基于动态手写特征提取与机器学习的帕金森病分期检测新方法

本研究针对帕金森病(PD)早期诊断难题，创新性地提出融合动态运动学特征与机器学习的方法。研究人员通过提取65个新型手写动力学特征（如加速度、方向变化等），结合SFFS特征选择技术，构建了能区分PD早期、中期和晚期的分类模型，在PaHaW数据集上达到99.98%的准确率，较现有方法提升2%，为PD精准分期诊断提供了新范式。

　　

帕金森病作为全球增长最快的神经退行性疾病之一，其早期诊断始终面临巨大挑战。传统临床评估依赖统一帕金森病评定量表(UPDRS)，但误诊率高达25%，且难以捕捉疾病早期的细微运动变化。更棘手的是，现有基于手写分析的方法多采用全局统计特征，忽视了书写过程中关键的动态变化——比如起笔和收笔阶段的速度波动、方向调整等微运动，而这些恰恰可能是PD运动功能障碍的"指纹"特征。

日本会津大学(Jungpil Shin团队)的研究人员独辟蹊径，将目光聚焦于手写任务的动态过程。他们发现帕金森患者书写时，前10%和后10%时间段的运动特征（如第一笔压力、末段位移等）具有独特病理模式。通过开发65个新型动态运动学特征，结合23个传统特征构建多维特征集，并采用Sequential Forward Floating Selection(SFFS)进行特征优化，最终建立的SVM集成模型不仅实现PD/健康对照96.99%的区分准确率，更突破性地将患者分为早、中、晚三期（对应病程1-4年、5-8年、9年以上），为临床分期提供了客观量化工具。这项发表于《Scientific Reports》的研究，首次证明手写动态特征的时序分析对PD分期诊断的关键价值。

关键技术包括：1) 使用Wacom数位板采集75名受试者（37名PD患者/38名健康对照）8项手写任务数据；2) 创新提取首尾10%时段的动态特征（如角轨迹、符号位移等）；3) 采用统计定理构建844维分层特征；4) 应用SFFS算法优选特征；5) 基于Optuna优化SVM分类器。

【特征提取】

提出"角轨迹特征"量化书写流畅度，通过向量夹角计算捕捉PD患者特有的震颤模式。如图3所示，健康对照的螺旋绘制轨迹平滑，而PD患者呈现明显抖动。

【分层特征扩展】

对每个运动学特征计算13种统计量（如峰度、偏度），其中位移峰度特征在Task1中展现出PD组与对照组的显著差异（p<0.001），如图5所示。

【模型优化】

SFFS算法筛选出关键特征如"末段y向符号速度最小值"，在Task3分类中单独使用即达98.66%准确率。集成Top3任务特征时，准确率提升至99.98%，超越现有最佳模型2%。

这项研究的突破性在于：1) 首次实现基于手写动态的PD分期，早期患者（1-4年病程）识别准确率达88.88%；2) 发现首尾10%书写时段包含80%判别信息；3) 开发的轻量化模型适合临床部署。正如讨论指出，该方法可扩展至其他运动障碍疾病诊断，未来通过多中心验证和实时分析优化，有望成为神经科医生的"数字听诊器"。研究数据与代码已开源，推动领域协同创新。