编辑推荐：
为解决临床震颤评估受主观因素限制、现有 ADL 分类未聚焦震颤患者等问题，研究人员利用智能手表采集数据，结合多种窗口技术与机器学习模型（SVM、RF、XGB）开展 ADL 分类研究，结果显示集成窗口提升识别效果，为震颤监测提供新路径。
在帕金森病（PD）和特发性震颤（ET）等疾病中，病理震颤会严重影响患者的日常生活能力与生活质量。当前临床对震颤的评估主要依赖医生在面诊时的主观判断，如通过 TETRAS、UPDRSⅢ 等量表定性评分，难以捕捉患者在日常活动（ADL）中震颤的动态变化，也无法精准评估药物剂量对震颤的影响。此外，现有 ADL 分类研究要么排除震颤患者，要么采用固定窗口大小建模，缺乏对最优窗口尺寸的共识，导致无法全面反映震颤与活动的关联。因此，开发一种能在自然场景下连续、客观监测震颤患者 ADL 的方法，成为亟待解决的临床需求。
西班牙 “Hospital Universitario 12 de Octubre” 的研究团队开展了相关研究，旨在通过智能穿戴设备与机器学习技术，建立适用于震颤患者的 ADL 分类模型，为震颤的精准评估提供新工具。研究成果发表在《Computers in Biology and Medicine》。
研究人员采用单只智能手表（Fitbit Sense）采集 10 名 ET/PD 患者（5 名 ET、5 名 PD）及 37 名健康对照的惯性传感器数据（含加速度计和陀螺仪），涵盖 10 类 ADL（如刷牙、进食、书写等）。通过五种不同大小的重叠窗口（2.5 秒、5 秒、10 秒、15 秒、20 秒）对时序数据进行分割，提取包括均值、标准差、频谱质心等 90 个特征，并利用 SelectKBest 筛选出前 60 个关键特征。研究采用支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGB）三种机器学习模型，通过 7 折分组分层交叉验证优化超参数，最终构建集成多窗口预测结果的分类算法。
研究结果
- 模型性能比较：SVM 模型在综合指标上表现最佳，准确率达 84.00%，精确率 85.17%，召回率 84.09%，F1 分数 84.11%，优于 RF 和 XGB 模型。这表明 SVM 在处理多窗口特征融合时具有更强的分类能力。
- 窗口大小的影响：较大窗口（15 秒、20 秒）对多数任务分类效果更优，如开门（TD）、刷牙（BT）等。而进食（EF）、梳头（CH）等重复性动作更适合较小窗口（5 秒）。集成多窗口预测的 ensemble 模型进一步提升了整体准确率，验证了多尺度特征融合的有效性。
- 任务分类差异：单手腕操作的任务（如刷牙、饮水）分类精度较高（>90%），而双手协作任务（如开盒、切物）因仅采集优势手数据，精度较低（约 70%）。患者组因震颤影响动作一致性，整体精度略低于健康组，但趋势一致，表明模型对震颤具有鲁棒性。
结论与讨论
本研究首次将多窗口技术与单智能手表结合，实现了震颤患者 ADL 的高精度分类。结果表明，集成不同时间长度的窗口特征可显著提升分类性能，其中 15 秒窗口在多数模型中表现最优。该方法突破了传统固定窗口的局限性，为动态捕捉震颤与活动的时空关联提供了新框架。尽管双任务分类仍存在挑战，但单设备的轻量化设计使其在临床应用中具有便携性优势。研究为开发实时震颤监测系统奠定了基础，未来可进一步扩展至更多复杂 ADL（如钥匙插入），并结合更大样本验证模型泛化性。这种基于日常活动的客观评估方式，有望减少药物选择的试错成本，助力个性化治疗方案的制定，推动神经退行性疾病精准医疗的发展。
