在帕金森病中，多模态机器学习方法用于评估患者的运动能力，这些方法既包括有监督学习场景，也包括无监督学习场景

《Journal of NeuroEngineering and Rehabilitation》：Multimodal machine learning mobility assessment in Parkinson’s disease within supervised and unsupervised settings

本研究通过多模态传感器（sEMG+IMU）结合监督与非监督步态分析，揭示帕金森病患者日常行走中步速减缓、波动性增加及肌肉激活度升高等特征，提出新型数字生物标志物的可行性。

　　

摘要

背景

帕金森病（PwPD）患者的移动能力在很大程度上依赖于具体环境。基于诊所的评估仅在受控条件下提供简要的快照，可能无法反映患者日常的功能状况。可穿戴传感器可以实现连续的、日常生活中的监测，但大多数研究仅使用单一模式的信号和简单的基于阈值的步行检测方法。多模式传感技术，将表面肌电图（sEMG）与惯性测量单元（IMUs）相结合，能够更全面地了解帕金森病患者的移动能力。因此，开发一种数据驱动的多模式步态分析流程对于在无监督的日常生活环境中准确识别步行事件并详细分析帕金森病的步态特征至关重要。

方法

十名帕金森病患者在进行受监督的实验室和户外步行时佩戴了四个大腿和胫骨传感器（IMU + sEMG），随后在同一天进行无监督的日常生活记录。使用眼动追踪眼镜录制的视频用于标注受监督的数据，这些数据随后被用来训练基于仅IMU特征和融合IMU + sEMG特征的机器学习（ML）模型。训练好的模型被应用于无监督数据中以检测步行事件，之后计算了时空特征、运动学特征和肌肉激活度量。

结果

仅使用IMU特征进行步行事件检测时取得了可接受的性能（F1 = 87.53%），当包含sEMG特征时性能更高（F1 = 94.45%）。探索性分析表明，与受监督的步行相比，无监督的步行可能表现为速度较慢、变化更大以及不对称性增加。此外，在无监督的步行过程中还观察到膝关节屈伸（F-E）幅度的减小以及F-E峰值出现时间的提前。同时，站立阶段下肢肌肉激活度也更高，这表明在自由生活条件下可能存在更高的神经肌肉需求。这些发现应谨慎解读，主要用于提出假设而非得出定论。

结论

这项初步研究成功提出了一个多模式、数据驱动的框架，整合了神经肌肉和运动学信号，以评估受监督和无监督环境中的移动能力。对肌肉激活、关节运动学以及时空步态特征的联合变化进行分析，揭示了单一模式系统无法捕捉到的相互关联的步态适应机制。这些发现表明，新型多模式数字生物标志物具有潜力，可以实现对帕金森病患者运动功能的生态学上有效的连续监测。

背景

帕金森病（PwPD）患者的移动能力在很大程度上依赖于具体环境。基于诊所的评估仅在受控条件下提供简要的快照，可能无法反映患者日常的功能状况。可穿戴传感器可以实现连续的、日常生活中的监测，但大多数研究仅使用单一模式的信号和简单的基于阈值的步行检测方法。多模式传感技术，将表面肌电图（sEMG）与惯性测量单元（IMUs）相结合，能够更全面地了解帕金森病（PD）患者的移动能力。因此，开发一种数据驱动的多模式步态分析流程对于在无监督的日常生活环境中准确识别步行事件并详细分析帕金森病的步态特征至关重要。

方法

十名帕金森病患者在进行受监督的实验室和户外步行时佩戴了四个大腿和胫骨传感器（IMU + sEMG），随后在同一天进行无监督的日常生活记录。使用眼动追踪眼镜录制的视频用于标注受监督的数据，这些数据随后被用来训练基于仅IMU特征和融合IMU + sEMG特征的机器学习（ML）模型。训练好的模型被应用于无监督数据中以检测步行事件，之后计算了时空特征、运动学特征和肌肉激活度量。

结果

仅使用IMU特征进行步行事件检测时取得了可接受的性能（F1 = 87.53%），当包含sEMG特征时性能更高（F1 = 94.45%）。探索性分析表明，与受监督的步行相比，无监督的步行可能表现为速度较慢、变化更大以及不对称性增加。此外，在无监督的步行过程中还观察到膝关节屈伸（F-E）幅度的减小以及F-E峰值出现时间的提前。同时，站立阶段下肢肌肉激活度也更高，这表明在自由生活条件下可能存在更高的神经肌肉需求。这些发现应谨慎解读，主要用于提出假设而非得出定论。

结论

这项初步研究成功提出了一个多模式、数据驱动的框架，整合了神经肌肉和运动学信号，以评估受监督和无监督环境中的移动能力。对肌肉激活、关节运动学以及时空步态特征的联合变化进行分析，揭示了单一模式系统无法捕捉到的相互关联的步态适应机制。这些发现表明，新型多模式数字生物标志物具有潜力，可以实现对帕金森病患者运动功能的生态学上有效的连续监测。