基于特定手指运动的时空特征，利用深度学习对帕金森病前驱期进行分类

《Biomedical Signal Processing and Control》：Deep learning classification for prodromal Parkinson’s disease based on spatiotemporal features of specific finger movements

基于特定手指运动的深度学习分类方法可有效识别早发性帕金森病，量化指标包括完成时间、单周期平均时间和束缚效应，准确率达75.6%，为临床提供客观评估工具。

　　这项研究聚焦于通过特定的手指运动和深度学习技术，开发一种用于早期帕金森病（Parkinson's disease, PD）识别的分类方法。研究团队由来自逢甲大学自动控制工程系的三位学者组成，分别是Wei-Chun Wang、Chuang-Chien Chiu和Shoou-Jeng Yeh。他们的目标是通过分析手指运动模式，为患者和医生提供更准确、更客观的评估工具，以便在疾病尚未表现出明显临床症状时，及时发现帕金森病的前兆阶段。

在传统的帕金森病统一评估量表（Unified Parkinson’s Disease Rating Scale, UPDRS）中，手指敲击测试主要关注拇指和食指之间的运动控制变化。然而，这种方法往往忽略了其他手指的功能障碍，并且在早期症状的检测上显得不够敏感。因此，研究者提出了一种改进的测试方式，即通过连续敲击拇指五次，并同时用食指、中指、无名指和小指依次进行敲击，从而全面评估手部运动功能。这一测试不仅要求患者双手同步完成任务，还强调了手指之间的协调性，使得评估结果更具代表性。

为了获取数据，研究团队在台中成大医院招募了41名帕金森病前兆阶段的患者和30名非帕金森病的对照组。这些参与者被要求进行特定的手指运动任务，同时使用高清摄像机进行视频记录。通过图像处理技术，研究者能够捕捉到每个手指的二维像素坐标，并利用MediaPipe Hands工具进行手部关节识别和运动特征提取。这些运动特征包括时间特征和空间特征，如总完成时间、单次循环敲击的平均持续时间以及“奴役指数”等。

研究结果表明，随着疾病的发展（从健康对照组HC到帕金森病前兆组PPD再到帕金森病患者组PD），总完成时间、单次循环敲击的平均持续时间以及奴役指数均呈现出显著的上升趋势。这说明，这些参数能够有效反映手部功能障碍的变化，并且在疾病早期阶段具有较高的检测价值。此外，所提出的深度学习分类方法在实验中达到了75.6%的准确率、86.6%的敏感性和70.0%的特异性，表明该方法在识别帕金森病前兆方面具有一定的可行性。

在讨论部分，研究者进一步分析了这些时间特征参数的意义。他们指出，随着疾病严重程度的增加，总完成时间以及单次敲击的平均持续时间均呈现出明显的增长趋势。这表明，帕金森病患者的运动控制能力在早期阶段已经受到影响，尽管这些变化尚未达到临床诊断的标准。此外，研究还发现，HC与PPD、HC与PD、PPD与PD之间的参数差异具有统计学意义，这说明这些特征能够作为区分不同疾病阶段的重要依据。

在结论中，研究者强调了该分类方法的创新性和实用性。他们指出，这一方法基于神经科医生的临床经验，通过特定的手指运动任务，结合深度学习技术，为帕金森病的早期识别提供了新的思路。通过系统的实验和数据分析，他们发现总完成时间、单次敲击的平均持续时间以及奴役指数等三个参数在区分健康对照组、帕金森病前兆组和帕金森病患者组方面具有显著差异，这为疾病的早期评估提供了可靠的依据。

此外，研究者还提到了当前帕金森病诊断的挑战。传统诊断方法依赖于临床症状，如运动迟缓、震颤、僵硬和姿势不稳等，但这些症状往往在疾病晚期才明显显现，使得早期诊断变得困难。因此，研究者希望通过非侵入性的技术手段，如视频记录和图像处理，来捕捉更细微的运动变化。这些变化可能在早期阶段就已经出现，但尚未被临床观察到。

研究者还提到，现有的帕金森病检测方法主要依赖于昂贵的医疗设备，如CT、MRI和多巴胺扫描仪，这些设备不仅成本高，而且操作复杂，对患者和医疗系统都带来了负担。相比之下，基于视频和图像处理的检测方法更具优势，因为它们不需要直接接触患者的身体，也避免了设备校准和佩戴过程中的不便。此外，这些方法能够提供更全面的运动数据，包括时间数据和空间数据，使得评估结果更加客观和可靠。

在实验过程中，研究者还考虑了排除标准，以确保数据的准确性和可靠性。例如，排除了患有痴呆症、中风、关节炎或行动障碍的患者，因为这些疾病可能会干扰正常的运动模式，影响测试结果。通过严格的筛选，研究者确保了所有参与者在运动能力方面相对正常，从而使得实验结果更具代表性。

总的来说，这项研究为帕金森病的早期识别提供了一种新的方法。通过分析特定的手指运动模式，结合深度学习技术，研究者能够提取出具有统计学意义的运动特征，并利用这些特征对患者进行分类。这一方法不仅提高了诊断的准确性，还为医生提供了客观的评估工具，有助于实现更早的干预和治疗。未来的研究可以进一步优化这些特征参数，提高分类方法的性能，并探索其在更广泛人群中的适用性。