Luigi Borzì1，Luis Sigcha2,3，Daniel Rodríguez-Martín4,5，Gabriella Olmo1

（1. Department of Control and Computer Engineering，Politecnico di Torino，Corso Duca degli Abruzzi 24，10129 Turin，Italy，

2. Instrumentation and Applied Acoustics Research Group (I2A2)，Universidad Politecnica de Madrid，Ctra. Valencia，Km 7，28031 Madrid，Spain，

3. ALGORITMI Research Center，School of Engineering，University of Minho，4800-058 Guimaraes，Portugal，

4. Sense4Care S.L.，Cornellà de Llobregat，08940 Barcelona，Spain，

5. Technical Research Centre for Dependency Care and Autonomous Living (CETPD)，Universitat Politecnica de Catalunya，08800 Vilanova i la Geltrù，Spain）

    帕金森病（Parkinson's Disease，PD）是最常见的神经退行性疾病之一，影响超过1%的60岁以上的人。主要的PD运动体征包括强直、静息时震颤、运动迟缓（即运动缓慢）和姿势不稳。因此，在PD人群中观察到生活质量下降和跌倒风险增加。

    目前，运动障碍协会统一帕金森病评定量表（Movement Disorder Society-Unified Parkinson’s Disease Rating Scale，MDS-UPDRS）代表了评估PD运动和非运动损伤的标准临床量表。然而，PD的临床评估通常仅在预先安排的就诊期间进行，这使得神经科医生难以评估患者残疾水平的短期变化并计划适当的治疗调整。此外，量表分数并不总是表明患者对日常生活活动（Activities of Daily Living，ADL）中困难的看法。

    在这种情况下，可穿戴传感器和机器学习技术的结合已成功用于监测PD的几个运动方面。可穿戴传感器价格便宜、重量轻且不引人注目。可穿戴技术已被用于评估运动迟缓、运动障碍、姿势稳定性和震颤。此外，一些研究已经实施了机器学习方法来预测与运动症状相关的单个MDS-UPDRS项目或一组MDS-UPDRS运动评分。

    步态冻结（Freezing Of Gait，FOG）是PD最麻烦的症状之一，它影响超过50%的患者的步态。FOG被定义为“尽管有行走的意图，但足部的短暂、偶发性缺失或明显减少”。它以不同的形式表现出来，包括拖着脚步、颤抖的腿或完全运动不能。FOG事件的持续时间是可变的，50%的事件持续时间少于5秒，90%的事件持续时间少于20秒。已知某些情况代表了FOG的可能触发因素，包括转弯、步态启动、管理狭窄空间和谈判障碍。此外，认知挑战（例如双重任务）和情绪压力（例如焦虑）可能会影响这种运动体征的表现。事实证明，FOG会增加跌倒的风险，并且是PD患者生存期缩短的早期预测指标。

    由于症状的偶发性、治疗有效性和患者对步态的关注，FOG的临床评估具有挑战性。此外，医疗咨询等情况可能会抑制FOG的表现。由于这些原因，病人很少在较短的体检期间表现FOG症状。因此，FOG评估主要基于患者的日记和对问卷的回答，这些都是高度主观且不是非常可靠的来源。使用触发因素可以改善对该现象的临床观察，例如要求患者执行认知或运动双重任务或抑制疗法。然而，这些方法非常耗时，并且与日常临床实践不相容。

    最后，特定的时空步态参数（如步幅时间、步幅和步态变异性）随着FOG事件的临近而逐渐退化，从而增加了识别典型的FOG前期的机会。这些是在FOG发作前的步态中发生的特定运动模式。对FOG的预测和及时发现可能允许采用纠正策略来预防FOG，例如外部感觉提示的管理。基于以上考虑，可以使用在ADL期间使用可穿戴传感器连续收集的数据改进FOG的评估。

    本研究使用了来自三个不同数据集的数据，其中两个用作独立测试集。收集了118名PD患者和21名健康老年受试者在进行模拟日常生活活动时的加速度记录。每个受试者的腰部都装有一个单惯性传感器。本研究旨在评估实施FOG发生预防策略的可能性，因此提出了一种可以实时检测FOG的算法，分析了超过17小时的有效数据和总共1110次FOG事件。所实现的算法由一个多头卷积神经网络组成，利用不同的空间分辨率对惯性数据进行分析。架构和模型参数旨在提供最佳性能，同时降低计算复杂性和测试时间。该算法被证明是稳健的，为非监督环境的独立设备的实时实施铺平了道路。

资料来源：

根据Luigi Borzì等于2023年发表在Artificial Intelligence In Medicine期刊题目为《Real-time detection of freezing of gait in Parkinson’s disease using multi-head convolutional neural networks and a single inertial sensor》的文章缩写整理而成。

（本文责任编辑：陈劭）