace a spektrogram signálu • Signálem m˚ uˇze b´ yt: θ, x, y, rychlost, vx , vy , tlak Tyto metody jsou popsány dále. Pouˇz´ıván´ı aplikace je podrobnˇe popsáno v pˇr´ıloze C.

´ Í DAT KAPITOLA 5. ZPRACOVAN

15

5 Zpracov´ an´ı dat Namˇeˇrená data jsem nejdˇr´ıve zkoumal v prostˇred´ı Matlab. Teprve pokud se nˇekterá metoda ukázala b´ yt zaj´ımavá, implementoval jsem ji i do své aplikace. Zde popisované algoritmy proto budou uvádˇeny v kódu nebo pseudokódu pˇripom´ınaj´ıc´ı syntaxi Matlabu. Nejdˇr´ıve je data nutné na zaˇcátku a na konci oˇr´ıznout, protoˇze obsahuj´ı artefakty, které dalˇs´ı zkoumán´ı dat znehodnocuj´ı. Tyto artefakty obsahuj´ı jak data zdrav´ ych, tak nemocn´ ych a vznikaj´ı tak, ˇze testovan´ y pˇriloˇz´ı pero na tablet a pár desetin sekundy trvá, neˇz zaˇcne perem pohybovat nebo j´ım pohybuje velice pomalu. To samé se vˇetˇsinou opakuje na konci kreslen´ı, kdy se pero na okamˇzik zastav´ı. Na obrázku 5.1 jsou vidˇet artefakty na zaˇcátku a na konci ˇcáry (ˇcervenˇe zv´ yraznˇeny) u zdravého ˇclovˇeka. Obdodbné artefakty najdeme u vˇsech kreseb. Graf vyjadˇruje závislost θ na ˇcase. Jeden d´ılek znamená 5 ms (vzorkovac´ı frekvence tabletu je 200 Hz). Dále jiˇz budeme pracovat pouze s vyˇciˇstˇen´ ymi daty.

9

8

8

7

6 7 5 6

θ

θ

4 5

3 4 2 3 1

2

1

0

0

50

100

150 l

200

250

−1

0

50

100

150

200 l

250

300

350

Obrázek 5.1: Pˇr´ıklad typick´ ych artefakt˚ u na zaˇcátku a na konci ˇcáry

Z nasn´ıman´ ych dat pouˇz´ıvám pouze souˇradnice x a y. Z nich urˇcuji rychlost: dt = 5; % 5 ms je ˇ casov´ y interval mezi dvˇ ema n´ asleduj´ ıc´ ımi vzorky % SG filtr ˇ r´ adu 3, d´ elky 5 na vektory X a Y fx = sgolayfilt(X, 3, 5); fy = sgolayfilt(Y, 3, 5); % spoˇ c´ ıt´ a diference mezi n´ asleduj´ ıc´ ımi hodnotami ve filtrovan´ ych pol´ ıch fx a fy dx = filter([.5 0 -.5], 1, fx); dy = filter([.5 0 -.5], 1, fy); % korekce na prvn´ ıch dvou pozic´ ıch vektor˚ u dx(1) = 0; dy(1) = 0; dx(2) = (fx(2) - fx(1)); dy(2) = (fy(2) - fy(1)); ds = sqrt((dx .* dx) + (dy .* dy));


16

% v´ ypoˇ cet v = ds / vx = dx / vy = dy /

vektor˚ u rychlost´ ı dt; dt; dt; Pˇred poˇc´ıtán´ım rychlosti mus´ıme data vyhladit filtrem s mal´ ym oknem. V datech je totiˇz patrná kvantizaˇcn´ı chyba a ˇsum, viz obrázek 5.2, které vznikaj´ı pˇrevodem analogového signálu na digitáln´ı. Sousedn´ı okamˇzité rychlosti se proto mohou liˇsit, pˇrestoˇze pohyb pˇri kreslen´ı byl plynul´ y. Filter s parametrem [0.5 0 -0.5] odpov´ıdá diferenci. M˚ uˇzeme si pˇredstavit, ˇze je to pr˚ umˇer ze dvou následuj´ıc´ıch diferenc´ı: z 1 − z 0 z 0 − z −1 + 2 2

(z 1 − z 0 ) + (z 0 − z −1 ) z 1 − z −1 = = 2 2 1 1 1 = z + 0z 0 − z −1 2 2 Obrázek 5.2: Kvantizaˇcn´ı chyba a ˇsum V´ ypoˇcet zmˇeny v x a y je tak ménˇe náchyln´ y k chybám (vznikl´ ych pˇri sn´ıman´ı, digitalizaci apod.). Implementace filtru je s fázov´ ym posuvem, a proto ˇspatnˇe vypoˇc´ıtá prvn´ı dvˇe hodnoty pole. Ty mus´ıme spoˇc´ıtat klasickou cestou. Takto z´ıskáme okamˇzité rychlosti ve smˇeru x, y a velikost vektoru okamˇzité rychlosti pro vˇsechny nasn´ımané body. =

4π

4π

2π

2π

dy θ dx

´ Obrázek 5.3: Uhel θ Obrázek 5.4: Funkce unwrap

Z rychlost´ı ve smˇeru x a y vypoˇc´ıtáme u ´hel θ, kter´ y sv´ırá vektor rychlosti s osou x a pomoc´ı 1 funkce unwrap z´ıskáme závislost u ´hlu θ na ˇcase. ∆y ∆y ∆t = arctan θ = arctan ∆x ∆x ∆t vy = arctan vx

5.1

= arctan

∆y ∆t ∆x ∆t

!

= (5.1)

Spoleˇ cn´ e pˇ r´ıznaky

Z nakreslené kˇrivky se nejdˇr´ıve snaˇz´ıme odvodit jej´ı “ideáln´ı” pr˚ ubˇeh tak, jak ji pacient zam´ yˇslel. Nakreslenou a ideáln´ı kˇrivku od sebe odeˇcteme a dostaneme pr˚ ubˇeh ruˇsiv´ ych vliv˚ u - tˇresu. Z tohoto rozd´ılu pak m˚ uˇzeme extrahovat r˚ uzné pˇr´ıznaky, které ukazuj´ı s´ılu tˇresu. 1 Funkce prov´ ad´ı korekci u ´hlu (v radi´ anech) t´ım, ˇze pˇrid´ av´ a n´ asobky ±2π tak, aby rozd´ıl hodnot mezi n´ asleduj´ıc´ımi elementy v poli nebyl vˇetˇs´ı neˇz π


17

V´ yznamn´ ymi znaky se ukazuj´ı: • Plocha rozd´ılu — ukazuje na celkovou s´ılu tˇresu • Rozd´ıl ploch pod kˇrivkou a nad kˇrivkou — ukazuje, zda je tˇres jednostrann´ y, zda jsou záˇskuby ojedinˇelé, nebo je tˇres rovnomˇern´ y • Maximáln´ı velikost — ukazuje na s´ılu tˇresu • Poˇcet pˇrekroˇcen´ı urˇcitého prahu — ukazuje na jednotlivé silné záˇskuby Tˇres je vlastnˇe kmitán´ı. Proto se pro jeho urˇcen´ı velice hod´ı Fourierova transformace, kter´ a pˇrevád´ı signál z ˇcasové oblasti do frekvenˇcn´ı. S jej´ı pomoc´ı zjiˇst’ujeme, jaké frekvence se v signálu objevuj´ı. Pokud bychom chtˇeli pˇresnˇe urˇcit frekvenci tˇresu pacienta, je k tomu u ´ˇcelu pouˇz´ıvan´ y akcelerometr nebo sledován´ı elektrick´ ych impulz˚ u v nervech pacienta. Pˇri kreslen´ı se projevuje jiˇz jiná frekvence, na kterou má vliv: pˇrevod nervov´ ych vzruch˚ u na svalov´ y pohyb, drˇzen´ı pera v ruce, tˇren´ı pera o podloˇzku a dalˇs´ı. K zjiˇstˇen´ı tˇresu to vˇsak staˇc´ı. Fourierova transformace se vˇsak poˇc´ıtá pˇres celou délku signálu a tak mohou b´ yt ojedinˇelé záˇskuby potlaˇceny, m˚ uˇze se objevit prosakován´ı energie ve spektru. Tˇres nemá pˇresnˇe danou periodu a tak se m˚ uˇze ve spektru projevit v nˇekolika frekvenc´ıch. Tyto problémy jsou potlaˇceny pˇri pouˇzit´ı STFT (Krátkodobá Fourierova transformace). Data se rozdˇel´ı do stejnˇe velk´ ych oken a Fourierova transformace se poˇc´ıtá na kaˇzdém oknˇe zvláˇst’. Vyniknou tak zejména jednotlivé záˇskuby a lokáln´ı tˇres. Podle nˇekter´ ych studi´ı je vhodné pozorovat rychlost kreslen´ı. Nemocn´ı lidé kresl´ı vˇetˇsinou pomaleji. Rychlost kreslen´ı by také mˇela b´ yt stálá, pˇr´ıpadnˇe se mˇenit plynule. M˚ uˇzeme opˇet sledovat pr˚ umˇernou a maximáln´ı rychlost, FFT a spektrogram rychlosti. . .

5.2

ˇ ary horizont´ C´ aln´ı, vertik´ aln´ı, diagon´ aln´ı

Pro urˇcen´ı ideáln´ı kˇrivky pouˇz´ıvám lineárn´ı regresi (odvozen´ı vzoreˇck˚ u viz pˇr´ıloha B.3 na stranˇe 56). Daty proloˇz´ım pˇr´ımku a zjiˇst’uji, jak se od n´ı nakreslená ˇcára odchyluje. Pˇri pouˇzit´ı lineárn´ı regrese jsem narazil na problém. Standardn´ı udávan´ y vzoreˇcek poˇc´ıt´ a se závislost´ı y na x (viz B.22 a B.23). Pokud se vˇsak ˇcára v´ıce bl´ıˇz´ı svislici, kumuluje se v souˇctech chyba a proloˇzená pˇr´ımka neodpov´ıdá skuteˇcnosti. Pro tato data se hod´ı vzoreˇcek, kter´ y poˇc´ıt´ a se závislost´ı x na y (viz B.24). Tuto nepˇr´ıjemnost jsem se pokusil obej´ıt odvozen´ım jiného vztahu pro lineárn´ı regresi. Nov´ y vztah (viz B.29) ovˇsem poˇc´ıtá s rovnomˇern´ ym r˚ ustem dat a proto se také nehod´ı. Vzhledem k tomu, ˇze nejv´ıce nasn´ıman´ ych bod˚ u je na zaˇcátku a (nebo) na konci kˇrivky, data nejdˇr´ıve pˇrevzorkuji z ˇcasové oblasti do oblasti délky - vˇsechny body kˇrivky pak maj´ı pˇresnˇe stejné rozestupy. Podle sklonu ˇcáry poté vyberu vhodnˇejˇs´ı vzoreˇcek pro v´ ypoˇcet line´ arn´ı regrese.

Obrázek 5.5: Lineárn´ı regrese: oranˇzová ˇcára je stˇred lineárn´ı regrese, ˇcervené ˇcáry vymezuj´ı pruh o ˇs´ıˇrce 0,5 cm

Pouˇzit´ı Fourierovy transformace nemˇelo smysl, protoˇze testovan´ y ˇclovˇek nakreslil ˇc´ aru vˇetˇsinou pˇr´ıliˇs rychle a ze spektra ani spektrogramu se poté nic nepozná.


18

5.3

Spir´ aly

Pro urˇcen´ı ideáln´ı kˇrivky pouˇz´ıvám Savitzky-Golay filtr. Savitzky-Golay filtr je polynomiáln´ı vyhlazovac´ı filtr. S jeho pomoc´ı se pokouˇs´ım odstranit ze signálu tˇres. Pokud má pacient nepravidelné záˇskuby, vyznaˇcuj´ı se zejména t´ım, ˇze ve vrcholu zákmitu setrvá pero nˇejakou chv´ıli a nahromad´ı se tam nasn´ımané body. Pro urˇcen´ı pr˚ ubˇehu bez tˇresu tak filtr nelze pouˇz´ıt v ˇcasové oblasti, protoˇze by ho tyto shluky bod˚ u spletly (neodfiltroval by je). Data je proto nejprve nutné pˇrevzorkovat do délkové oblasti (data nebudou záviset na ˇcase, ale následuj´ıc´ı body dat budou m´ıt od sebe stejnou vzdálenost). Zde vˇsak naráˇz´ıme na problém, ˇze stˇred spirály má vˇetˇs´ı zakˇriven´ı, a proto obsahuje i vyˇsˇs´ı frekvence. Nav´ıc SG filtr na zaˇcátku a konci dat sleduje jejich trend a proto potlaˇcuje i legitimn´ı zmˇeny, které se zde vyskytuj´ı. Data je proto nutné filtrovat adaptivn´ım filtrem. Filtr mˇen´ı v pr˚ ubˇehu filtrace svoji délku lichobˇeˇzn´ıkov´ ym pr˚ ubˇehem. Délka filtru uprostˇred spirály (maximum) je odvozena od jej´ı velikosti. Filtr zaˇc´ıná na jedné ˇsestinˇe maximáln´ı délky a lineárnˇe se zvˇetˇsuje aˇz do jedné pˇetiny délky dat. Posledn´ı ˇctyˇricetinu pak délka filtru opˇet lineárnˇe klesá na polovinu maximáln´ı délky. Viz obrázek 5.6.

200 180 160

délka okna

140 120 100 80 60 40 20 0

0

100

200

300

400

500 n

600

700

800

900

1000

Obrázek 5.6: Pr˚ ubˇeh velikosti okna adaptivn´ıho filtru ˇ ad SG filtru je 2 a maximáln´ı délku filtru urˇc´ıme z rozmˇer˚ R´ u spirály (ˇs´ıˇrky a v´ yˇsky). Jako odpov´ıdaj´ıc´ı vzorec se ukázal b´ yt maxLength = 1.1 × (max(x) + max(y) − min(x) − min(y))/200;

(5.2)

Z takto vyfiltrovaného signálu m˚ uˇzeme urˇcovat rozd´ıl od nakreslen´ ych dat, plochu rozd´ılu a podobnˇe, ale experimenty ukázaly, ˇze nen´ı vhodn´ y pro poˇc´ıtán´ı FFT a STFT. To je vidˇet zejména z obrázk˚ u 5.7 a 5.15. Prvn´ı z nich je spirála zdravého ˇclovˇeka, druh´ y obrázek je spirála ˇclovˇeka evidentnˇe postiˇzeného tˇresem. Fourierova transformace a STFT pˇritom vykazuj´ı podobné hodnoty a proto je nelze odliˇsit v délkové oblasti. Na obrázc´ıch 5.7 aˇz 5.16 je vidˇet, ˇze adaptivn´ı filtr nalezne kˇrivku, kterou chtˇel testovan´ y nakreslit.


19

4

x 10 1.6

1.4

y

1.2

1

0.8

0.6

0.4 0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

x

4

x 10

4

2

x 10

100

1.8 50

1.6

1.4 0 x,y

1.2

1 −50 0.8

0.6

−100

0.4

0.2

0

200

400

600

800

1000 n

1200

1400

1600

1800

−150

0

200

400

600

800

1000 n

1200

1400

1600

1800

Obrázek 5.7: Anal´ yza spirály zdravého ˇclovˇeka v délkové oblasti (a): 1) nahoˇre p˚ uvodn´ı a filtrovaná spirála, 2) vlevo dole pr˚ ubˇeh v ose x a y a jejich filtrované hodnoty, 3) vpravo dole rozd´ıl filtrovan´ ych a p˚ uvodn´ıch hodnot v x a y,


20

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

120

x 10

0

0

20

40

60 f[Hz]

80

100

120

Obrázek 5.8: Anal´ yza spirály zdravého ˇclovˇeka v délkové oblasti (b): 4) vlevo nahoˇre FFT na rozd´ıl v x, 5) vpravo nahoˇre FFT na rozd´ıl v y, 6) vlevo dole spektrogram rozd´ıl v x, 7) vpravo dole spektrogram rozd´ıl v y


21

16000

14000

y

12000

10000

8000

6000

4000

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

2.2

x

4

x 10

4

2.2

x 10

300

2 200 1.8 100

1.6

1.4 x,y

0 1.2 −100 1

0.8

−200

0.6 −300 0.4

0.2

0

500

1000

1500

2000 n

2500

3000

3500

−400

0

500

1000

1500

2000

2500

3000

3500

n

Obrázek 5.9: Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (1a): 1) nahoˇre p˚ uvodn´ı a filtrovaná spirála, 2) vlevo dole pr˚ ubˇeh v ose x a y a jejich filtrované hodnoty, 3) vpravo dole rozd´ıl filtrovan´ ych a p˚ uvodn´ıch hodnot v x a y,


22

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

120

x 10

0

0

20

40

60 f[Hz]

80

100

120

Obrázek 5.10: Anal´ yza spirály nemocného ˇclovˇeka v délkové oblasti (1b): 4) vlevo nahoˇre FFT na rozd´ıl v x, 5) vpravo nahoˇre FFT na rozd´ıl v y, 6) vlevo dole spektrogram rozd´ıl v x, 7) vpravo dole spektrogram rozd´ıl v y


23

4

x 10 2

1.8

y

1.6

1.4

1.2

1

1.4

1.6

1.8

2

2.2

2.4

2.6

2.8

x

4

x 10

4

2.8

x 10

400

2.6

300

2.4 200 2.2 100

x,y

2

1.8

0

1.6

−100

1.4 −200 1.2 −300

1

0.8

0

200

400

600

800

1000 n

1200

1400

1600

1800

−400

0

200

400

600

800

1000

1200

1400

1600

1800

n



24

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

0

120

60

50

50

40

40

0

20

40

60 f[Hz]

80

100

120

f[Hz]

60

f[Hz]

x 10

30

30

20

20

10

10

50

100

150

200

250 t

300

350

400

50

100

150

200

250

300

350

400

t



25

12000

11000

10000

y

9000

8000

7000

6000

5000

1.5

1.6

1.7

1.8

1.9

2

2.1

2.2

2.3

2.4

x

2.5 4

x 10

4

2.5

x 10

400

300 2 200

1.5 x,y

100

0 1

−100 0.5 −200

0

0

200

400

600

800 n

1000

1200

1400

−300

0

200

400

600

800

1000

1200

1400

n



26

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

0

120

60

50

50

40

40

0

20

40

60 f[Hz]

80

100

120

f[Hz]

60

f[Hz]

x 10

30

30

20

20

10

10

50

100

150

200 t

250

300

50

100

150

200

250

300

t



27

4

x 10 1.5

1.4

1.3

y

1.2

1.1

1

0.9

0.8

0.7 1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2

x

2.1 4

x 10

4

2.2

x 10

150

2 100 1.8

x,y

1.6

50

1.4

0

1.2

1 −50 0.8

0.6

0

200

400

600

800 n

1000

1200

−100

0

200

400

600

800

1000

1200

n



28

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

0

120

60

50

50

40

40

0

20

40

50

100

60 f[Hz]

80

100

120

f[Hz]

60

f[Hz]

x 10

30

30

20

20

10

10

50

100

150

200 t

250

300

150

200

250

300

t



29

Pro v´ ypoˇcty FFT a STFT je vhodnˇejˇs´ı filtrace v ˇcasové oblasti SG filtrem, jehoˇz délka je odvozena od pr˚ umˇerné rychlosti kreslen´ı. Experimenty odhalily vzorec pro v´ ypoˇcet délky filtru (délka mus´ı b´ yt lichá) length = 2 ∗ ceil(700/mean(v)) + 1 (5.3) a ˇrád filtru je 3. Funkce mean vypoˇc´ıtá stˇredn´ı hodnotu prvk˚ u v poli. Takto urˇcená délka filtru je vˇsak pro spirály, které maj´ı málo bod˚ u (nakreslené rychle, vˇetˇsinou zdrav´ ym ˇclovˇekem) pˇr´ıliˇs velká a proto ji mus´ıme sn´ıˇzit, napˇr´ıkad: length = 2 ∗ ceil(700/mean([v 10000])) + 1

(5.4)

V tomto pˇr´ıpadˇe nen´ı adaptivn´ı filtr nutn´ y, postaˇc´ı filtrovat celou posloupnost jedn´ım filtrem s danou délkou. 4

4

x 10

x 10 1.45

1.4

1.4

1.35

1.35

1.3

1.3

1.25

1.25 y

y

1.45

1.2 1.15

1.2 1.15

1.1

1.1

1.05

1.05

1

1

0.95

0.95

0.8

0.9

1

1.1 x

1.2

1.3

1.4 4

x 10

0.8

0.9

1

1.1 x

1.2

1.3

1.4 4

x 10

Obrázek 5.17: Vlevo pˇrefiltrovaná spirála (dlouhá délka okna), vpravo správnˇe filtrovaná spir´ ala


30

4

x 10 1.6

1.4

y

1.2

1

0.8

0.6

0.4 0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

x

4

x 10

4

2

x 10

80

1.8

60

1.6 40 1.4 20

x,y

1.2 0 1 −20 0.8 −40 0.6 −60

0.4

0.2

0

50

100

150

200

250 n

300

350

400

−80

0

50

100

150

200

250

300

350

400

n

Obrázek 5.18: Anal´ yza spirály zdravého ˇclovˇeka v ˇcasové oblasti (a): 1) nahoˇre p˚ uvodn´ı a filtrovaná spirála, 2) vlevo dole pr˚ ubˇeh v ose x a y a jejich filtrované hodnoty, 3) vpravo dole rozd´ıl filtrovan´ ych a p˚ uvodn´ıch hodnot v x a y,


31

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

0

120

60

50

50

40

40

0

20

40

60 f[Hz]

80

100

120

f[Hz]

60

f[Hz]

x 10

30

30

20

20

10

10

10

20

30

40

50 t

60

70

80

90

10

20

30

40

50

60

70

80

90

t

Obrázek 5.19: Anal´ yza spirály zdravého ˇclovˇeka v ˇcasové oblasti (b): 4) vlevo nahoˇre FFT na rozd´ıl v x, 5) vpravo nahoˇre FFT na rozd´ıl v y, 6) vlevo dole spektrogram rozd´ıl v x, 7) vpravo dole spektrogram rozd´ıl v y


32

16000

14000

y

12000

10000

8000

6000

4000

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

2.2

x

4

x 10

4

2.2

x 10

150

2 100 1.8

1.6 50

x,y

1.4

1.2

0

1 −50 0.8

0.6 −100 0.4

0.2

0

200

400

600

800

1000 n

1200

1400

1600

1800

2000

−150

0

200

400

600

800

1000 n

1200

1400

1600

1800

2000

Obrázek 5.20: Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (1a): 1) nahoˇre p˚ uvodn´ı a filtrovaná spirála, 2) vlevo dole pr˚ ubˇeh v ose x a y a jejich filtrované hodnoty, 3) vpravo dole rozd´ıl filtrovan´ ych a p˚ uvodn´ıch hodnot v x a y,


33

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

120

x 10

0

0

20

40

60 f[Hz]

80

100

120

Obrázek 5.21: Anal´ yza spirály nemocného ˇclovˇeka v ˇcasové oblasti (1b): 4) vlevo nahoˇre FFT na rozd´ıl v x, 5) vpravo nahoˇre FFT na rozd´ıl v y, 6) vlevo dole spektrogram rozd´ıl v x, 7) vpravo dole spektrogram rozd´ıl v y


34

4

x 10 2

1.8

y

1.6

1.4

1.2

1

1.4

1.6

1.8

2

2.2

2.4

2.6

2.8

x

4

x 10

4

2.8

x 10

200

2.6

150

2.4

100

2.2 50 2 x,y

0 1.8 −50 1.6 −100 1.4 −150

1.2

−200

1

0.8

0

500

1000

1500

2000 n

2500

3000

−250

0

500

1000

1500

2000

2500

3000

n



35

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

120

x 10

0

0

20

40

60 f[Hz]

80

100

120



36

12000

11000

10000

y

9000

8000

7000

6000

5000

1.5

1.6

1.7

1.8

1.9

2

2.1

2.2

2.3

2.4

x

2.5 4

x 10

4

2.5

x 10

500

400 2 300

200

x,y

1.5

100

1

0

−100 0.5 −200

0

0

500

1000

1500

2000

2500 n

3000

3500

4000

4500

−300

0

500

1000

1500

2000

2500

3000

3500

4000

4500

n



37

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

120

x 10

0

0

20

40

60 f[Hz]

80

100

120



38

4

x 10 1.5

1.4

1.3

y

1.2

1.1

1

0.9

0.8

0.7 1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2

2.1

x

4

x 10

4

2.2

x 10

150

2 100 1.8 50

x,y

1.6

1.4

0

1.2 −50 1 −100 0.8

0.6

0

500

1000

1500 n

2000

−150

0

500

1000

1500

2000

n



39

4

4

x 10

10

9

9

8

8

7

7

6

6 spektrum

spektrum

10

5

5

4

4

3

3

2

2

1

1

0

0

20

40

60 f[Hz]

80

100

120

x 10

0

0

20

40

60 f[Hz]

80

100

120


40

KAPITOLA 6. DISKUSE

6 Diskuse V´ ysledkem pˇredchoz´ı kapitoly jsou dva hlavn´ı poznatky: • V prostorové oblasti se lepé urˇcuje rozd´ıl nakreslen´ ych obrazc˚ u od “ideáln´ıho” pr˚ ubˇehu. Jsou zde lépe vidˇet odchylky od vyhlazeného pr˚ ubˇehu. Dá se z nˇej urˇcit amplituda. A je vhodn´ y jako vizualizace pro lékaˇre. • V ˇcasové a frekvenˇcn´ı oblasti je tˇres vidˇet z jiného pohledu, lépe se urˇcuj´ı dominantn´ı frekvence a charakter tˇresu (zda je periodick´ y ˇci aperiodick´ y) Vˇenoval jsem se hlavnˇe anal´ yze spirál, protoˇze je na nich tˇres nejlépe poznat. Spirálám jsou velice podobné osmiˇcky a závˇery ze spirál by mˇely b´ yt aplikovatelné i na nˇe. V ˇradˇe jin´ ych prac´ı jsou spirály a osmiˇcky pro testované osoby pˇredkresleny a ti je pak maj´ı za u ´kol na tablet pˇrekreslit. Zjednoduˇsuje se tak hledán´ı p˚ uvodn´ıho pr˚ ubˇehu, protoˇze ten je znám pˇredem. Do spirály kreslené volnˇe se vˇsak mohou prom´ıtnout i dalˇs´ı aspekty pacientovy choroby. Tˇemito vlivy jsem se nezab´ yval, ale moˇzná by se daly v poˇctu otáˇcek spirály, zploˇstˇen´ı a dalˇs´ıch deformac´ıch naj´ıt i jiné pˇr´ıznaky. Tˇres u pˇr´ım´ ych ˇcar (horizontaln´ı, vertikáln´ı a diagonáln´ı) se projev´ı sp´ıˇse jen pˇri tˇeˇzˇs´ım postiˇzen´ı tˇresem. Ostatn´ı ji vˇetˇsinou nakresl´ı pˇr´ıliˇs rychle a ˇsvihem. Tˇres tak nemá ani moˇznost se projevit. Bylo by vhodné zváˇzit, jestli by testovan´ı nemˇeli b´ yt instruováni, aby kreslili ˇcáru pomaleji. V tomto pˇr´ıpadˇe by vˇsak bylo zˇrejmˇe nutné vyladit nebo naj´ıt nové algoritmy pro filtrován´ı signálu. Lineárn´ı regrese by totiˇz nemusela staˇcit a napˇr´ıklad u spirál jsme vidˇeli, ˇze bylo nutné aplikovat adaptivn´ı filtr. Voln´ y tˇres jsem bl´ıˇze nezkoumal, ale ˇslo by ho pˇribl´ıˇzit testu provádˇenému v [LYB+ 00] (viz kapitola 3.6 na stranˇe 9). Tam má testovan´ y za u ´kol udrˇzet pero v otvoru daného pr˚ umˇeru, aniˇz by se dotknul jeho okraje. Voln´ y tˇres tento experiment docela vˇernˇe simuluje. V naˇsem pˇr´ıpadˇe vˇsak pacient otvor nevid´ı a tak by mohl perem nevˇedomky pohybovat pryˇc. To by se dalo vyˇreˇsit bud’ t´ım, ˇze na tabletu bude pˇredkreslen bod, nad kter´ ym má testovan´ y pero drˇzet, nebo se m˚ uˇze vliv posunu pera eliminovat filtrem s n´ızk´ ym ˇrádem a velkou délkou okna. Z v´ ysledného signálu pak m˚ uˇzeme urˇcovat amplitudu, kolikrát testovan´ y pˇrekroˇcil urˇcit´ y práh, kolik ˇcasu strávil za hranic´ı prahu a podobnˇe. Tento test pomoc´ı tabletu by mohl b´ yt i v´ yhodnˇejˇs´ı neˇz test pomoc´ı NHST jako v [LYB+ 00], protoˇze dotyˇcn´ y by nemusel b´ yt testovan´ y pro kaˇzd´ y otvor zvláˇst’, ale staˇcil by jeden test a velikost otvoru lze pak mˇenit v aplikaci. Pro lomené ˇcáry a text jsem nenaˇsel ˇzádn´ y vhodn´ y zp˚ usob jejich automatické anal´ yzy. Proto bych doporuˇcoval je z test˚ u vyjmout. To by ovˇsem mohla b´ yt ˇskoda, protoˇze anal´ yza psaného textu je jiˇz zabˇehl´ ym lékaˇrsk´ ym postupem. Nˇekteré choroby se projevuj´ı ve zmˇenˇe velikosti p´ısma, jeho sklonu a podobnˇe. Proto by bylo dobré tyto pˇr´ıznaky sledovat v pr˚ ubˇehu ˇcasu. Druhou moˇznost´ı tedy je, ˇze je bude ohodnocovat obsluhuj´ıc´ı personál dle nˇejaké stanovené stupnice. Nˇekteré ˇcinnosti jsou pˇreci jen stále vhodnˇejˇs´ı pro ˇclovˇeka neˇz pro poˇc´ıtaˇc a anal´ yza psaného textu k nim bezesporu patˇr´ı. Zvláˇstˇe pak, kdyˇz u nˇekter´ ych pacient˚ u je pr˚ ubˇeh choroby natolik závaˇzn´ y, ˇze p´ıˇs´ı jiˇz jen tiskace. Kromˇe Fourierovy transformace jsem pro zkoumán´ı tˇresu v signálu zkouˇsel pouˇz´ıt i vlnkovou (wavelet) transformaci, ale nepodaˇrilo se mi naj´ıt lepˇs´ı pˇr´ıznaky. FFT a hlavnˇe STFT se v tomto pˇr´ıpadˇe ukazuj´ı b´ yt lepˇs´ımi.

6.1

Pˇ r´ıznaky

Z uveden´ ych postup˚ u m˚ uˇzeme extrahovat pˇr´ıznaky: • Pr˚ ubˇeh x, y v prostorové oblasti – maximáln´ı odchylka od ideáln´ıho pr˚ ubˇehu

KAPITOLA 6. DISKUSE

41

– pr˚ umˇerná odchylka od ideáln´ıho pr˚ ubˇehu; velikost plochy, kterou tvoˇr´ı rozd´ıl nakresleného a ideáln´ıho pr˚ ubˇehu – kolikrát se kreslená kˇrivka vzdál´ı od ideáln´ı kˇrivky o v´ıce neˇz stanoven´ y pr´ ah (napˇr´ıkad 1 mm, 3 mm, 5 mm) – procentuáln´ı pomˇer délky kˇrivky za prahem ku délce celé kˇrivky – procentuáln´ı pomˇer délky nakreslené kˇrivky ku délce “ideáln´ı” kˇrivky – Pokud od sebe odeˇcteme ideáln´ı a nakreslenou kˇrivku, dostaneme linearizovan´ y pr˚ ubˇeh. M˚ uˇzeme zjistit rozd´ıl ploch nad kˇrivkou a pod kˇrivkou, tedy jestli je tˇres jednostrann´ y. • Pr˚ ubˇeh x, y v ˇcasové a frekvenˇcn´ı oblasti – dominantn´ı frekvence ve spektru – velikost plochy ohraniˇcené FFT – maximum ve spektrogramu – pod´ıl vyˇsˇs´ıch frekvenc´ı ve spektru a spektrogramu — pravdˇepodobnˇe vznikaj´ı jako vyˇsˇs´ı harmonické frekvence ve spektru – kolikrát hodnoty ve spektrogramu pˇrekroˇc´ı urˇcit´ y práh (to závis´ı mimo jiné na druhu kˇrivky a je potˇreba tuto hranici teprve stanovit) – pr˚ umˇer z hodnot spektrogramu — pravdˇepodobnˇe by mˇel staˇcit pˇres niˇzˇs´ı frekvence (1–10 Hz) • Pr˚ ubˇeh θ (viz vzorec 5.1). Protoˇze je u ´hel vypoˇc´ıtán z pr˚ ubˇeh˚ u x a y, m˚ uˇze s nimi korelovat a m˚ uˇze nˇekteré zákmity zd˚ uraznit. Abychom z tˇechto pˇr´ıznak˚ u dostali jednu nebo dvˇe hodnoty, které by vystihovaly tˇres — napˇr´ıklad druh tˇresu a závaˇznost tˇresu, m˚ uˇzeme tˇreba nauˇcit neuronovou s´ıt’, rozhodovac´ı strom nebo podobnˇe. Na pouˇzité metodˇe tolik nezáleˇz´ı. Nejdˇr´ıve by se vˇsak musel nasb´ırat reprezentativn´ı a dostateˇcnˇe velik´ y vzorek dat od pacient˚ u a zdrav´ ych lid´ı. Nˇekteré testy nelze na tabletu a poˇc´ıtaˇci provádˇet, proto by do tohoto vyhodnocovac´ıho algoritmu mˇely vstupovat i u ´daje z vyˇsetˇren´ı lékaˇrem — test prst na nos, zav´ırán´ı dlan´ı, test posturáln´ı nestability a dalˇs´ı. Na typech a hodnocen´ı tˇechto test˚ u je vˇsak nejprve nutné se s lékaˇri dohodnout. Pravdˇepodobnˇe se ukáˇze, ˇze nˇekteré pˇr´ıznaky spolu koreluj´ı a jejich v´ ypoˇcet je nadbyteˇcn´ y. Nˇekteré navrˇzené pˇr´ıznaky nemus´ı vypov´ıdat v˚ ubec o niˇcem. Budeme je pak moci z aplikace vynechat a zjednoduˇsit ji.

6.2

Dalˇ s´ı moˇ zn´ e pˇ r´ıznaky

Tyto pˇr´ıznaky jsem bl´ıˇze nezkoumal, ale mohly by se ukázat jako cenné: • Pr˚ ubˇeh vx a vy . Je moˇzné je zkoumat stejnˇe jako pr˚ ubˇeh x a y a lze je i pouˇz´ıt pro hled´ an´ı ideáln´ı kˇrivky. Signál vx a vy se nejdˇr´ıve pˇrefiltruje a poté se z pˇrefiltrované posloupnosti opˇet sestav´ı pr˚ ubˇeh x a y (jiˇz filtrovan´ y). Experiment ukázal, ˇze by to mohla b´ yt dalˇs´ı moˇznost hledán´ı ideáln´ıho pr˚ ubˇehu. • Tlak, sklon pera. Dle [Pul98] zvyˇsuj´ı Parkinsonici tlak na jedné stranˇe spirály, to se dle nasn´ıman´ ych dat zdá b´ yt pravda (viz obrázek 6.1) a stoj´ı za bliˇzˇs´ı prozkoumán´ı. Nemocn´ı lidé také, zdá se, vykazuj´ı vˇetˇs´ı rozd´ıly hodnot v tlaku.

42

KAPITOLA 6. DISKUSE

12000

1000

900 11000 800

700

10000

tlak

y

600 9000

500

400 8000 300

200

7000

100 6000 0

1000

2000

3000

4000 x

5000

6000

7000

0

0

500

1000

1500

n

Obrázek 6.1: Parkinsonici vykazuj´ı vˇetˇs´ı tlak na jedné stranˇe spirály

• Sledovat dlouhodob´ y trend x, y, θ a registrovat krátkodobé zmˇeny (z rostouc´ıho pr˚ ubˇehu na klesaj´ıc´ı a podobnˇe). • Zkoumat jiné moˇznosti pro hledán´ı ideáln´ıho pr˚ ubˇehu signálu bez tˇresu. Napˇr´ıklad m´ısto Savitzky-Golay filtru vyzkouˇset FIR a IIR filtry, doln´ı propusti a nebo u ´plnˇe jiné metody • Mozeˇckov´ y tˇres se projevuje neschopnost´ı provádˇet rychlé opakované pohyby, proto bych dle [ESA+ 01] (viz 3.5 na stranˇe 9) do test˚ u zaˇradil i rychlé klepán´ı perem o tablet.

KAPITOLA 7. IMPLEMENTACE

43

7 Implementace Aplikace pro lékaˇre ve fakultn´ı nemocnici v Motole je napsána v programovac´ım jazyku Java. Umoˇzn ˇuje zaznamenávat u ´daje o pacientech, hodnotit a diagnostikovat pacienta bˇehem návˇstˇev a sn´ımat, uchovávat, zobrazovat a analyzovat data z tabletu. Aplikace je plnˇe objektov´ a a postavena na architektuˇre MVC. Za bliˇzˇs´ı zm´ınku stoj´ı návrh vlastn´ı databáze a tˇr´ıd pro prohl´ıˇzen´ı dat.

7.1

Datab´ aze

Databáze se skládá ze tˇr´ı ˇcást´ı: tˇr´ıdy pro reprezentaci dat v pamˇeti poˇc´ıtaˇce, abstraktn´ı tˇr´ıdy pro naˇc´ıtán´ı dat z extern´ı databáze a vlastn´ıch implementac´ı pro r˚ uzné extern´ı databáze (XML, MySQL, ODBC a podobnˇe). UML diagram návrhu je na obrázku 7.1. • Kaˇzd´ y pacient je jednoznaˇcnˇe identifikován sv´ ym ID, které v reálném svˇetˇe reprezentuje rodné ˇc´ıslo pacienta. • Kaˇzdá návˇstˇeva je jednoznaˇcnˇe identifikována pacientem, ke kterému patˇr´ı, a ˇcasem, kdy probˇehla. • Vˇsechna nasn´ımaná data jsou jednoznaˇcnˇe identifikována návˇstˇevou, ke které patˇr´ı, a ˇcasem, kdy byla nasn´ımána Metodám pro nahráván´ı a ukládán´ı dat do extern´ıho u ´loˇzistˇe se pˇredávaj´ı jako prvn´ı parametr vlastn´ı data. Napˇr´ıklad PacientLoader.load(Pacient, ID). Pˇri nahráván´ı se do nˇej uloˇz´ı naˇctená data. Pˇri spuˇstˇen´ı aplikace je vytvoˇrena a inicializována tˇr´ıda pro nahráván´ı databáze z extern´ıho zdroje. V naˇsem pˇr´ıpadˇe XMLDatabaseLoader. Ta je pˇredána konstruktoru tˇr´ıdy Database. Ta obsahuje seznam objekt˚ u tˇr´ıdy Pacient, které se hned nahraj´ı pomoc´ı XMLPacientLoader. Pokud uˇzivatel vybere nˇejakého pacienta, nahraje se seznam jeho návˇstˇev. T´ım se ˇsetˇr´ı pamˇet’, protoˇze data jednotliv´ ych návˇstˇev mohou v pamˇeti poˇc´ıtaˇce zab´ırat aˇz nˇekolik des´ıtek MB. K uchován´ı odkazu na seznam návˇstˇev je pouˇzita tˇr´ıda SoftReference. Ta dovoluje v pˇr´ıpadˇe nedostatku pamˇeti uvolnit pamˇet’, na kterou ukazuje (za podm´ınky, ˇze nen´ı odkazována ˇzádn´ ym ’ jin´ ym bˇeˇzn´ ym objektem. Takˇze v pˇr´ıpadˇe, ˇze docház´ı pamˇet vyhrazená pro aplikaci a pacienta jiˇz nepotˇrebujeme, jsou z pamˇeti uvolnˇeny záznamy o jeho návˇstˇevách. Pokud je uˇzivatel bude nˇekdy potˇrebovat, opˇet se nahraj´ı. Podobnˇe funguje i objekt tˇr´ıdy Data, kter´ y obsahuje informace o nasn´ıman´ ych datech (popis, datum, poznámky, . . . ) “mˇekk´ y odkaz” na objekt TabletData. Tˇr´ıda TabletData obsahuje vlastn´ı data (souˇradnice x, y a dalˇs´ı u ´daje). Tyto se také nahrávaj´ı aˇz v pˇr´ıpadˇe potˇreby (prohl´ıˇzen´ı, anal´ yza) a pˇri nedostatku pamˇeti uvolˇ nuj´ı. Vzhledem k velkému pohybu dat pˇri ukládán´ı je pˇri volán´ı metody pro uloˇzen´ı dat k dispozici moˇznost ukládát jen informace o datech a volitelnˇe uloˇzit i nasn´ımaná data. Dvˇe databáze maj´ı moˇznost se slouˇcit do jedné pomoc´ı metody Database.merge(Database d1, Database d2). Do databáze d1 se uloˇz´ı záznamy z databáze d2, které databáze d1 neobsahuje. Na konkrétn´ım extern´ım uloˇziˇsti databáz´ı nezáleˇz´ı. Uˇzivatel má moˇznost zálohovat celou databázi a provést jej´ı export. Pˇri zálohován´ı jsou vˇsechna data zachována a tuto zálohu je moˇzno vyuˇz´ıt pro import a slouˇcen´ı na jiném poˇc´ıtaˇci. Pˇri exportován´ı jsou osobn´ı u ´daje o pacientech (jméno, pˇr´ıjmen´ı a rodné ˇc´ıslo) anonymizov´ any, aby je bylo moˇzné pouˇz´ıt pro anal´ yzu mimo lékaˇrské zaˇr´ızen´ı bez poruˇsen´ı zákona. V souˇcasnosti je podporována pouze XML databáze. Ale nen´ı problém vytvoˇrit tˇr´ıdy pro manipulaci s daty v jin´ ych u ´loˇziˇst´ıch (napˇr. v MySQL databázi).

44


Database −loader:DatabaseLoader −pacients:List<Pacient> +save():void +export(exporter:DatabaseLoader):void +import(importer:DatabaseLoader):void

DatabaseLoader XMLDatabaseLoader +getDefaultPacientLoader():PacientLoader +load(database:Database):void +save(database:Database):void +merge( database:Database,temp:Database):void

PacientLoader Pacient −loader:PacientLoader −visits:List

XMLPacientLoader +getDefaultVisitLoader():VisitLoader +save(patient:Pacient):void +load(patient:Pacient,ID:String):void +getVisits(patient:Pacient):List +merge(loader:VisitLoader,pacient:Pacient,temp:Pacient):void

VisitLoader Visit −loader:VisitLoader −data:List +save():void

Data −loader:DataLoader −td:TabletData +save(saveData:boolean):void

XMLVisitLoader +getDefaultDataLoader():DataLoader +save(visit:Visit):void +load(visit:Visit,date:Date):void +merge(loader:DataLoader,visit:Visit,temp:Visit):void

DataLoader

XMLDataLoader

+load(data:data,visit Visit:visit Visit,date:Date):void +save(data:Data,saveData:boolean):void +getData(data:Data):TabletData

TabletData

.

Obrázek 7.1: UML návrhu databáze

7.1.1

XML datab´ aze

K manipulaci s XML soubory jsem pouˇzil knihovnu JDOM ([HM97]). XML databáze se nacház´ı ve zvoleném adresáˇri (koˇrenov´ y adresáˇr databáze, implicitnˇe data). Tento adresáˇr obsahuje XML soubor database.xml, kde jsou uloˇzeny u ´daje o databázi a pacientech. Koˇrenov´ y adresáˇr obsahuje podadresáˇre s u ´daji o návˇstˇevách pacienta (jméno podadresáˇre odpov´ıdá rodnému ˇc´ıslu pacienta). Informace o návˇstˇevˇe jsou uloˇzeny v XML souborech, jejichˇz jméno má tvar RRRR_MM_DD_HH_MM.xml (ˇcas návˇstˇevy). Soubory návˇstˇev maj´ı v sobˇe uloˇzeny informace o návˇstˇevˇe (datum, diagnóza, . . . ) a o datech, které k návˇstˇevˇe patˇr´ı. Vlastn´ı data jsou uloˇzena v souboru RRRR_MM_DD_HH_MM_SS.zip. Komprese je pouˇzita proto, ˇze práci s daty v´ yraznˇe zrychluje. Kompresn´ı pomˇer dosahuje témˇeˇr 50 % a ˇcas potˇrebn´ y na kompresi a dekompresi je kratˇs´ı neˇz ˇcas potˇrebn´ y na obsluhu disku pˇri pouˇzit´ı nekomprimo-


45

van´ ych dat. Velikost dat je dále zmenˇsena pouˇzit´ım binárn´ıho formátu pro ukládán´ı dat. Jeden bod sejmut´ y z tabletu je reprezentován 20 byty, jejichˇz v´ yznam je následuj´ıc´ı: • 3 byty - souˇradnice x • 3 byty - souˇradnice y • 4 byty - ˇcas • 2 byty - sklon pera • 2 byty - v´ yˇska pera nad tabletem • 2 byty - tlak • 1 byte - tlaˇc´ıtka • 3 byty - sériové ˇc´ıslo Pˇriloˇzen´ y program na CD (UnPacker.jar) se spouˇst´ı v adresáˇri pacienta a pˇrevede vˇsechny soubory s pˇr´ıponou zip do textového formátu ˇcitelného Matlabem i ˇclovˇekem.

7.2

Prohl´ıˇ zeˇ ce

Pro zobrazen´ı dat jsem naprogramoval skupinu tˇr´ıd. Vˇsechny jsou potomky abstraktn´ı tˇr´ıdy TabletDataViewer a mus´ı implementovat abstraktn´ı metodu public abstract void paint (Graphics g). Kromˇe toho mohou implementovat nˇekolik následuj´ıc´ıch metod: • public String getDescription() - vypisuje informace o prohl´ıˇzeˇci • public void updateControls() - volá se pˇri zmˇenˇe dat, pˇri zmáˇcknut´ı ovladac´ıho tlaˇc´ıtka • public void disableControls() - volá se, pokud maj´ı b´ yt deaktivována ovládac´ı tlaˇc´ıtka • public void updateData() - volá se v pˇr´ıpadˇe zmˇeny v datech nebo parametrech pro v´ ypoˇcty Kromˇe toho jednotlivé prohl´ıˇzeˇce implementuj´ı dalˇs´ı vlastn´ı metody, které operuj´ı nad zobrazovan´ ymi daty. Hierarchie implementovan´ ych prohl´ıˇzeˇc˚ u je na obrázku 7.2. Pˇr´ım´ ym potomkem TabletDataViewer je SimpleTabletDataViewer. Ten umoˇzn ˇuje jednoduché zobrazen´ı dat na plátno a implementuje nˇekolik metod pro urˇcen´ı pozice kresby a tabletu na plátnˇe. Tyto metody jsou pˇrepsány v potomkovi ZoomTabletDataViewer, kter´ y umoˇzn ˇuje pˇribliˇzovat/oddalovat kresbu a pohybovat s kresbou a tabletem po plátnˇe. Druh´ ym potomkem TabletDataViewer je abstraktn´ı tˇr´ıda DoubleViewer. Ta pouze zastˇreˇsuje dva dalˇs´ı prohl´ıˇzeˇce, které dˇel´ı plátno na dvˇe p˚ ulky — horn´ı (DoubleViewerTop) a doln´ı (DoubleViewerBottom). Potomkem tˇr´ıdy DoubleViewer je tˇr´ıda DoubleViewerDrag, kter´ a umoˇzn ˇuje myˇs´ı vyb´ırat ˇcásti kresby. Tˇr´ıda DoubleViewerBottom2 rozˇsiˇruje tˇr´ıdu rodiˇce o moˇznost zobrazit graf v závislosti na jiné promˇenné, neˇz na posloupnosti 1, 2, . . . , n. Tˇr´ıda TADoubleViewerTop umoˇzn ˇuje zjiˇst’ovat, jestli byl na datech proveden nov´ y v´ ybˇer. Seznam nejd˚ uleˇzitˇejˇs´ıch tˇr´ıd: TabletDataViewer abstraktn´ı tˇr´ıda, kterou mus´ı vˇsechny prohl´ıˇzeˇce rozˇsiˇrovat

KAPITOLA 7. IMPLEMENTACE 46

SimpleTabletDataViewer

TabletDataViewer #tabletData:TabletData

DoubleViewer

DoubleViewerDrag

DoubleViewerBottom

DoubleViewerBottom2

PressureTabletDataViewer

TimeTabletDataViewer

+setBottom(vect:double[],min:double,max:double):void

TimeDifTabletDataViewer

FFTTabletDataViewer

+setBottom(vect:double[],maxPower:double,maxFrequency:int):void

KepsterTabletDataViewer

LengthTabletDataViewer

+setBottom(x:double[],vect:double[],min:double,max:double):void

+setMaxFrequency(frequency:int):void

FFTBottom

+paint(g:Graphics):void #paintGraph(g:Graphics,scrWidth:int,offsetFi:int,koef:double):void #setDrawColor(g:Graphics,index:int):void +setBegin(begin:int):void +setEnd(end:int):void +setWhiteX(index:int):void +setMin(min:double):void +setMax(max:double):void +getSize():int +getOffset():int

+setBegin(begin:int):void +setEnd(end:int):void

DoubleViewerTop

#bottom:DoubleViewerBottom #top:DoubleViewerTop

+paint(g:Graphics):void +repaint():void +setTabletData(data:Data):void +getDescription():String +updateControls():void +disableControls():void +updateData():void

FiltWidthTabletDataViewer

ZoomTabletDataViewer

#clearWindow(g:Graphics):void #drawTablet(g:Graphics):void #paintData(g:Graphics,tabletData:TabletData):void #setDrawColor(g:Graphics,index:int):void +getScreenWidth():int +getScreenHeight():int +getKoeficient():double +getPictureWidth():int +getPictureHeight():int +getTabletOffsetX():int +getTabletOffsetY():int +getOffsetX():int +getOffsetY():int

SpecgramTabletDataViewer

LinearRegressionWidthTabletDataViewer

TADoubleViewerTop

+getControls():JPanel +changed():boolean #setChanged(changed:boolean):void

Obrázek 7.2: UML diagram hierarchie prohl´ıˇzeˇc˚ u


47

SimpleTabletDataViewer nejjednoduˇsˇs´ı zobrazovaˇc dat ZoomTabletDataViewer zobrazovaˇc dat, kter´ y um´ı pohybovat s daty a tabletem a implementuje funkci lupy SpecgramTabletDataViewer um´ı zobrazit spektrogram signálu LinearRegressionTabletDataViewer provede lineárn´ı regresi dat a zobraz´ı pruh, do kterého by se mˇela data vej´ıt FiltWidthTabletDataViewer vyfiltruje x, y adaptivn´ım filtrem a zobraz´ı pruh, do kterého by se data mˇela vej´ıt DoubleViewer abstraktn´ı tˇr´ıda, kterou implementuj´ı prohl´ıˇzeˇce s dvˇema okny PressureTabletDataViewer tˇr´ıda zobrazuj´ıc´ı tlak v rozsahu hodnot 0–1024 (rozsah tabletu Wacom Intuos2) TimeTabletDataViewer tˇr´ıda zobrazuje signál v závislosti na ˇcase1 TimeDifTabletDataViewer tˇr´ıda zobrazuje rozd´ıl p˚ uvodn´ıho a filtrovaného signálu v závislosti 1 na ˇcase LengthTabletDataViewer tˇr´ıda zobrazuje signál v závislosti na délce1 FFTTabletDataViewer tˇr´ıda zobrazuje FFT rozd´ılu p˚ uvodn´ıho a filtrovaného signálu (v závislosti na ˇcase) KepsterTabletDataViewer tˇr´ıda zobrazuje kepstrum (spektrum spektra) rozd´ılu p˚ uvodn´ıho a filtrovaného signalu (v závislosti na ˇcase)

7.3

Struktura bal´ık˚ u

• jwintab interface k dll knihovnˇe tabletu • mathutil tˇr´ıdy pro matematické operace (FFT, filtry, lineárn´ı regrese, spektrogram, . . . ) • res adresáˇr s obrázky a ikonami aplikace • spirals – data tˇr´ıdy pro uchováván´ı a práci s daty ∗ doubleViewers prohl´ıˇzeˇce, které jsou potomky tˇr´ıdy DoubleViewer ∗ viewers jednoduché prohl´ıˇzeˇce – motol aplikace ∗ database tˇr´ıdy pro uchováván´ı databáze v pamˇeti ∗ gui tˇr´ıdy staraj´ıc´ı se o vykreslen´ı aplikace ∗ loaders tˇr´ıdy pro nahráván´ı dat z extern´ıch zdroj˚ u · XML tˇr´ıdy pro nahráván´ı dat z XML databáze • tablet tˇr´ıdy pro ovládán´ı a informac´ıch o tabletu 1

Tˇr´ıdy zobrazuj´ıc´ı sign´ al v z´ avislosti na ˇcase nebo na délce maj´ı rozsah od minima do maxima sign´ alu (to je odliˇsuje od pˇresnˇe stanoveného rozsahu PressureTabletDataViewer. Sign´ alem m˚ uˇze b´ yt: θ, x, y, rychlost, vx , vy , tlak

´ ER ˇ KAPITOLA 8. ZAV

48

8 Z´ avˇ er Seznámil jsem se s r˚ uzn´ ymi metodami vyˇsetˇrován´ı (pouˇz´ıvan´ ymi i experimentáln´ımi) pacient˚ u a na jejich základˇe jsem ve spolupráci s lékaˇri navrhl sadu test˚ u, které pacienti podstoup´ı. Navrhnul jsem a napsal aplikaci, která zpracovává data z tabletu a uchovává je v XML databázi. Aplikaci lze jednoduˇse rozˇs´ıˇrit o dalˇs´ı ovladaˇce k jin´ ym databáz´ım. Aplikace byla psána s ohledem na v´ ykon, pouˇzité systémové zdroje a uˇzivatelskou pˇr´ıvˇetivost. V´ ysledky test˚ u jsou uchovávány v databázi a zpracovávány navrˇzen´ ymi analytick´ ymi nástroji. V´ ysledky, testy a jejich pr˚ ubˇehy si mohou lékaˇri zobrazit pomoc´ı implementované sady prohl´ıˇzeˇc˚ u. Implementované nástroje jsou: • Lineárn´ı regrese a vzdálenost od pˇr´ımky pro zpracován´ı ˇcar • Adaptivn´ı filtr pro zpracován´ı osmiˇcek a spirál a zv´ yraznˇen´ı vzdálenosti od filtrovaného pr˚ ubˇehu • Zobrazen´ı signálu, filtrace a rozd´ıl p˚ uvodn´ıho a filtrovaného signálu • Zobrazen´ı signálu v závislosti na délce • Fourierova transformace a spektrogram signálu • Signálem m˚ uˇze b´ yt: θ, x, y, rychlost, vx , vy , tlak Navrhované zmˇeny (bl´ıˇze popsané v kapitole 6 na stranˇe 40): • Vypustit z test˚ u lomené ˇcáry a text • Pˇridat mezi testy “t’ukán´ı” • Zváˇzit, zda nepˇridat obkreslované osmiˇcky a spirály • Testovan´ı by zˇrejmˇe mˇeli b´ yt instruováni, aby pˇr´ımé ˇcáry kreslili pomaleji • Zpracovávat voln´ y tˇres podobnˇe jako NHST • Zamˇeˇrit se na tlak pera Experimenty ukázaly, ˇze po pˇreveden´ı signálu z ˇcasové závislosti do délkové se lépe urˇcuje p˚ uvodn´ı, filtrovan´ y signál. Z nˇej se pak dá urˇcit tˇres, kter´ y se na p˚ uvodn´ı signál superponuje. Na druhou stranu ze signálu v závislosti na ˇcase se pomoc´ı Fourierovy transformace a krátkodobé Fourierovy transformace lépe urˇcuje frekvence a m´ısta s nejvˇetˇs´ım tˇresem. Vlnková (wavelet) transformace se neukázala b´ yt pˇr´ınosem. Zda navrhované pˇr´ıznaky opravdu o tˇresu vypov´ıdaj´ı, je tˇreba teprve ovˇeˇrit. Dále je potˇreba rozˇs´ıˇrit databázi pacient˚ u na reprezentativn´ı vzorek (souˇcasn´ ych sedm pacient˚ u je málo) s r˚ uzn´ ymi chorobami v r˚ uzném vˇeku — s vˇekem se mˇen´ı i dynamika psan´ı a kreslen´ı, a to by mohlo m´ıt na navrˇzené nástroje vliv. To je tˇreba ovˇeˇrit. K pacient˚ um bude tˇreba srovnávac´ı skupina zdrav´ ych lid´ı z r˚ uzn´ ych vˇekov´ ych skupin. Závˇerem bych shrnul, ˇze vytyˇcené c´ıle se mi podaˇrilo dosáhnout (aˇz na ovˇeˇren´ı pˇredpokládané vypov´ıdac´ı hodnoty pˇr´ıznak˚ u). Aplikace i s nástroji byla pouˇz´ıvána ve fakultn´ı nemocnici v Motole. Doufám, ˇze má práce podpoˇr´ı zájem o v´ yzkum a podporu lékaˇr˚ u modern´ı poˇc´ıtaˇcovou technikou.

KAPITOLA 9. LITERATURA

49

9 Literatura [AN04]

Jim Arlow and Ila Neustadt. UML a unifikovaný proces vývoje aplikac´ı. Computer Press, Nám. 28. dubna 48, 635 00 Brno, 2004.

[BO03]

David J. Burn and John T. O’Brien. Use of functional imaging in parkinsonism and dementia. Movement Disorders, 18(6):88–95, 2003.

[BPL+ 01] L. S. Boylana, S. L. Pullman, S. H. Lisanby, K. E. Spicknall, and H. A. Sackeim. Repetitive transcranial magnetic stimulation to sma worsens complex movements in parkinson’s disease. Clinical Neurophysiology, 112:259–264, 2001. [CED+ 99] P. David Charles, Gregory J. Esper, Thomas L. Davis, Robert J. Maciunas, and David Robertson. Classification of tremor and update on treatment. American Family Physician, 1999. [CSG+ 00] Esther Cubo, Glenn T. Stebbins, Lawrence I. Goelbe, Annette V. Nieves, Sue Luergans, Christopher G. Goetz, and Katie Kompoliti. Application of the unified parkinson’s disease rating scale in progressive supranuclear palsy: Factor analysis of the motor scale. Movement Disorders, 15(2):276–279, 2000. [CVB03]

José L. Conteras-Vidal and Ethan R. Buch. Effects of parkinson’s disease on visuomotor adaption. Experimental Brain Research, pages 25–32, 2003.

[Dol05]

Jan Doleˇzel. Semestráln´ı práce - anal´ yza spirál, 2005.

[Eck03]

Bruce Eckel. Thinking in Java. Pearson Education, Inc., Prentice Hall PTR Upper Saddle River, NJ 07458, 3 edition, 2003.

[ESA+ 01] Lutz-Peter Erasmus, Stefania Sarno, Holger Albrecht, Martina Schwecht, and Nicolaus König Walter Pöllmann. Measurement of ataxic symtomps with a graphic tablet: standard values in controls and validity in multiple sclerosis patients. Journal of Neuroscience Methods, 108:25–37, 2001. [FJ97]

Matteo Frigo and Steven G. Johnson. FFTW, 1997. http://www.fftw.org/.

[GHJV03] Erich Gamma, Richard Helm, Ralph Johnson, and John Vlissides. N´ avrh program˚ u pomoc´ı vzor˚ u. Grada Publishing a.s., U Pr˚ uhonu 466/22 Praha 7, 2003. [HM97]

Jason Hunter and Brett McLaughlin. Knihovna JDOM, 1997. http://jdom.org/.

[KD04]

Helmut Kopka and Patrick W. Daly. Latex: Kompletn´ı pr˚ uvodce. Computer Press, Nám. 28. dubna 48, 635 00 Brno, 2004.

[LP01]

Elan D. Louis and Seth L. Pullman. Comparsion of clinical vs. electrophzsiological methods of diagnosing of essential tremor. Movement Disorders, 16(4):668–673, 2001.

[LYB+ 00] Elan D. Louis, Edna Yousefzadeh, Livia F. Barnes, Qiping Yu, Seth L. Pullman, and Kristin J. Wendt. Validation of a portable instrument for assessing tremor severity in epidemiologic field studies. Movement Disorders, 15(1):95–102, 2000. [MBLK00] Erwin B. Montgomery, Kenneth B. Baker, Kelly Lyons, and William C. Koller. Motor initiation and execution in essential tremor and parkinson’s disease. Movement Disorders, 15(3):511–515, 2000.

50

KAPITOLA 9. LITERATURA

[MGM99] C. Marquardt, W. Gentz, and N. Mai. Visual control of automated handwriting movements. Experimental Brain Research, pages 224–228, 1999. [MKL+ 00] Erwin B. Montgomery, William C. Koller, Theodora J. K. LaMantia, Mary C. Newman, Elizabeth Swanson-Hyland, Alfred W. Kaszniak, and Kelly Lyons. Early detection of probable idiopathic parkinson’s disease: I. development of a diagnostic test battery. Movement Disorders, 15(3):467–473, 2000. [MM93]

C. Marquardt and N. Mai. A computational procedure for movement analysis in handwriting. Journal of Neuroscience Methods, 52:39–45, 1993.

[Pul98]

Seth L. Pullman. Spiral analysis: A new technique for measuring tremor with a digitizing tablet. Movement Disorders, 13:85–89, 1998.

[Rek05]

Jun Rekimoto. Knihovna JWinTab, 2005. http://www.csl.sony.co.jp/person/ rekimoto/java/jwintab/.

[SBGH99] Miguel Schwartz, Samich Badarny, Svetlana Gofman, and Shraga Hocherman. Visuomotor performance in patients with essential tremor. Movement Disorders, 14(6):988–993, 1999. [Sch01]

ˇ Herbert Schildt. Java 2 - Pˇr´ıruˇcka program´ atora. SoftPress s.r.o., Cajkovsk´ eho 16, 616 00 Brno, 2001.

[Sm05]

ˇ ıd. Matlab v mˇeˇren´ı. Vydavatelstv´ı CVUT, ˇ Miloˇs Sedláˇcek and Radislav Sm´ Zikova 4, 166 36 Praha 6, 2005.

[Sma03]

Sharon Smaga. Tremor. American Family Physician, 2003.

[Sun04]

Sun Microsystems. The java tutorials, 2004. docs/books/tutorial/.

[TT97]

Antonio Sánchez Torralba and Antonio S. Torralba. SavitzkyGolay filters, 1997. http://bbm1.ucm.es/torralba/funder/theory/ savitzky_golay_filters.shtml.

http://java.sun.com/

ˇ YCH ´ DODATEK A. SEZNAM POUZIT ZKRATEK

A Seznam pouˇ zit´ ych zkratek CBC Complete blood scan, kompletn´ı krevn´ı obraz CT poˇc´ıtaˇcová tomografie DOS Degree of Severity DFT Diskrétn´ı Fourierova transformace FFT Fast Fourier Transform FIR Finite Impulse Response (filter) GTST Groove-Type Steadiness Tester IDFT Inverzn´ı diskrétn´ı Fourierova transformace IIR Infinite Impulse Response (filter) MRI Magnetická rezonance MVC Model-View-Controller NHPT Nine Hole Peg Test NHST Nine-Hole Steadiness Tester PET Pozitronová emisn´ı tomografie RMSE Root Mean Square Error STFT Short-Time Fourier Transform SG Savitzky-Golay (filter) SPECT Fotonová emisn´ı poˇc´ıtaˇcová tomografie XML Extensible Markup Language

51

52

ˇ YCH ´ DODATEK A. SEZNAM POUZIT ZKRATEK

´ APARAT ´ DODATEK B. MATEMATICKY

53

B Matematick´ y apar´ at B.1

Fourierova transformace

Kaˇzd´ y signál lze reprezentovat v ˇcasové oblasti, ale i v oblasti frekvenˇcn´ı. Tyto oblasti jsou duáln´ı a v obou oblastech lze na signálu provádˇet stejné operace. Tyto operace maj´ı v obou oblastech ale jinou sloˇzitost. K transformaci signálu mezi tˇemito oblastmi slouˇz´ı Fourierova transformace. Fourierova transformace vycház´ı z pˇredpokladu, ˇze kaˇzd´ y signál lze reprezentovat jako superpozici nekoneˇcnˇe mnoha sinusov´ ych signál˚ u. V´ ysledkem Fourierovy transformace jsou fourierovy koeficienty, které vyjadˇruj´ı, jak dan´ a sinusovka pˇrisp´ıvá k signálu, ˇcili vlastnˇe amplitudu sinusovky. Podm´ınku, aby bylo moˇzno signál pˇrevést Fourierovou transformac´ı je, ˇze funkce x(t) mus´ı b´ yt po ˇcástech spojitá, jej´ı derivace mus´ı b´ yt také po ˇcástech spojitá (v tˇech sam´ ych intervalech) a Z ∞ |x(t)|dt < ∞ (B.1) −∞

pak

∞

Z

X(ω) =

x(t)e−jωt dt

(B.2)

−∞

je Fourier˚ uv obraz funkce x(t) (nˇekdy naz´ yvané frekvenˇcn´ı spektrum). Toto spektrum lze rozepsat na X(ω) = R(ω) + jI(ω) = A(ω)ejϕ(ω) (B.3) kde X(ω) je vektor komplexn´ıch spektráln´ıch koeficient˚ u, R(ω) je jeho reálná ˇcást, která vyjadˇruje amplitudy kosin˚ u, I(ω) je pak ˇcást imaginárn´ı a obsahuje amplitudy sin˚ u, A(ω) je amplituda a jϕ(ω) fáze jednotliv´ ych sinusovek. Vzorec pro v´ ypoˇcet inverzn´ı Fourierovy transformace (z frekvenˇcn´ı zpˇet do ˇcasové oblasti) je 1 x(t) = 2π B.1.1

Z

∞

X(iω)ejωt dω

(B.4)

−∞

Diskr´ etn´ı Fourierova transformace

Protoˇze zpracováváme signál na poˇc´ıtaˇci v digitáln´ı podobˇe, dostáváme ho v podobˇe diskrétn´ıch vzork˚ u s urˇcitou samplovac´ı frekvenc´ı, pouˇz´ıváme pro pˇrevod diskrétn´ıho signálu z ˇcasové oblasti do frekvenˇcn´ı diskrétn´ı Fourierovu transformaci. Základn´ı definiˇcn´ı vztahy pro pˇr´ımou a zpˇetnou diskrétn´ı Fourierovu transformaci jsou X(k/N T ) = T x(nT ) =

1 NT

N −1 X

2π

x(nT )e−j N nk ,

n=0 N −1 X

2π

X(k/N T )ej N nk ,

k = 0, 1, 2, . . . , N − 1

(B.5)

n = 0, 1, 2, . . . , N − 1

(B.6)

k=0

a umoˇzn ˇuj´ı urˇcit frekvenci odpov´ıdaj´ıc´ı dané hodnotˇe k (fk = k/N T ) a ˇcas odpov´ıdaj´ıc´ı hodnotˇe n (tn = nT ). V praxi se vˇsak pro v´ ypoˇcet DFT a IDFT pouˇz´ıvaj´ı zjednoduˇsené vztahy X(k) = x(n) =

1 N

N −1 X

n=0 N −1 X k=0

2π

x(n)e−j N nk , 2π

X(k)ej N nk ,

k = 0, 1, 2, . . . , N − 1

(B.7)

n = 0, 1, 2, . . . , N − 1

(B.8)


54

Pro v´ ypoˇcet DFT se nejˇcastˇeji pouˇz´ıvá algoritmus rychlé Fourierovy transformace (FFT). V souˇcasnosti zˇrejmˇe nejdokonalejˇs´ı známou verz´ı algoritmu je FFTW vyvinut´ y na MIT (Massachusetts Institute of Technology) viz. [FJ97]. Typickou aplikac´ı DFT je nalezen´ı harmonick´ ych sloˇzek v zaˇsumˇeném signálu (ty v ˇcasové oblasti lze jen tˇeˇzko zjistit). Harmonické sloˇzky se projevuj´ı jako ˇspiˇcky v´ ykonového spektra. V´ ykonové spektrum signálu spoˇc´ıtáme jako P (k) = |X(k)|2 /N . B.1.2

Kr´ atkodob´ a Fourierova transformace

Pokud se zab´ yváme anal´ yzou nestacionárn´ıch signál˚ u (signál˚ u, jejichˇz parametry se mˇen´ı s ˇcasem — napˇr´ıklad s promˇennou frekvenc´ı), a to my dˇeláme, s klasickou Fourierovou transformac´ı jiˇz nevystaˇc´ıme. Potˇrebujeme u spektra sledovat nejen jeho okamˇzit´ y tvar, ale i um´ıstˇen´ı v ˇcase. Jedn´ım z nástroj˚ u ˇcasovˇe-frekvenˇcn´ı anal´ yzy je i krátkodobá Fourierova transformace, jej´ımˇz v´ ysledkem je krátkodobé spektrum (STFT spektrum). 2

6

1.5 5 1 4

spektrum

0.5

0

3

−0.5 2 −1 1 −1.5

−2

0

200

400

600

800

1000 t[ms]

1200

1400

1600

1800

2000

0

0

0.1

0.2

0.3

0.4

0.5 f[Hz]

0.6

0.7

0.8

0.9

1

Obrázek B.1: Srovnán´ı FFT a STFT Na obrázku B.1 vlevo vid´ıme signál, u kterého se lineárnˇe zvyˇsuje frekvence. Na tomtéˇz obrázku uprostˇred je Fourierova transformace tohoto signálu. Vid´ıme, ˇze spektrum se rozprostˇrelo pˇres vˇsechny frekvence v nˇem obsaˇzené. Oproti tomu na obrázku vpravo je spektrum STFT, kde vid´ıme, jak se frekvence mˇen´ı v pr˚ ubˇehu ˇcasu. Pokud v definici Fourierovy transformace pouˇzijeme signál vynásoben´ y oknem, jehoˇz poloha se v˚ uˇci signálu mˇen´ı s prametrem τ , dostaneme spektrum jako funkci dvou promˇenn´ ych (ω a τ ): Z

∞

X(ω, τ ) =

x(t)w(t − τ )e−jωt) dt

(B.9)

−∞

Okno w(t − τ ) potlaˇcuje hodnoty signálu vnˇe své délky. Vzhledem k tomu, ˇze plocha obdéln´ıku o stranách ∆t a ∆ω je konstatn´ı, nelze souˇsasnˇe dosáhnout vysokého rozliˇsen´ı v ˇcase i frekvenci. Krátké ˇcasové okno umoˇzn ˇuje vysoké rozliˇsen´ı v ˇcase, ale ˇspatné rozliˇsen´ı ve frekvenci a naopak. Pokud bychom zvolili okno pˇres celou délku signálu, dostáváme se zpátky k p˚ uvodn´ı Fourierovˇe transformaci. Stejnˇe jako u Fourierovy transformace (v´ ykonové spektrum), spoˇc´ıtáme spektrogram jako Sx (ω, τ ) = |X(ω, τ )|2 . V praxi se opˇet sp´ıˇse setkáme s diskrétn´ım signálem. STFT spektrum pro diskrétn´ı ˇcas a frekvence m˚ uˇzeme vyjádˇrit jako X(k, m) =

N −1 X

x(n)w(n − mN )e−j

n=0

V podstatˇe poˇc´ıtáme pro kaˇzdé okno FFT zvláˇst’.

2πnk M

(B.10)


B.2

55

Savitzky-Golay filtry

Savitzky-Golay filtr je vyhlazovac´ı filtr (také naz´ yvan´ y digitáln´ı polynomiáln´ı vyhlazovac´ı filtr nebo vyhlazovac´ı filtr metodou nejmenˇs´ıch ˇctverc˚ u). Typicky jsou pouˇz´ıvány k vyhlazen´ı zaˇsumˇeného signálu, jehoˇz frekvenˇcn´ı rozpˇet´ı (bez ˇsumu) je veliké. V tˇechto typech u ´loh si Savitzky-Golay filtry vedou lépe neˇz klasické FIR filtry, které spolu s ˇsumem filtruj´ı i znaˇcnou ˇcást vyˇsˇs´ıch frekvenc´ı signálu. Aˇckoliv jsou Savitzky-Golay filtry lepˇs´ı pˇri zachován´ı vysokofrekvenˇcn´ıch sloˇzek signálu, v potlaˇcován´ı ˇsumu jsou naopak horˇs´ı neˇz bˇeˇzné FIR filtry. Principem je pˇribl´ıˇzit N bod˚ u (se stejnou vzorkovac´ı frekvenc´ı) v pohyblivém oknˇe fi , i = −l, . . . , r, kde N = l + r + 1, polynomu stupnˇe M < N − 1. K tomu se nejlépe hod´ı metoda nejmenˇs´ıch ˇctverc˚ u. Polynom m˚ uˇzeme vyjádˇrit jako gi = a0 + a1 i + · · · + aM iM a tak ˇreˇs´ıme rovnici Ba = f (B.11) kde B je matice mocnin 1 −l · · · (−l)M  . .. . . ..  .. . . .   kM B =  1 k ···  . .. . . ..  . .  . . . 1 r ··· rM 

        

(B.12)

a = (a0 , . . . , aM ) je vektor koeficient˚ u polynomu a f = (f−l , . . . , fr ) je vektor dat. Matice B má v´ıce ˇrádek neˇz sloupc˚ u a tak je rovnice B.11 pˇreurˇcená. Rovnici zaˇcneme ˇreˇsit rozˇs´ıˇren´ım transponovanou matic´ı B z leva: (B T B)a = B T f

(B.13)

a = (B T B)−1 (B T f )

(B.14)

dostáváme Protoˇze rovnice B.13 je lineárn´ı, m˚ uˇzeme rovnici B.14 vyjádˇrit jako a = Cf

(B.15)

kde C je Savitzky-Golay matice, která nezávis´ı na vstupn´ıch datech. To znamená, ˇze existuje univerzáln´ı sada Savitzky-Golay matic, takˇze nemus´ıme poˇc´ıtat nejmenˇs´ı ˇctverce pro kaˇzd´ a data zvláˇst’, ale m˚ uˇzeme si spoˇc´ıtat matici C, kdyˇz známe N a M . Nav´ıc, koeficienty polynomu jsou spjaty s prvn´ımy M derivacemi (a nultou) uprostˇred okna (i = 0): dn gi = n!an ∆λ−n (B.16) din i=0 ∆λ je vzdálenost mezi body. D˚ usledkem B.16 je, ˇze pokud chceme vyhladit data (vztah pro nultou derivaci), staˇc´ı n´ am prvn´ı ˇrádek matice C (pro prvn´ı derivaci druh´ y ˇrádek atd.). To lze vyjádˇrit jako konvoluci an =

r X

cni fi

(B.17)

i=−l

ze které lze filtrovanou n-tou derivaci spoˇc´ıtat. Takˇze pokud fi = δij , pak cnj = an , pro n = 0, 1, . . . , M a j = −l, . . . , r, kde δij je Kroneckerovo delta a dosazen´ım do B.14 dostáváme cnj =

M h X i=0

(B T B)−1

i ni

ji

(B.18)


56

coˇz jsou koeficienty Savitzky-Golay matice, které souˇcasnˇe splˇ nuj´ı podm´ınku r X

cnj = δ0n

(B.19)

j=−l

Odvozen´ı vztah˚ u je pˇrevzato z [TT97].

B.3

Line´ arn´ı regrese

Lineárn´ı regrese pˇredstavuje aproximaci dan´ ych hodnot polynomem prvn´ıho ˇrádu (pˇr´ımkou) metodou nejmenˇs´ıch ˇctverc˚ u. Pro odvozen´ı vztahu pro lineárn´ı regresi zaˇcneme vyjádˇren´ım pˇr´ımky jako y = kx + q

(B.20)

x a y jsou souˇradnice bod˚ u na pˇr´ımce, k je sklon pˇr´ımky a q je posunut´ı po ose y. My máme mnoˇzinu bod˚ u [˜ xi , y˜i ] a potˇrebujeme k nim naj´ıt k a q, tak aby souˇcet ˇctverc˚ u vzdálenost´ı od této pˇr´ımky ([xi , y i ]) byl minimáln´ı: e = y − kx + q N X

e =

(yi − kxi + q)2 = min

(B.21)

i=1

Rovnici tedy zderivujeme podle k i q: δe δk

= 2

δe δq

= 2

N X i=1 N X

(−xi )(yi − kxi + q) = 0 (yi − kxi + q) = 0

i=1

obˇe strany rovnice vynásob´ıme 1/2N : N 1 X (−xi yi + kx2i − qxi ) = 0 N i=1 N 1 X yi − kxi + q = 0 N i=1

to m˚ uˇzeme pˇrepsat jako Exy − kEx2 + qEx = 0 Ey − kEx + qN = 0 To uˇz jsou dvˇe rovnice o dvou neznám´ ych, jejichˇz ˇreˇsen´ım je: k =

Exy −

ExEy N (Ex)2 N

Ex2 − q = Ey − kEx

(B.22) (B.23)

´ APARAT ´ DODATEK B. MATEMATICKY B.3.1

57

Line´ arn´ı regrese dat, z´ avislost x na y

Právˇe odvozen´ y vztah vycház´ı ze závislosti pˇr´ımky y na x. A proto, pokud ho pouˇzijeme na data pˇreváˇznˇe horizontáln´ı (k > 1), m˚ uˇze vlivem akumulace chyb pˇri mˇeˇren´ı, vzorkován´ı a podobnˇe, doj´ıt k chybnému urˇcen´ı k a q. Pro takováto data je lépe vzorec odvodit ze závislosti x na y. Postup je stejn´ y (ve vzorc´ıch staˇc´ı prohodit x za y), dostaneme vˇsak ky a qy v souˇradné soustavˇe s prohozen´ ymi osami x a y (k = 1/ky a q = −kqy ). Tedy: k =

Ey 2 −

(Ey)2 N ExEy N

Exy − q = Ey − kEx

B.3.2

(B.24) (B.25)

Line´ arn´ı regrese dat, z´ avislost na t

Tˇret´ı moˇznost´ı pro odvozen´ı vzorce pro lineárn´ı regresi je rozdˇelit data na sloˇzku x a na sloˇzku y. Pro kaˇzdou spoˇc´ıtat lineárn´ı regresi zvláˇst’ (v závislosti na indexu) a takto vypoˇc´ıtané hodnoty spojit do v´ ysledného k a q. Vycház´ıme ze vzorce (xi , yi ) = (qx , qy ) + (kx , ky )t

(B.26)

ˇ t je diskrétn´ı (od 1 do poˇctu bod˚ Cas u N ). Pro kaˇzdou sloˇzku se snaˇz´ıme minimalizovat chybu: ex = x − kx t − qx ex =

N X

(xi − kx i − qx )2 = min

(B.27)

i=1

ey = y − ky t − qy ey =

N X

(yi − ky i − qy )2 = min

(B.28)

i=1

Nyn´ı postupujeme stejnˇe jako v prvn´ım pˇr´ıpadˇe (sloˇzka y obdobnˇe): δex δqx

=

δex δkx

=

N X i=1 N X

(xi − kx i − qx ) = 0 i(xi − kx i − qx ) = 0

i=1

Ex − Eikx − N qx = 0 Exi − Ei2 kx − N Eiqx = 0 Opˇet soustava dvou rovnic o dvou neznám´ ych a v´ ysledek kx =

ExEi − Exi (Ei)2 − Ei2

a koneˇcnˇe kx EyEi − Eyi = ky ExEi − Exi q = Ey − kEx

k =

kde Ei = (N + 1)/2.

(B.29) (B.30)

58


ˇ ´ / INSTALACN ˇ Í PR ˇ ÍRUCKA ˇ DODATEK C. UZIVATELSK A

59

C Uˇ zivatelsk´ a / instalaˇ cn´ı pˇ r´ıruˇ cka Aplikaci nen´ı nutno instalovat. K bˇehu aplikace staˇc´ı pouze adresáˇr bin, kde jsou uloˇzeny java archivy s tˇr´ıdami a soubor config.xml, kde jsou uloˇzeny promˇené a konfigurace aplikace. Aplikace se v prostˇred´ı Windows spouˇst´ı dávkov´ ym souborem StartDatabase.bat. Pokud ˇzádná databáze neexistuje, je pˇri startu vytvoˇrena implicitnˇe v adresáˇri data. Pokud nen´ı k poˇc´ıtaˇci pˇripojen´ y tablet, aplikace na to upozorn´ı. Aplikace je funkˇcn´ı i bez tabletu - uˇzivatel si m˚ uˇze procházet databázi, zobrazovat a analyzovat data. Nem˚ uˇze vˇsak sb´ırat nová data.

C.1

Pr´ ace s pacienty a n´ avˇ stˇ evami

Na obrázku C.1 vid´ıme okno aplikace hned po spuˇstˇen´ı. V horn´ı ˇcásti je toolbar s ikonami pro práci s databáz´ı, v levé ˇcásti je panel s pacienty a nejvˇetˇs´ı ˇcást okna zab´ırá hlavn´ı panel, kde jsou aktuálnˇe zobrazeny souhrnné informace o databázi.

Obrázek C.1: Aplikace po spuˇstˇen´ı

V liˇstˇe s ikonami najdeme tato tlaˇc´ıtka: Nov´ y pacient Zaloˇz´ı nového pacienta — bude probráno pozdˇeji ˇ pacient˚ Export Provede anonymizaci dat (nahrad´ı jména a RC u náhodn´ ymi identifkátory) a uloˇz´ı databázi do zip archivu. Tato anonymn´ı data potom lze nahrát do databáze na jiném poˇc´ıtaˇci a analyzovat.

60


Import Slouˇc´ı stávaj´ıc´ı databázi s databáz´ı uloˇzenou v zip archivu Z´ aloha Provede zálohu dat do zip archivu (bez anonymizace — data jsou vhodná pro import na jiném poˇc´ıtaˇci) Konfigurace Umoˇzn ˇuje zvolit vzhled aplikace a vybrat tablet. O aplikaci Informace o programu Konec Ukonˇc´ı práci s databáz´ı

Obrázek C.2: Vytváˇren´ı nového pacienta

Pokud klikneme na tlaˇc´ıtko Nov´ y pacient, objev´ı se na hlavn´ım panelu záznamy o pacientovi (viz obrázek C.2), které je tˇreba vyplnit: jméno a pˇr´ıjmen´ı, datum narozen´ı, rodné ˇc´ıslo a zda je pravák nebo levák. Po vyplnˇen´ı u ´daj˚ u zmáˇckne uˇzivatel tlaˇc´ıtko Nov´ a n´ avˇ stˇ eva a zaloˇz´ı tak pacientovi prvn´ı návˇstˇevu u lékaˇre. Na obrázku C.3 vid´ıme dialog, kter´ y uˇzivatel (lékaˇr) vyplˇ nuje pˇri návˇstˇevˇe pacienta. Pokud toto nen´ı prvn´ı návˇstˇeva pacienta, vˇsechny informace se z pˇredposledn´ı návˇstˇevy pˇrekop´ıruj´ı do nové návˇstˇevy a lékaˇri jsou nab´ıdnuty k editaci. Lékaˇr vypln´ı diagnózu, aktuáln´ı pro tuto návˇstˇevu, pˇr´ıpadnˇe poznámku vztahuj´ıc´ı se k aktuáln´ı návˇstˇevˇe. Dále vyplˇ nuje m´ıru postiˇzen´ı (na stupnici 0–4) v r˚ uzn´ ych tˇresech v obou horn´ıch konˇcetinách. Poté pˇrejde na záloˇzku data a zaˇcne sn´ımat nová data. Práci s daty probereme v sekci C.2.


61

Obrázek C.3: Vytváˇren´ı nové návˇstˇevy

V levé ˇcásti okna aplikace se nacház´ı seznam pacient˚ u. Pokud je pacient vybrán (napˇr´ıklad dvojklikem), objevuj´ı se u nˇej i absolvované návˇstˇevy. V pravé ˇcásti okna aplikace se poté vypisuj´ı informace vztahuj´ıc´ı se k vybranému pacientovi nebo návˇstˇevˇe. Ihned po vybrán´ı je uˇzivateli zakázáno u ´daje mˇenit, aby nedoˇslo k náhodnému znehodnocen´ı dat. Po zmáˇcknut´ı tlaˇc´ıtka Zmˇ en ˇ u ´ daje vespod okna má uˇzivatel moˇznost potˇrebné u ´daje zmˇenit. Ihned nad seznamem pacient˚ u se nacházej´ı tˇri tlaˇc´ıtka (z leva): vyhled´ av´ an´ı, z´ amek a ˇ razen´ı. Vyhled´ av´ an´ı (obrázek C.4) umoˇzn ˇuje vybrat pacienty podle zadaného kritéria. Umoˇzn ˇuje vybrat pacienty v rozsahu pˇr´ıjmen´ı a jména, podle data posledn´ı návˇstˇevy nebo podle data narozen´ı. Do levého pol´ıˇcka se zadává poˇcáteˇcn´ı p´ısmeno (datum) rozsahu, do druhého pol´ıˇcka posledn´ı p´ısmeno (datum). Lze také vybrat pacienta se znám´ ym rodn´ ym ˇc´ıslem. V´ ybˇer m˚ uˇzeme provést i podle nˇekolika kritéri´ı zárovˇen ˇ. U vˇsech kritéri´ı, podle kter´ ych chceme pacienty vyhledat, mus´ıme zaˇskrtnout pravé zaˇskrtávac´ı tlaˇc´ıtko. Z´ amek umoˇzn ˇuje pˇrep´ınat mezi seznamem vˇsech pacient˚ u a mezi seznamem naposled vyhledan´ ych pacient˚ u. ˇ Razen´ ı uˇzivateli umoˇzn ˇuje ˇradit pacienty podle pˇr´ıjmen´ı a jména, data posledn´ı návˇstˇevy nebo podle data narozen´ı.


62

Obrázek C.4: Nab´ıdka vyhledáván´ı

C.2

Pr´ ace s daty

Na obrázku C.5 vid´ıme panel se seznamem dat nasn´ıman´ ych bˇehem jedné návˇstˇevy. Pˇri zaloˇzen´ı nové návˇstˇevy je seznam prázdn´ y a spodn´ı tlaˇc´ıtko vlevo je povoleno (druhá dvˇe tlaˇc´ıtka se aktivuj´ı, pokud vybereme nˇejaká data ze seznamu).

Obrázek C.5: Panel s nasn´ıman´ ymi daty návˇstˇevy

ˇ ´ / INSTALACN ˇ Í PR ˇ ÍRUCKA ˇ DODATEK C. UZIVATELSK A C.2.1

63

Sn´ım´ an´ı nov´ ych dat

Na obrázku C.6 vid´ıme okno, které se objev´ı po stisku tlaˇc´ıtka Nov´ a data. V levém sloupci jsou vˇsechny moˇzné typy test˚ u. Pokud máme jiˇz od nˇejakého testu nasn´ımaná data (u aktu´ aln´ı návˇstˇevy), zobraz´ı se zelenˇe a do závorky se uvede jejich poˇcet.

Obrázek C.6: Sn´ımán´ı dat Uˇzivatel vybere test, kter´ y má pacient provést a stiskne tlaˇc´ıtko Start. Tablet zaˇcne sn´ımat data a aplikace je zaznamená. Nápis na tlaˇc´ıtku Start se zmˇenil na Stop a aˇz pacient test ukonˇc´ı, uˇzivatel tlaˇc´ıtko zmáˇckne. Nyn´ı se pˇred uˇzivatelem objev´ı okno z obrázku C.7, které je stejné jako pro u ´pravu dat. Uˇzivatel vybere u ´sek dat bez artefakt˚ u, data uloˇz´ı a m˚ uˇze pokraˇcovat ve sn´ıman´ı dalˇs´ıch dat. Pokud jsou data sejmuta ˇspatnˇe (pacient ˇci testuj´ıc´ı udˇelal chybu nebo podobnˇe), m˚ uˇze se rozhodnout data neukládat. Uloˇzen´ y test se zv´ yrazn´ı v levém seznamu test˚ u a automaticky se vybere následuj´ıc´ı. Uˇzivatel má moˇznost zvolit i jak´ ykoliv jin´ y test. Ukonˇcen´ı práce se provede stiskem tlaˇc´ıtka Ukonˇ ci. C.2.2

Editace dat

Po stisknut´ı tlaˇc´ıtka Uprav data nebo po sejmut´ı dat se uˇzivateli zobraz´ı okno z obrázku C.7. V levé ˇcásti jsou dva pohledy na data — nahoˇre má uˇzivatel moˇznost pouˇzit´ı lupy a pohybem kresbou, dole se zobrazuje pr˚ ubˇeh u ´hlu v závislosti na ˇcase. Uˇzivatel v doln´ı ˇcásti vybere taˇzen´ım u ´sek dat, kter´ y je validn´ı pro dalˇs´ı anal´ yzu (vytaˇzen´ y ˇcervˇenˇe v obou pohledech). Tedy bez poˇcáteˇcn´ıch a koncov´ ych artefakt˚ u. Pokud typ dat neodpov´ıdá, máme moˇznost vybrat nov´ y typ z rozbalovac´ı nab´ıdky vpravo nahoˇre. M˚ uˇzeme také zmˇenit tablet (informace o tabletu), kter´ ym byla data nasn´ım´ ana. M˚ uˇzeme téˇz k dat˚ um pˇripojit poznámku. C.2.3

Prohl´ıˇ zen´ı a anal´ yza dat

Pˇri prohl´ıˇzen´ı a anal´ yze dat aplikace pracuje pouze s daty vybran´ ymi pˇri editaci. Pro prohl´ıˇzen´ı a anal´ yzu jsou k dispozici následuj´ıc´ı nástroje: • Zobrazen´ı s lupou • Zobrazen´ı tlaku


64

´ Obrázek C.7: Uprava dat

• Vzdálenost od pˇr´ımky • Vzdálenost od filtrovaného signálu • Závislost signálu na ˇcase • Závislost rozd´ılu p˚ uvodn´ıho a filtrovaného signálu na ˇcase • Závislost signálu na délce • Fourierova transformace signálu • Spektrogram signálu Zobraziteln´ ym signálem m˚ uˇze b´ yt: θ, x, y, rychlost, vx , vy nebo tlak. U vzdálenosti od pˇr´ımky a od filtrovaného signálu m˚ uˇzeme zvolit vzdálenost (v centimetrech), ve které maj´ı b´ yt zobrazeny dva krajn´ı posuvn´ıky, které ohraniˇcuj´ı data. Pˇri zobrazen´ı signálu v závislosti na ˇcase nebo délce jsou také vidˇet maximáln´ı a minimáln´ı hodnoty signálu. Ukázky jsou na obrázku C.9.

C.3

Konfigurace

Standardn´ı obsah souboru config.xml s konfigurac´ı je:


65

Obrázek C.8: Panel s nasn´ıman´ ymi daty návˇstˇevy

<defTablet value="0" />

66


Obrázek C.9: 1) Vlevo nahoˇre - zobrazen´ı tlaku, 2) Vpravo nahoˇre - závislost vx na ˇcase, 3) Vlevo uprostˇred - lineárn´ı regrese a vzdálenost od pˇr´ımky, 4) Vpravo uprostˇred - vzdálenost p˚ uvodn´ı kresby od vyfiltrované, 5) Vlevo dole - Fourierova transformace na rychlost, 6) Vpravo dole - spektrogram u ´hlu


67

javax.swing.plaf.metal.MetalLookAndFeel 300 data Na zaˇcátku souboru vid´ıme definici znám´ ych tablet˚ u (jméno a rozsah souˇradnic), následované indexem tabletu, kter´ y je implicitnˇe zvolen´ y. Dále jsou definovány typy test˚ u, které aplikace umoˇzn´ı sn´ımat. Jsou jednoznaˇcnˇe urˇceny identifikaˇcn´ım ˇc´ıslem (id), které mus´ı b´ yt jednoznaˇcné a nesm´ı se opakovat. V aplikaci se objevuj´ı pod jménem name. Zp˚ usob sn´ımán´ı dat je urˇcen nˇekolika parametry: • start: Urˇcuje, kdy se maj´ı data zaˇc´ıt sn´ımat. Hodnota start znamená, ˇze data se zaˇcnou sn´ımat ihned po zmáˇcknut´ı tlaˇc´ıtka Start. Pˇri hodnotˇe button se nav´ıc jeˇstˇe ˇceká na prvn´ı dotyk pera s tabletem. • end: Pˇri hodnotˇe full jsou pouˇzita vˇsechna namˇeˇrená data, pˇri hodnotˇe trim se zahod´ı posledn´ı nasn´ımaná data, kdy se pacient nedot´ ykal perem tabletu. • visible: on/off urˇcuje, jestli se má test zobrazovat v nab´ıdce test˚ u. • show: Pˇri hodnotˇe up jsou zobrazena pouze data, kdy se pacient dot´ yká tabletu, pˇri hodnotˇe down vˇsechna data. Konfiguraˇcn´ı soubor ukonˇcuj´ı: definice tˇr´ıdy pouˇzité pro vzhled aplikace (lafClass), maximáln´ı ˇcas (v sekundách), po kter´ y mohou b´ yt data z tabletu sn´ımána (timeout) a jméno adresáˇre s databáz´ı (databaseRoot).

68


ˇ ˇ EHO ´ DODATEK D. OBSAH PRILO ZEN CD

69

D Obsah pˇ riloˇ zen´ eho CD Aplikace Adresáˇr s aplikac´ı pro lékaˇre bin jar soubory nutné pro bˇeh aplikace data testovac´ı databáze s anonymn´ımi daty doc javadoc dokumentace ke zdrojov´ ym soubor˚ um src zdrojové soubory aplikace Clanky Lékaˇrské ˇclánky o tˇresu a nemocech s tˇresem spojen´ ymi Diplomka Zdrojové a v´ ysledné soubory programu LATEX s textem a obrázky diplomové pr´ ace Ostatni Dalˇs´ı soubory stara data Data, která byla nasn´ımána jeˇstˇe pˇred napsán´ım popsané aplikace. Jsou ve formátu vhodném pro MatLab UnPacker Jednoduch´ y program pˇrevádˇej´ıc´ı soubory databáze do formátu ˇcitelného ˇclovˇekem a MatLabem Testy Adresáˇr se zdrojov´ ymi soubory a daty pro MatLab testy.1 Nejstarˇs´ı testy provádˇené na cel´ ych datech testy.2 Novˇejˇs´ı testy provádˇené na datech bez artefakt˚ u testy.3 Shrnut´ı v´ ysledk˚ u index.html Podrobnˇejˇs´ı popis pˇriloˇzeného CD

Diagnostika pacientů s Parkinsonovou chorobou

Recommend Documents