编辑推荐：
帕金森病（PD）早期诊断困难，传统方法有创或滞后。研究人员开展基于模型的步态特征提取与分类研究，分析 TUG 评估转身期运动学特征，用 SVM 区分正常与 PD 步态，模型具早期筛查潜力，为 PD 诊疗提供新工具。
帕金森病（Parkinson Disease, PD）作为一种常见的神经退行性疾病，正随着全球老龄化的加剧而日益成为重要的健康挑战。其主要病理特征是中脑黑质多巴胺能神经元变性死亡，导致运动症状如震颤、肌强直、运动迟缓和步态异常等。目前，PD 的临床诊断主要依赖医生的主观评估，缺乏客观的量化指标，且传统方法往往在疾病进展到一定阶段才能确诊，难以实现早期干预。而早期发现 PD 患者的运动功能异常，尤其是步态障碍，对于及时启动治疗、延缓疾病进展至关重要。在此背景下，如何利用先进的技术手段开发非侵入性、客观准确的早期筛查方法，成为 PD 研究领域的迫切需求。
为解决这一问题，相关研究人员开展了基于步态分析的 PD 早期筛查研究。该研究通过分析定时起立行走测试（Timed Up and Go, TUG）中转身阶段的步态特征，结合机器学习模型，旨在建立一种高效的 PD 筛查工具。研究成果发表在《JMIR Aging》上，为 PD 的早期诊断提供了新的思路和方法。
研究人员采用了以下关键技术方法：首先，通过控制视频记录 28 名参与者（包括年轻成年人、老年成年人和 PD 患者）的 TUG 评估过程，使用两台手机从正面和侧面进行拍摄，以获取完整的步态视频数据。其次，利用 AlphaPose 人体姿态估计技术，从视频中提取 17 个身体关键点的坐标，生成包含关键点信息的 JSON 文件。然后，对原始视频进行增强处理，通过黑色块遮挡易受噪声干扰的区域，提高后续关键点提取的准确性。接着，对提取的关键点数据进行预处理，包括过滤关键点和图像 ID、去除置信度分数，并标记各关键点的坐标。之后，进行帧分割，计算每帧的时间间隔，为数据提供时间戳，以便同步分析身体转身事件的时间。再利用四阶巴特沃斯滤波器（Butterworth filter）对原始坐标数据进行降噪处理，平滑运动轨迹，并结合峰值检测算法识别运动中的关键事件，如步长和转身持续时间。最后，使用支持向量机（Support Vector Machine, SVM）对提取的步态特征进行分类，区分正常和 PD 患者的步态模式。
参与者特征分析
研究数据集包含 3 组参与者：PD 患者、老年成年人和年轻成年人。其中 PD 患者 8 人（29%），健康参与者 20 人（71%）；多数为中国参与者（24/28, 85%），少数为印度（3 人）和马来（1 人）；男性占比 75%（21 人），女性 25%（7 人）；年龄主要集中在 60-69 岁（14 人，50%），其次为 20-29 岁（9 人，32%）。该样本分布体现了研究对象的多样性，有助于验证模型的普适性。
转身期步态特征分析
- 总步数与步长：年轻个体在转身时步长变化大，峰值明显，显示灵活的步态；老年个体步长较均匀，峰值圆润，反映谨慎的转身策略；PD 患者步长小且频率高，呈 shuffling 步态，峰值不明显且不稳定。
- ** stride length**：年轻和老年个体的 stride length 模式相似，而 PD 患者的 stride length 频率显著不同，双脚离地幅度小，体现 PD 患者步态启动和持续的困难。
- 膝关节角度：年轻个体膝关节角度振荡平滑规律，转身时屈伸明显；老年个体需两步完成转身，角度变化较缓和；PD 患者膝关节角度不规则且波动大，反映其运动控制障碍。
- 髋关节角度：年轻个体髋关节角度波动稳定适度；老年个体波动更明显，为维持平衡调整幅度大；PD 患者髋关节角度变化剧烈且无规律，受 rigidity 和 tremors 影响显著。
- 肢体对称性：年轻个体四肢对称性高，左右肢体角度曲线贴合；老年个体对称性稍差，存在一定波动；PD 患者肢体对称性差，左右角度曲线偏离大，运动协调性差。
- 躯干角度：年轻个体躯干角度变化小， posture 稳定；老年个体躯干角度波动较大，有 moderate forward lean；PD 患者躯干角度极不稳定， forward bending 严重，反映 posture 控制障碍。
- 胫角：年轻和老年个体胫角稳定一致，运动协调；PD 患者胫角波动剧烈， lower leg 控制困难，与疾病导致的运动异常相关。
模型分类性能评估
- 分类报告：SVM 模型训练准确率为 0.95，测试准确率为 0.89。正常类（0 类）的 precision 为 0.88，recall 为 1.00，F1-score 为 0.93；PD 类（1 类）的 precision 为 1.00，recall 为 0.50，F1-score 为 0.67。模型对正常类的识别效果较好，但受 PD 样本量小影响，对 PD 类的 recall 较低。
- AUC 与损失曲线：测试集 AUC 为 0.6429，显示中等区分能力；交叉验证分数均值为 0.9，模型在不同数据折叠下表现较稳定。训练损失曲线平稳，验证损失波动大，提示模型存在一定过拟合风险，对未知数据的泛化能力有待提高。
- 混淆矩阵：模型正确预测 7 例正常样本，但将 1 例 PD 样本误判为正常，进一步表明样本不均衡对模型性能的影响。
结论与讨论
本研究开发了一种基于 TUG 评估转身期步态特征的 PD 早期筛查方法。通过提取肩距、步长、关节角度、肢体对称性等运动学特征，结合 SVM 模型，能够有效区分正常与 PD 患者的步态模式。研究结果表明，PD 患者在转身期表现出步长缩短、肢体不对称、关节角度异常等 subtle gait abnormalities，这些特征可作为 PD 早期诊断的客观指标。尽管模型在小样本 PD 数据中表现出一定局限性，但其非侵入性、操作简便的特点显示了在临床筛查中的潜力。
未来研究需扩大样本量，进一步验证模型的可靠性；探索其他机器学习算法（如随机森林、深度学习模型）以提高分类性能；整合多模态数据（如语音、手写特征）以构建更全面的 PD 诊断系统。该研究为 PD 的早期发现和干预提供了新的技术路径，有望减少诊断延迟，改善患者预后，对公共卫生领域应对老龄化带来的 PD 挑战具有重要意义。
