基于ROCKET和InceptionTime算法的帕金森病运动症状腕部加速度计时序分析与严重程度评估

为解决帕金森病(PD)运动症状动态监测难题，德国慕尼黑工业大学团队开展腕部加速度计时序分析研究，对比ROCKET和InceptionTime算法在震颤(tremor)、运动迟缓(bradykinesia)和异动症(dyskenesia)检测中的性能。研究发现InceptionTime对震颤和运动迟缓识别更优(BA达75.5%)，ROCKET在异动症检测表现突出(AP 0.140)，为可穿戴设备持续监测PD症状提供新方法，成果发表于《Scientific Reports》。

　　

帕金森病作为全球增长最快的神经系统疾病，其典型运动症状如震颤、运动迟缓和异动症具有显著波动性，临床常规每3-12个月的门诊评估难以捕捉症状动态变化。现有基于可穿戴传感器的监测方法面临两大挑战：复杂日常活动(ADL)产生的加速度信号会掩盖症状特征；临床数据集规模有限制约深度学习模型性能。这些瓶颈使得持续、精准的症状评估难以实现，直接影响左旋多巴(L-DOPA)等药物的精准调整。

德国慕尼黑工业大学Cedric Donié团队创新性地将两种前沿时序分类算法——随机卷积核变换(ROCKET)和InceptionTime网络，应用于腕戴式GENEActiv加速度计数据(采样率50Hz)分析。研究采用迈克尔·J·福克斯基金会(MJFF)公开数据集，包含27名PD患者执行18项标准化动作时的162小时标注数据，通过分层交叉验证比较算法性能。关键技术包括：采用30秒滑动窗口(50%重叠)处理变长时序；利用Welch法计算功率谱密度(PSD)；引入平滑预期校准误差(SmoothECE)评估概率可靠性；使用近似随机排序(ASO)进行统计比较。

【模型开发】章节显示，研究团队构建了四类对比模型：默认参数InceptionTime、超参数优化InceptionTime(随机搜索900种架构)、ROCKET+岭分类器，以及基于70维小波特征的MLP基线。超参数优化发现窗口长度是唯一显著影响性能的参数，30秒窗口使ROCKET的mAP提升41%(从0.404至0.565)。

【震颤检测】结果显示，ROCKET以0.605的宏观平均绝对误差(MAMAE)显著优于InceptionTime(0.770)，其混淆矩阵显示对0-1级震颤识别准确率达71%。频谱分析揭示假阳性多发生于需要精细动作的任务(如螺母组装)，因患者震颤反而抑制了4-6Hz的特征频段活动。

【运动迟缓检测】中，默认InceptionTime展现最佳性能(BA 75.5%，AUROC 84.1%)。校准曲线显示其预测概率与真实发生率高度吻合。运动分析发现真阳性样本加速度标准差(1.96m/s²)显著高于假阴性(1.58m/s²)，证实运动迟缓与整体活动强度相关。

【异动症检测】所有模型表现接近随机分类(AP≈0.14)，研究者归因于：异动症的旋转运动特征难以被加速度计捕捉；症状高度依赖运动意图的上下文，而数据集未标注活动类型。ROCKET相对优势可能源于其随机卷积核对小数据集的适应性。

讨论部分指出，虽然两种算法性能优于小波特征MLP(BA提升达34.4个百分点)，但仍未达临床实用标准。InceptionTime的高变异性(十次训练BA波动±4.6%)证实了原作者采用集成策略的必要性。研究创新性体现在：首次系统评估时序分类算法对多维度PD症状的识别能力；提出样本熵和PSD联合分析方法解释模型决策；建立包含SmoothECE和ASO的严谨评估框架。

该研究为可穿戴设备在神经退行性疾病管理中的应用提供重要方法论参考，特别是指出：①长时窗口(30秒)能有效提升症状识别率；②多模态传感器(如增加陀螺仪)可能是突破异动症检测瓶颈的关键；③需要开发考虑症状等级有序性的回归模型。这些发现将推动PD监测从实验室向日常生活场景转化，为个性化用药方案的制定提供技术支撑。