综述：用于帕金森病监测的表面肌电图技术：机器学习与深度学习方法的综述 Sara Bruschi, Marco Esposito, Sara Raggiunto, Luisiana Sabbatini, Alberto Belli, Michele Paniccia 及 Paola Pierleoni

《Sensors》：Surface Electromyography for Parkinson’s Disease Monitoring: A Review of Machine and Deep Learning Techniques Sara Bruschi, Marco Esposito, Sara Raggiunto, Luisiana Sabbatini, Alberto Belli, Michele Paniccia and Paola Pierleoni

　　

摘要

帕金森病（PD）是一种影响全球数百万人的神经退行性疾病，其特征是震颤、僵硬和运动迟缓等运动症状，这些症状显著损害了患者的日常生活。目前的诊断和监测主要依赖于临床观察和评分量表（例如MDS-UPDRS），但这些方法具有主观性，并且在检测细微的运动变化方面存在局限性，从而导致评估者之间以及同一评估者在不同时间评估结果上的差异。近年来，诸如表面肌电图（sEMG）和惯性测量单元（IMUs）等可穿戴传感器已成为量化PD患者神经肌肉活动和运动表现的非侵入性工具。当这些传感器与机器学习（ML）和深度学习（DL）技术结合使用时，可以开发出用于疾病检测、患者分类和症状严重程度评估的模型。本综述系统地概述了近年来应用于PD监测的表面肌电图的ML和DL方法，填补了现有文献中的空白。它分析了数据采集策略、预处理技术、特征提取方法、模型架构以及评估协议，涵盖了诊断、震颤分析、步态冻结检测和步态评估等任务。尽管取得了有希望的结果，但仍存在一些关键挑战，包括数据集规模有限、缺乏标准化以及泛化能力不足等问题。最后，本文强调了新兴的研究趋势，并提出了一种代表性的处理流程，以支持这些技术在实际临床中的应用。