编辑推荐：
为解决帕金森病（PD）自由生活步态中手臂摆动测量受其他手臂活动干扰的问题，研究人员开发方法分离无手臂活动的步态段。研究表明该方法可行，能增加药物治疗后手臂摆动参数变化，有助于监测治疗效果和疾病进展。
帕金森病（Parkinson’s disease，PD）是一种常见的神经系统退行性疾病，给患者的生活带来诸多不便。其中，步态异常是 PD 的重要表现之一，而手臂摆动减少更是其特征性的早期症状。想象一下，PD 患者在日常生活中行走时，手臂摆动幅度较小，这不仅影响了他们的行走姿态，还可能预示着疾病的发展和对药物治疗的反应。目前，评估 PD 患者手臂摆动主要依赖于临床观察，就像医生在诊所里观察患者进行短距离行走任务时的表现。但这种方法存在不少问题，比如评估带有主观性，不同医生的判断可能不一样；而且测量往往是一次性的，不能反映患者日常生活中的真实情况；使用的量表也不太敏感，难以察觉细微变化。另外，患者还需要前往诊所，这对于行动不便的他们来说并不方便。所以，找到一种更准确、更便捷的方法来量化 PD 患者自由生活步态中的手臂摆动，成了医学研究的重要课题。
为了解决这些问题，相关研究人员开展了深入研究。研究人员从帕金森 @家庭验证研究（Parkinson@Home validation study）中招募了 25 名 PD 患者和 25 名年龄匹配的对照者。通过让参与者在家庭环境中进行无脚本的日常活动，收集他们手腕佩戴的加速度计和陀螺仪数据，以及视频记录。研究人员开发了一个开源分析流程，旨在利用这些数据实现三个关键目标：检测步态、识别无其他手臂活动的步态段、量化剩余步态段中手臂摆动的运动范围（Range of motion，RoM）。该研究成果为监测 PD 患者的疾病进展和治疗反应提供了新的可能，相关论文发表在《Journal of NeuroEngineering and Rehabilitation》期刊上。
在研究过程中，研究人员运用了多种技术方法。数据来源为帕金森 @家庭验证研究中的参与者，收集其在家庭环境下无脚本活动的手腕加速度计和陀螺仪数据及视频记录。在数据处理上，先对 200Hz 的原始信号进行降采样至 100Hz ，并通过 4 阶巴特沃斯高通滤波器处理。采用滑动 Hann 窗结合快速傅里叶变换（FFT）提取特征，运用最小绝对收缩和选择算子（LASSO）正则化逻辑回归（LR）、随机森林（RF）等机器学习算法进行分类，还利用主成分分析（PCA）等方法计算手臂摆动 RoM。
研究结果主要体现在以下几个方面：
- 步态检测：对比 LR 和 RF 分类器在步态检测中的表现，发现 RF 分类器在受影响最大侧的平衡准确率更高，因此选择 RF 分类器进行后续分析。研究还发现，步态误分类主要集中在楼梯行走、转身等活动，且分类器对长步态段的检测灵敏度更高。同时，PD 运动症状对步态检测灵敏度影响较小，震颤很少被误判为步态。
- 过滤步态：在检测无其他手臂活动的步态段时，LR 和 RF 分类器的平衡准确率无显著差异，最终选择 LR 分类器。不同手臂活动对分类器特异性影响不同，短时长手臂活动及部分长时长手臂活动特异性低，如手势、抓握等；而开门、向前持物等活动特异性高。分类器灵敏度受步态段时长影响，时长越长灵敏度越高。此外，PD 运动症状严重程度对分类器检测无其他手臂活动的步态段能力影响较小。
- 手臂摆动量化：通过分析预测和视频标注的无其他手臂活动的步态段的手臂摆动参数，发现两者一致性较高，无明显系统偏差。过滤步态后，手臂摆动 RoM 参数能更明显地反映出 PD 患者与对照者之间、用药前后以及不同严重程度肢体之间的差异。并且，过滤步态增加了用药后手臂摆动 RoM 变化，凸显了其在监测治疗反应方面的潜在价值。
研究结论和讨论部分指出，该研究成功开发了一种过滤步态段的可靠方法，能更准确地估计 PD 患者自由生活中的手臂摆动 RoM。研究结果表明，过滤步态可提高检测多巴胺能药物对 PD 患者手臂摆动影响的敏感性，这对于在临床试验中监测治疗反应具有重要意义。不过，研究也存在一些局限性，如样本量较小，可能无法完全反映 PD 患者的异质性；模型对运动障碍（dyskinesias）的敏感性不足，未来需要更多运动障碍患者的数据来优化模型。尽管如此，该研究为使用手臂摆动 RoM 作为多巴胺能治疗反应的指标提供了重要依据，未来研究将进一步评估其在纵向跟踪疾病进展方面的适用性，有望推动这些手臂摆动测量指标成为临床试验中的数字生物标志物，为 PD 的治疗和研究开辟新的道路。
