基于柔性压电与惯性传感器的智能手套在帕金森病评估中的应用研究

为解决帕金森病（PD）患者运动功能障碍量化评估难题，研究人员开发了一种集成柔性MEMS压电传感器（Aluminum Nitride）与惯性传感器的智能手套，通过监测手部震颤及MDS-UPDRS标准动作（如手指敲击、握拳等），结合嵌入式机器学习算法（NN）实现运动信号分类，准确率达95.12%-98.39%。该研究为PD动态监测提供了便携式解决方案，发表于《Sensors International》。

　　

帕金森病（Parkinson's disease, PD）作为一种常见的神经退行性疾病，正悄然侵蚀全球数百万患者的生活质量。其典型症状——手部静止性震颤、运动迟缓等，目前主要依赖临床量表（如MDS-UPDRS）进行主观评估，缺乏客观量化工具。传统检测设备笨重且难以捕捉日常细微变化，而可穿戴技术的兴起为这一困境带来了转机。

在此背景下，某研究团队设计了一款革命性的智能手套，通过融合柔性压电传感器与惯性传感技术，实现对PD患者手部运动的精准监测。该手套采用热塑性聚氨酯（TPU）基底，集成了两个基于氮化铝（Aluminum Nitride）的柔性MEMS压电传感器和六轴惯性测量单元（IMU），可同步捕捉手指关节弯曲与手臂三维运动。信号经nRF52840 SoC微控制器处理后，由嵌入式神经网络（NN）算法对MDS-UPDRS标准动作（如手指敲击、握拳开合、静止震颤）进行分类评分。研究招募了7名受试者（6名PD患者）构建数据集，最终实现三类动作95.12%-98.39%的分类准确率。

关键技术方法包括：1）柔性MEMS压电传感器设计与集成；2）多模态信号（压电/惯性）同步采集与处理；3）基于nRF52840 SoC的嵌入式系统开发；4）神经网络算法（NN）部署与优化。

研究结果：

1. 硬件设计验证：TPU柔性基底确保了传感器与手部的贴合性，压电信号信噪比达临床检测要求。
2. 算法性能测试：神经网络对三类动作的分类准确率分别为手指敲击95.12%、握拳开合98.39%、静止震颤96.62%。
3. 临床相关性分析：运动信号特征与MDS-UPDRS评分显著相关（p<0.01），证实其临床适用性。

该研究首次将柔性压电传感与惯性导航技术结合应用于PD评估，其重要意义在于：1）为门诊和居家监测提供便携式工具；2）通过客观数据减少临床评估主观偏差；3）嵌入式AI实现实时反馈，为个性化治疗提供依据。未来可通过扩大样本量进一步优化算法普适性，推动PD管理的数字化变革。