基于动态模态分解的帕金森病步态冻结个性化预测新方法

本研究针对帕金森病晚期患者常见的步态冻结（FoG）现象，创新性地采用动态模态分解（DMD）结合最优延迟嵌入时间技术，构建了DMD三重指数（TI=ma）分类模型，实现了86.5%的分类准确率和平均6.13秒的早期预测时间。该研究突破了传统机器学习"黑箱"局限，为实时个性化干预提供了可解释性强的解决方案。

　　

帕金森病（PD）患者常遭遇步态冻结（Freezing of Gait, FoG）的困扰——这种突如其来的运动阻滞不仅增加跌倒风险，更严重影响生活质量。当前基于机器学习的预测方法虽有一定效果，却面临实时性差、计算量大和"黑箱"不可解释等瓶颈。南方科技大学数学系张毅伟团队联合华中科技大学数学与统计学院研究者另辟蹊径，将流体力学领域常用的动态模态分解（Dynamic Mode Decomposition, DMD）引入生物医学领域，开发出兼具高精度与可解释性的预测新范式。

研究团队采用公开的9维加速度数据集（采样频率64Hz），通过最优延迟嵌入时间τ=RL/10重构信号，创新性地提出DMD三重指数TI=ma（最大振幅a与模态范数均值m的乘积）。技术路线包含四个关键环节：1）基于Hankel矩阵的延迟嵌入处理；2）经济型奇异值分解（SVD）降维；3）DMD模态、振幅与频谱的三重特征提取；4）支持向量机（SVM）确定患者特异性阈值。

【时间序列重构与预测】
通过对比PCA/ICA等传统方法，证实DMD在垂直踝加速度信号重构中误差降低23.6%。当采用全部9维数据时，预测100步前向误差较单维数据减少38.2%，验证了多维度信息融合的优势。

【DMD三重指数特征】
发现正常步态最大振幅a显著高于异常状态（p<0.05），而频谱实部均接近零。典型病例中，正常步态的TI值比异常状态高2.7倍，为阈值划分奠定理论基础。

【FoG分类与预测】
采用滑动窗口（窗长150步，步进25步）实时计算TI值，实现86.5%分类准确率（灵敏度88.1%，特异度87.9%）。在预测性能方面，81.97%的FoG事件可提前6.13±0.82秒预警，优于文献报道的1-5秒水平。

这项发表于《Scientific Reports》的研究开创性地将DMD应用于神经运动障碍分析，其重要意义体现在三方面：首先，TI指数物理意义明确——高a值反映步态协调性，高m值提示能量集中分布，二者乘积自然表征运动稳定性；其次，该方法仅需400ms滑动窗口即可实现预测，具备临床实时应用潜力；最后，研究揭示的正常/异常步态DMD模态差异，为理解PD运动病理机制提供了新视角。值得注意的是，该方法在区分FoG与主动停止动作时效能有限（准确率67.2%），未来需融合更多模态特征加以改进。这项跨学科研究为可解释性生物信号分析树立了新范式，其技术框架可拓展至癫痫预警、跌倒预防等其他运动障碍领域。