基于运动特征提取的帕金森疾病的监测和评估

Parkinson's disease (PD) is a common neurodegenerative disease, which will not only seriously affect the PD patient’s quality of life, but also has a high rate of disability. Until now, PD cannot be cured completely. Hence, the most important way to delay the progression of the disease is the early diagnosis and the accurate assessment of the disease. However, in the early stage of the disease, because its initial clinical symptoms are not very obvious, at present, there are still some difficulties for the early diagnosis of the PD. In addition, before taking a comprehensive treatment, every PD patient needs to receive the disease severity evaluation. At present in the clinic, the doctors usually observe the patient's symptom first, and then subjectively give the evaluation score based on the rating scale. The clinical symptoms of the PD are mainly represented in the motor system. Therefore, in this project, we will apply a series of new technology to the data recording and analysis of the PD patients’ gait, upper limb motion and visual system. Then, a series of biomarkers will be extracted. Through these studies, they will not only help to improve the diagnosis of the PD but also be able to reveal the pathological mechanisms of the PD. In addition, according to these biomarkers, we will develop a computer aided method, which can scientifically and accurately assess the severity of the PD for every patient.

帕金森病是一种常见的神经退行性疾病，不仅将严重影响患者的生活质量，而且致残率较高。该病尚无法完全治愈，因此，及早地诊断疾病，准确地评估病情，才是延缓病情发展最重要的途径。但是，在该病的早期阶段，由于其初始症状不明显，因此，目前对该病进行早期地诊断，仍然存在一定的困难。除此之外，在对病患进行综合治疗前，需要对每一位患者的病情严重程度进行评估。目前在临床上，通常是医生观察病人的症状，然后再根据量表，比较主观地给出的。由于该病的临床症状主要表现在运动系统功能障碍或受损，因此，在本项目中，我们将采用一系列的新技术，分别对帕金森病患的行走步态，上肢运动状态和视觉系统运动状态进行定量地研究，并提取一系列的生物标志物。通过对这些子项目的研究，不仅将有助于提高疾病的诊断率，揭示疾病的病理机制，而且还可以根据这一系列的生物标志物，研发一种计算机辅助分析的方法，对病患病情的严重程度进行科学地和准确地评估。

帕金森病是一种常见的神经退行性疾病，不仅将严重影响患者的生活质量，而且致残率较高。该病尚无法完全治愈，因此，及早地诊断疾病，准确地评估病情，才是延缓病情发展最重要的途径。在本研究中,我们使用了可穿戴设备，Kinect设备和眼动仪，对帕金森疾病和健康人群进行了运动数据的采集，并提出了一系列的新方法对采集到的数据进行了分析。在步态分析中，我们提出了两种新方法，第一种方法计算个体在行走过程中，足底压力信号的信息流所构成的因果关系图；第二种方法计算了个体在行走过程中，双侧的运动对称性，即采用了左右双侧运动信息融合的方法。在对Kinect设备所采集的运动数据处理中，我们首先将人体分为了六个区域，即头，躯干和四肢。然后，对每个身体区域，我们采集了多个位置的速度信号。最后，采用了非线性多变量时间序列处理的方法对身体区域之间的关联性进行了分析。除此之外，我们还采用了眼动仪，对个体的眨眼活动进行了分析，并提出了眨眼变异率和眨眼动力学的观点处理数据。通过以上的研究，我们对帕金森疾病的检测达到了100%的正确分类率。除此之外，我们所提取的评估参数与帕金森病情的发展呈显著相关。总之，在本课题中，我们提出了一系列的新方法对运动数据进行处理，不仅可以更好地量化帕金森疾病的运动障碍症状，对疾病诊断和病情评估提供科学地指导，而且对于更好地理解疾病机理也十分重要。除此之外，我们所提出的运动数据处理方法对可穿戴设备，远程医疗，康复评估等领域的发展都有积极作用。