《Sensors》：Upper Limb Tremors Classification for Parkinson’s Disease Using W-Band (76–81 GHz) Doppler Millimeter-Wave Sensing and Deep-Learning-Based Classifier
编辑推荐：
帕金森病（Parkinson’s disease，PD）是一种神经退行性疾病，发病率逐年上升，显著影响患者的运动功能与生活质量。不自主的上肢震颤（upper limb tremors，ULTs）通常单侧出现，累及左或右上肢。临床上，ULT频率可划分为三类：低频
帕金森病（Parkinson’s disease，PD）是一种神经退行性疾病，发病率逐年上升，显著影响患者的运动功能与生活质量。不自主的上肢震颤（upper limb tremors，ULTs）通常单侧出现，累及左或右上肢。临床上，ULT频率可划分为三类：低频（<4.0 Hz）、中频（4.0–7.0 Hz）和高频（>7.0 Hz）震颤。这些震颤运动表现为振荡或旋转（角位移）运动，即微多普勒效应（micro-Doppler effect，mDE）。本研究旨在开发一种基于多普勒毫米波（millimeter-wave，mm-Wave）雷达的短距离（<1.0 m）非接触式ULT检测方法。反射电磁波呈现时变频率特性，可利用时频变换（time–frequency transform，TFT）方法（如Wigner–Ville分布（Wigner–Ville distribution，WVD）和平滑伪WVD（smoothed pseudo WVD，SPWVD））进行分析。这些TFT方法用于提取mDE特征，并随后可视化为彩色编码的频谱图以进行ULT分类。然后，采用二维（two-dimensional，2D）卷积神经网络（convolutional neural network，CNN）自动识别ULT分类的视觉特征模式（基于频率和幅度信息）。在实验设置中，研究人员采用W波段（76–81 GHz）多普勒mm-Wave生物传感器进行特征模式感知与提取。基于“WVD + 2D CNN”和“SPWVD + 2D CNN”的拟议分类器使用采集的数据集进行训练与验证，每次折验证中随机选取60%作为训练数据集，40%作为测试数据集。采用10折交叉验证方法评估分类器性能，分别达到平均精确率95.92 ± 0.60%、平均召回率95.89 ± 0.62%、平均F1分数0.9588 ± 0.0060和平均准确率95.89 ± 0.62%。实验结果表明，拟议分类器利用短距离（<1.0 m）非接触式传感对PD患者进行实时ULT分类的可行性。
**论文解读文章**
**研究背景与问题**
帕金森病（Parkinson’s disease, PD）是一种常见的神经退行性疾病，随着全球老龄化加剧，其发病率持续上升，严重影响患者的运动功能和生活质量。上肢震颤（upper limb tremors, ULTs）是PD的主要运动症状之一，通常表现为单侧（左或右）不自主的振荡或旋转运动。临床上根据震颤频率将其分为三类：低频（<4.0 Hz）、中频（4.0–7.0 Hz）和高频（>7.0 Hz）。传统评估方法依赖于临床量表（如MDS-UPDRS）和面对面问诊，耗时且缺乏客观定量指标，难以实现早期筛查、个性化监测和长期连续评估。现有的辅助工具包括可穿戴传感器（加速度计、陀螺仪等）、摄像头和毫米波传感器，但接触式方法可能导致不适、限制活动及依从性低。因此，亟需开发一种非接触、短距离、客观定量的ULT分类方法，以辅助PD的早期诊断和康复管理。本研究利用W波段（76–81 GHz）多普勒毫米波雷达，结合深度学习分类器，旨在实现短距离（<1.0 m）非接触式ULT实时分类。
**研究内容与结论**
研究人员提出并验证了一种基于W波段（76–81 GHz）多普勒毫米波生物传感器和深度学习分类器的短距离非接触式ULT分类框架。通过Wigner–Ville分布（WVD）和平滑伪WVD（SPWVD）时频变换方法提取微多普勒特征，并生成彩色编码的二维频谱图作为分类输入。采用二维卷积神经网络（2D CNN）自动识别特征模式。实验在实验室环境下进行，招募10名健康受试者（男性，平均年龄22.5±2.5岁），借助电子节拍器模拟三类ULT（低频<4.0 Hz、中频4.0–7.0 Hz、高频>7.0 Hz），分别在0.5 m、1.0 m和1.5 m三个距离采集数据。共计3000个原始数据集（每类每距离约1000个），按60%训练、40%测试进行10折交叉验证。结果显示，在0.5 m距离下，“SPWVD + 2D CNN”分类器表现最优，平均精确率95.92±0.60%、平均召回率95.89±0.62%、平均F1分数0.9588±0.0060、平均准确率95.89±0.62%。随着传感距离增加，性能略有下降，0.5 m为推荐测量距离。与现有非接触方法（如数字手写分析、X/K波段毫米波雷达）相比，本研究方法在保持高分辨率的同时，实现了较好的分类性能，且无需接触式设备。该研究发表在《Sensors》期刊上，证明了该框架用于实时ULT分类的可行性，为PD的数字化辅助评估提供了新工具。
**主要关键技术方法**
1. **W波段（76–81 GHz）多普勒毫米波雷达传感**：采用TI IWR1642 BOOST评估模块（2发4收相控阵天线），基于FMCW（调频连续波）平台，实现短距离（0.5–1.5 m）非接触式上臂运动感知，通过Range-FFT和Doppler-FFT提取位移和速度信息。
2. **时频变换特征提取**：分别使用WVD和SPWVD方法处理原始微多普勒信号（300帧/约10秒），生成875×656像素的彩色编码频谱图，增强时频分辨率并抑制交叉项干扰。
3. **二维卷积神经网络（2D CNN）分类器**：设计级联CNN（CCNN）结构，包含4个Conv.-Pool层（3×3卷积核），后接平坦层与全连接层；采用GELU激活函数、Adam优化器、分类交叉熵损失函数，进行三分类模式识别。
4. **10折交叉验证与性能评估**：以精确率、召回率、F1分数和准确率为指标，严格分离受试者数据防止泄露，评估分类器泛化能力。
**研究结果**
**Case Study 1: 固定测量位（0.5 m）的分类器训练与验证**
在0.5 m固定距离下，比较四种分类器模型（WVD+2D CNN、WVD+1D CNN、SPWVD+2D CNN、SPWVD+1D CNN）。10折交叉验证结果表明，“SPWVD + 2D CNN”表现最佳，平均准确率95.89±0.62%，平均F1分数0.9588±0.0060，训练与验证曲线在约60个epoch后收敛且未出现明显过拟合。2D CNN优于1D CNN，证明二维时频谱图的空间特征对模式识别更有效。
**Case Study 2: 不同测量位（0.5 m、1.0 m、1.5 m）的分类器验证**
在三个距离下分别评估分类器性能。随着距离增加，所有模型的F1分数和准确率均下降，其中0.5 m处表现最优（SPWVD+2D CNN：F1=0.9588）。消融实验移除特征增强后，直接使用微多普勒特征+2D CNN的平均F1降至0.8754，证实WVD/SPWVD特征提取的关键性。结论建议0.5 m为最佳测量距离，且2D CNN对2D空间特征更鲁棒。
**与现有非接触短距离传感方法的比较**
对比数字手写分析（iPad+Apple Pencil，准确率>90%）和X/K波段毫米波雷达（10 GHz、24 GHz），W波段（76–81 GHz）雷达具有更高分辨率，可精细捕捉微多普勒效应。本研究的SPWVD+2D CNN方法在0.5 m距离下平均准确率95.89%，优于多数已有方法，且无需专用书写硬件，受试者配合要求更低。
**讨论与结论**
**讨论部分总结**：研究人员指出，传统临床评估依赖MDS-UPDRS问卷，耗时且缺乏客观定量。本研究提出的非接触短距离传感方法可提供实时、客观的ULT分类，便于个性化监测和居家护理。但当前实验在控制环境下由健康受试者模拟震颤完成，尚未在临床PD患者中验证。未来需纳入确诊PD患者及不同类型震颤障碍人群，以评估方法的临床鲁棒性和适用性。
**研究结论翻译**：临床评估通常依赖MDS-UPDRS和健康相关生活质量（Health-Related Quality of Life, HRQOL）问卷进行面对面评估。在PD检查中，医生根据PD患者的运动功能、协调性和平衡能力观察异常症状，包括上肢是否出现静止性震颤（RT）、身体运动时的肌肉僵硬和运动迟缓，以及声音是否变弱。这些症状可能出现在上肢、下肢、身体和发声特征中。然而，这些检查方式需要大量的时间和人力资源进行提问和评分（0至4分）。这种传统评估方法缺乏科学数据量化、自动检测、可重复性和个性化应用，给标准化评估带来了局限性。因此，研究人员提出了一种利用W波段毫米波生物传感器的短距离非接触式ULT分类方法，涵盖三种震颤频率范围及相关ULT类别，即低频震颤（<4.0 Hz）、帕金森病震颤（PDT）（4.0–7.0 Hz）和特发性震颤（ET）（>7.0 Hz）。采用WVD和SPWVD方法增强微多普勒特征分辨率，提供更精细的彩色编码特征表示用于模式识别。综合考虑分辨率、传感距离和分类器模型，研究人员建议在0.5 m位置进行测量，并设计“SPWVD + 2D CNN”分类器，可有效可靠地筛查ULT类别。该硬件-软件装置可轻松部署在桌面辅助工具上，用于个体化评估震颤进展，满足自我护理和药物调整需求。本研究在受控实验条件下进行，由健康受试者借助节拍器模拟ULT。实验结果证明了所提出的毫米波传感器对分类受控模拟震颤模式的可行性和有效性，而非提供PD诊断的直接临床验证。未来工作将纳入临床确诊的PD患者以及其他震颤相关障碍患者，以进一步评估所提出方法在真实场景中的鲁棒性和临床适用性。
