基于开源算法的帕金森病震颤实时监测系统开发与跨设备验证研究

这篇研究开发了一种可泛化的开源算法，用于帕金森病（PD）患者日常生活中的震颤监测。通过结合视频标注的家庭数据集（PD@Home）和无监督的大规模数据集（PPP），算法在跨设备验证中表现出色（灵敏度0.61，特异性0.97），并证实周级震颤时间与运动障碍学会统一帕金森病评定量表（MDS-UPDRS）评分呈中度相关。研究为临床实验和个体化震颤管理提供了可靠工具。

　　

Abstract

研究团队开发了一种基于手腕陀螺仪的开源算法，用于帕金森病（PD）震颤的日常监测。该算法通过结合两个独立数据集实现跨设备泛化：一是小型但经过视频标注的家庭活动数据集（PD@Home，n=24 PD患者+24对照），用于训练基于倒谱系数（MFCCs）的逻辑回归震颤检测模型；二是大规模无监督数据集（PPP，n=517 PD患者+50对照），用于外部验证。结果显示，算法能可靠量化真实场景中的PD震颤（灵敏度0.61±0.20，特异性0.97±0.05），周级震颤时间与功率指标具有优异的测试-重测可靠性（ICC>0.94），并与MDS-UPDRS静息震颤评分呈中度相关。

Introduction

帕金森病作为增长最快的神经退行性疾病，全球患者达1180万，其中75%伴发震颤症状。传统临床评估受限于短暂就诊时间和观察者偏差，而可穿戴传感器为连续客观监测提供可能。现有算法多基于实验室环境开发，难以泛化至真实生活场景。本研究通过独特的数据集组合策略，解决了算法泛化性和设备兼容性两大挑战。

Results

震颤检测性能
在PD@Home数据集中，算法通过5个关键MFCCs捕捉3-7Hz震颤特征，结合非震颤手臂运动过滤（提升特异性至97%）。假阳性主要来自刷牙、搅拌茶等节律性活动。跨设备验证显示，在PPP数据集中，临床确诊震颤患者的灵敏度达0.44-0.64，特异性保持0.98-0.99。

周级震颤指标
震颤时间在MDS-UPDRS 3.17 ON评分≥2的PD组显著高于对照组（p<0.001）。多变量回归显示，设备侧手臂的静息震颤严重程度（MDS-UPDRS 3.17）是周级指标的最强预测因子（β=0.35）。值得注意的是，临床未检出震颤的PD患者（组0）仍显示出高于对照组的震颤时间，提示传感器可能检测到亚临床震颤。

可靠性验证
周级指标ICC值高达0.98（震颤时间）和0.96（中值震颤功率），显著优于传统临床量表的组内变异。

Discussion

该研究创新性地利用MFCCs的尺度不变特性，使算法能适应不同设备灵敏度差异。虽然特异性优化导致灵敏度适度降低（如漏检手指细微震颤），但权衡后更适合长期监测场景。未来需探索传感器指标与患者主观体验的关联，并验证其对治疗反应的敏感性。

Methods

数据采集
PD@Home使用Physilog4陀螺仪（200Hz），PPP采用Verily Study Watch（50-100Hz）。震颤标注基于视频记录（PD@Home）或陀螺仪信号视觉检查（PPP）。

算法架构
4秒窗口提取三轴陀螺仪PSD，通过15个Mel滤波器组计算12维MFCCs。逻辑回归阈值设为95%特异性，并添加3-7Hz频率带和手臂运动功率（0.5-3Hz）双重过滤。

统计分析
采用Spearman相关性检验和Dunn多重比较，周级聚合数据需满足每周≥3天有效监测（每天≥10小时）。

（注：全文严格依据原文数据，未添加非文献支持结论）