《Frontiers in Neurology》：Digital biomarkers for early agitation detection in dementia: a scoping review of emerging wearable and smart technologies for personalized care
编辑推荐：
本综述系统探讨可穿戴传感器与智能技术如何通过数字生物标志物实现痴呆症患者激越症状的早期识别与个性化管理。文章指出多模态传感（如心率变异性、皮肤电活动）结合个性化机器学习模型可显著提升激越检测的准确性，并强调以用户为中心的设计对技术落地至关重要。未来需开展大规模纵向验证，并将该技术拓展至自闭症谱系障碍等存在沟通障碍的群体。
引言：技术照亮沟通的迷雾
激越是痴呆症患者中常见且沉重的症状，尤其当患者存在沟通障碍时，早期识别与有效管理变得极为困难。可穿戴传感器技术为实时行为监测和个性化护理提供了新思路。本综述旨在系统评估当前用于痴呆症激越检测的可穿戴传感器系统的临床与技术能力，并探讨其如何通过以人为中心的设计原则提升患者与照护者的生活质量。
理解激越：未满足需求的呐喊
激越的本质是患者对未满足需求的非语言表达。根据"未满足需求模型"，随着痴呆症进展，沟通能力下降导致生理或心理需求无法被识别，从而引发不适切的言语、发声或运动行为。科恩-曼斯菲尔德将激越分为四类：言语非攻击型（如重复询问）、言语攻击型（如尖叫）、身体非攻击型（如徘徊）和身体攻击型（如抓挠）。从神经生物学角度看，阿尔茨海默病患者的激越与5-HT1A/5-HT1B受体功能不足、去甲肾上腺素系统过度激活有关。大脑内前额叶皮层与杏仁核的调控失衡，以及皮质醇通过HPA轴的过度分泌，共同构成了激越的生理基础。
测量激越：从量表到传感器
传统神经精神评估量表（如CMAI、NPI）虽具临床价值，但存在耗时、主观性强等局限。可穿戴传感器通过监测心率变异性（HRV）、皮肤电活动（EDA）等生理指标，可建立个体化数字生物标志物。环境传感器（温湿度、光照监测）与人工智能技术结合，能捕捉激越发生前的细微变化。多模态方法融合生理、行为与环境数据，通过机器学习（如LSTM、LightGBM模型）实现跨信号验证，显著降低误报率。
技术应用：研究进展全景扫描
2017年DAVE系统通过声学信号处理实现言语激越93.45%的检测精度。后续研究如BESI系统整合惯性传感器与环境监测，发现温度湿度与激越发作相关。斯帕索耶维奇等人通过600天纵向研究证明个性化机器学习模型（AUC=0.87）优于通用模型。智能袜（SmartSocks）等创新设备通过足部光电容积脉搏波（PPG）监测，为抗拒腕部设备的患者提供新选择。计算机视觉技术则通过3D卷积自编码器从视频中识别异常行为，同时采用匿名化处理保障隐私。
挑战与机遇：从实验室到病房
当前技术仍面临标准不一、数据质量波动等挑战。生理信号易受运动伪影干扰，环境混淆因素（如高温引发的烦躁）需与病理性激越区分。用户接受度方面，智能袜的舒适性优于腕戴设备，被动传感（如床垫传感器）更能维持长期依从性。不同场景的应用差异显著：家庭环境监测更具生态效度，而机构环境更利于系统控制。未来需遵循ISO 14971等医疗设备标准，加强伦理审查与算法透明度。
未来方向：以人为本的技术演进
下一步研究应聚焦大规模前瞻性验证，明确不同痴呆类型、病程阶段的检测特性。整合决策支持工具与个性化干预策略，开展随机对照试验验证临床效益。将技术拓展至自闭症、创伤性脑损伤等沟通障碍群体，有望构建更包容的医疗关怀体系。最终，所有技术解决方案都应以"简化患者生活"为核心理念，让科技创新真正服务于生命尊严。
