摘要
帕金森病是一种常见的长期进行性神经退行性疾病，通常由认知障碍引起，并伴有各种程度的运动系统障碍。步态分析是诊断和分类神经退行性疾病的重要方法之一，可帮助测量运动障碍和功能损伤指标。本文利用可穿戴设备进行步态分析，通过将设备置于患者身上，并设计了TUG实验收集加速度信号和角速度信号。利用收集的信号，本文首先进行了尝试性的探索，发现冻结步态受到病人个人异质性的影响严重。冻结步态时的信号往往与患者在正常状态下的信号存在较大差距，但与其他人的正常数据不一定有很大差异。因此，初步认为个人异质性是影响冻结步态识别率不高的主要因素。 本篇文章提出了一种新的相位图方法，也是一个椭圆回归模型，用于从步行过程中记录的加速度计等周期性信号中提取特征。这种椭圆回归模型可以将步态数据的变化反映到椭圆的参数变化上，通过此模型我们可以对帕金森病人的步态有更直观的检测，这种方法不仅适用于本文中的步态信号，也适用于任何周期性信号。将此方法应用到帕金森病患者冻结步态的信号数据上后，模型结果相比使用提取的时域和频域特征有了极大改善。LOPO的模型结果最终达到了准确率0.89、召回率0.86、特异性0.91和F值0.833。这种高准确度的实现将对冻结步态的识别和治疗产生积极影响。
NETL