用于帕金森病步态冻结连续监测的自监督学习与机会推理方法

《ACM Transactions on Computing for Healthcare》：Self-Supervised Learning and Opportunistic Inference for Continuous Monitoring of Freezing of Gait in Parkinson’s Disease

　　帕金森病会通过诸如步态冻结等严重的运动症状，极大影响患者的生活质量。对步态冻结进行持续的家庭监测对于及时进行临床干预至关重要，但由于当前可穿戴设备能耗高、标注成本高以及需要特定环境，这一任务仍面临挑战。我们提出了LIFT-PD（代码地址：https://github.com/shovito66/LIFT-PD），这是一种全新的自监督学习框架，能够实时、无需依赖患者个体特征即可检测步态冻结，它独特地仅使用一个腰戴式加速度计——而传统上认为这种方法的效果较差，因为其能捕捉的步态特征较为有限。LIFT-PD利用自监督学习处理从非受控现实环境中收集的未标记数据，并采用一种新的差分跳跃窗口技术来应对步态差异和数据集不平衡问题。此外，该框架还包含一个机会性推理模块，仅在患者活动时激活深度学习模型，从而大幅降低能耗，实现超过48小时的持续监测。实验结果表明，与基于监督学习和半监督学习的基准模型相比，LIFT-PD的精确度提升了7.25%，准确率提高了4.4%，同时所需的标记训练样本数量减少了约40%。在不同患者特征下的测试——包括病情严重程度、用药情况、年龄和性别——都证明了该模型的稳健性和临床适用性，使其成为一种实用、节能且可扩展的解决方案，适用于帕金森病患者步态冻结的实时持续监测。经过掩码处理的信号数据X^W∈RN×T′，其定义为X^W=mask(XW,m)，其中x^wi∈X^W，m表示掩码比例（在我们的实现中为0.2）。图1展示了实时雾状状态检测的自监督训练流程。预训练阶段：编码器重构经过掩码处理的信号片段，为缺失数据输出预测值hi。微调阶段：在利用标记数据进行交叉熵损失优化多层感知器的同时，冻结编码器的权重。端到端流程：将训练好的模型集成到实时系统中，模型激活模块会选择性启用计算成本较高的雾状状态检测模型，从而实现高效、长期的监测。MAM即模型激活模块；MLP则为多层感知器。编码器fθ:RN×T′→RN×D能够从被掩码的窗口中重建原始信号，生成低维度的隐藏表示H∈RN×D，其中hi∈RD←fθ(x^wi)。这些隐藏表示会通过全连接网络gψ(?)来预测被掩码的片段，其结果表示为x^=gψ(hi)。编码器通过均方误差最小化重建损失Lθ，其公式为：Lθ=1Nm∑j=1Nm(x^j?xp(j))2，(1)其中Nm为被掩码点的总数，x^j是第j个被掩码点的预测值，xp(j)则是原始输入值，其在分段信号窗口中的位置为p(j)。我们的目标是找到能够最小化该Lθ损失的最优参数θ?，可正式表示为：θ?=arg?minθLθ。3.1.2 后续任务（雾状状态分类）。预训练完成后，在编码器之上引入多层感知器g?:RN×D→Y，用于进行二分类的雾状状态检测。该多层感知器将学习到的嵌入向量H映射为雾状状态或非雾状状态的标签Y，其表达式为Y^=g?(H)=g?(fθ(XW))，其中fθ为带有参数θ的预训练编码器，XW则为分段后的信号数据。这一微调阶段是在少量标记数据的监督下进行的。初始时，编码器fθ使用预训练得到的权重(θ?)进行初始化，而多层感知器g?则随机初始化。在微调过程中，编码器的权重保持不变，只有多层感知器的各层会在较低的学习率下进行训练，如图1（第二部分）所示。对于后续的雾状状态检测任务，我们需要最小化二元交叉熵损失Lce(θ,?)：Lce(θ,?)=?1N∑i=1N[yilog?(σ(y^i))+(1?yi)log?(1?σ(y^i))]，(2)其中N为窗口的总数，y为指示变量（雾状状态为1，非雾状状态为0），σ为S形函数，y^∈Y^则为分类器g?(hi)对第i个嵌入向量的输出结果。3.2 机会性推理为了在利用可穿戴设备进行家庭帕金森病监测时优化能耗和计算资源，我们提出了一种基于机会性的简单算法作为模型激活模块。该模块能够区分活跃期与非活跃期，仅在检测到活跃时段时才启动计算成本较高的SSL雾状状态检测模型，如图2所示。该激活模块会过滤掉非活跃窗口，确保SSL模型仅在检测到活动时才会被调用，从而显著降低能耗，并避免在非活跃状态下出现误判。在非活跃期间，系统会采用更简单的方法处理数据，通过比较当前传入信号的幅度来实现更高效的能源利用。对于每个窗口i∈[1,N]，3D加速度计的幅度Mi可通过公式Mi=1T′∑t=1T′‖ax,t2+ay,t2+az,t2‖计算得出，其中ax、ay、az分别为三个轴方向的加速度信号。如果Mi≥α，则认为该窗口处于活跃状态，α为预先设定的阈值（见公式3），否则模型激活模块会将其视为非活跃状态：{1?（活跃）若?Mi≥α；0?（非活跃）否则。（3）这一阈值的设定是为了在不影响SSL算法性能的前提下过滤掉某些窗口。最后，在推理阶段单独评估了幅度阈值的影响（见4.6节）。图2展示了模型激活模块：基于活动阈值触发机制，用于在可穿戴雾状状态检测系统中实现计算负载分担及延长电池续航时间。3.3 不平衡训练数据的处理方法我们提出的数据集生成方法（DHWT）无需额外的预处理即可有效处理不平衡数据集，能够在保证信息完整性的同时提升计算效率，便于在可穿戴设备上实现实时应用。该方法会将原始传感器数据分割成短小的、相互重叠的窗口，并根据活动类型调整重叠比例。例如，在图3(a)所示的实验评估中，我们在非雾状状态训练时采用50%的重叠比例，而在雾状状态训练时则采用75%的重叠比例。在推理阶段，则使用标准且固定的重叠比例对窗口进行分割，以此模拟现实中无法提前识别雾状状态场景的情况。如图3(b)左侧条形图所示，采用固定长度的重叠比例通常会导致训练数据集出现不平衡，其中非雾状状态样本占比为63.3%，雾状状态样本占比为36.7%。相比之下，DHWT分割方法能够实现更均衡的数据分布，如图3同一图表右侧条形图所示，非雾状状态和雾状状态数据的占比分别为45%和55%。在测试集生成方面，采用固定50%的重叠比例（每1.5秒向前推进一次）的标准化分割方式，可以模拟实际运行环境，即处理前3秒内的数据。关于选择3秒窗口长度的详细原因可见4.7节。之所以为雾状状态数据段选择75%的重叠比例，非雾状状态数据段选择50%的重叠比例，是基于实证验证和领域专业知识的综合考虑。考虑到帕金森病患者的典型步态周期为1.2–1.5秒[25, 38]，若采用3秒的窗口长度，并设置75%的重叠比例（单次步幅约0.75秒），则每个训练窗口都会包含多个步态转换过程，从而能够捕捉到雾状状态发作的动态变化过程。而若在非雾状状态活动中采用50%的重叠比例（单次步幅约1.5秒），则可以减少样本冗余并降低计算量。这些重叠比例既能够实现类别比例的均衡（雾状状态与非雾状状态窗口的比例约为1:1），又能保持与专家观察到的步态动态特征相一致的具有生理意义的时间覆盖范围。图3展示了用于训练集的DHWT分割流程（a）；以及采用标准分割方式与DHWT分割方式所得到的雾状状态数据占比情况（b）。3.4 数据集本研究所使用的数据集为公开可用的tDCS雾状状态数据集，其中包含了帕金森病患者在接受雾状状态诱发试验时，在服用药物（“用药状态”）和未服药（“未用药状态”）两种情况下的运动数据[11]。这些数据是通过安装在腰部位置的3D加速度计采集的，采样率为128Hz，共计记录了1,132次雾状状态发作事件，总记录时长为285分钟，同时还有15.3小时的连续数据记录。每一次雾状状态发作事件都经过了视频录制，并由专家进行了标注[11]。表2总结了这些受试者的基本人口统计学信息和临床特征。该数据集中包含被标记为“正常”或“雾状状态”的事件，这些事件的分布情况则总结在表3中。实验中的测试流程遵循了Reches等人[27]、Manor等人[17]所提出的经典雾状状态诱发试验方案，该方案最初由Ziegler等人[41]定义。表2显示了各项特征的整体情况：用药状态下的受试者共8人，占32%；未用药状态下的受试者共7人，占31%；性别方面，男性受试者共6人，占20%。受试者的平均年龄及标准差分别为69.5岁（7.75岁）、70.9岁（6.5岁）、68岁（8.3岁）。在UPDRS评分方面，用药状态下的受试者平均分为34.27分，标准差为12.7分；未用药状态下的受试者平均分同样为34.27分，标准差也为12.7分。对于非雾状状态评分，其平均分及标准差分别为42.88分（标准差为12.99分），两组数据差异并不明显。表3则展示了不同事件类型的分布情况：在用药状态下，正常事件占总事件的28.01%，雾状状态事件占比为18.73%；在未用药状态下，正常事件占比上升至35.41%，而雾状状态事件占比则为17.86%。在雾状状态诱发试验期间的事件分布情况如图所示。我们将数据重采样为40Hz的采样频率，这一频率被认为既能够有效识别健康人群以及帕金森病患者（包括那些出现雾状状态发作的人）的体动信号，又不会给系统带来过高的内存负担和计算复杂度。该频率能够覆盖典型的冻结频段（3–8Hz），同时还能降低内存占用和计算难度。此外，将采样频率降至40Hz还有助于进一步减少数据处理过程中的内存负荷和计算复杂度。密度图（图4的上半部分）显示，虽然两种群体的数据分布大致呈正态分布，但男性受试者在30–40分的分数区间内呈现出更高的峰值密度，而女性受试者的峰值则分布在40–50分之间，范围更为宽泛。箱线图（图4的下半部分）则显示，男性受试者的统一帕金森病评分量表得分中位数略低于女性受试者，不过两组数据的中位数区间存在重叠，且两组数据中都存在异常值，这表明各组受试者的评分存在一定程度的差异性。图4展示了按性别划分的UPDRS评分的密度分布图和箱线图。上半部分显示了UPDRS评分的密度分布情况，其中男性受试者的数据用蓝色标注，女性受试者的数据用紫色标注。下半部分为箱线图，展示了不同性别受试者在UPDRS评分上的差异，其中标出了中位数、四分位数区间以及异常值。UPDRS即统一帕金森病评分量表。3.5 均值去除与标签标注在完成数据分割后，我们对每个窗口进行简单的预处理操作，即去掉各个传感器轴上的均值值（如x、y、z轴）。这样的数据居中处理方式可以有效消除传感器带来的偏差，同时降低计算复杂度。最后，我们会根据窗口内的数据内容为其分配标签：如果窗口内仅包含非雾状状态的数据，则标注为“非雾状状态”；如果窗口内至少有50%的数据属于雾状状态，则标注为“雾状状态”。对于同时包含两种状态数据的窗口，则直接予以舍弃，以确保在后续的机器学习分类阶段能够实现准确分类。这种简化的预处理方式在保障雾状状态检测所需特征完整性的同时，也更有利于提升系统的实时处理性能。3.6 单组留出法（LOGO）为了评估模型的通用性，我们采用了单组留出法的交叉验证方式。整个tDCS数据集被划分为两组，每组包含20名随机选取的帕金森病患者。这两组的受试者在年龄、症状持续时间以及UPDRS评分等方面都具有相似的特征。因此，我们会分别使用每组中的20名患者作为训练数据，通过SSL算法训练出与患者个体特征无关的模型，而将剩余的那组患者的数据暂时去掉标签，用于后续的验证工作。之后我们会评估被留出的那组患者数据的分类性能，并将其与我们基于传统监督学习方法构建的基准模型进行对比。这一流程会在数据集中的每组数据上重复三次，最终将三次实验的结果取平均值，以此确保研究结果的可靠性和稳定性。3.7 模型开发与实验设置针对后续的雾状状态检测任务，我们在LIFT-PD项目中设计了一种包含5层结构的一维卷积神经网络架构（见图5），该架构使得我们无需进行复杂的特征工程即可直接使用原始传感器数据。该模型由一个用于特征提取的编码器模块和一个用于雾状状态检测的分类模块组成。编码器模块包含5层一维卷积层，各层的滤波器数量依次为64、128、256、128、64，卷积核大小均为3，激活函数采用ReLU函数；在第二层之后会加入最大池化操作，池化窗口大小为2；在第五层之后则加入全局平均池化操作，池化窗口大小同样为2，这些操作都可以用来降低特征图的维度，进而减少模型的计算复杂度。经过池化处理后的扁平化特征向量会传递到一个包含两层密集层的多层感知器中，这两层网络的单元数分别为128和64，激活函数仍采用ReLU函数，第一层之后还加入了0.4的丢弃率机制，用于实现二分类任务；在最顶层则还有一个单元数为1的密集层，激活函数采用S形函数，该层会输出最终的雾状状态检测结果。图5展示了这种堆叠式一维卷积神经网络模型的结构示意图，模型的输入数据为时长为3分钟的原始传感器数据。该模型的训练分为两个阶段：预训练阶段和微调阶段。在预训练阶段，编码器共经历了70个训练周期，每次训练的批量大小为64，采用的优化器为Adam优化器，其学习率初始设置为0.01，每轮训练后的学习率衰减系数为0.001。在微调阶段，新增的那些密集层则会被随机初始化。模型会在标记数据上再进行40个训练周期的微调，此时批量大小保持不变，但用于分类任务的学习率则降低到了0.0001。在处理预训练好的模型时，采用较低的学习率是一种常见的做法，这样的学习率有助于保留预训练阶段学到的特征，同时让模型能够逐步进行调整，避免之前学到的特征结构出现剧烈变化。所有实验（包括预处理和后处理步骤）都是在配备苹果M2 Pro芯片的计算机上完成的，该芯片拥有16核的神经引擎以及16GB的统一内存。分类模型的训练、优化以及测试工作都是使用Python 3.8语言实现的，所依赖的库包括Keras 2.4版本和TensorFlow 2.3版本。3.8 性能评估指标为了评估我们提出的框架以及在现有最先进方法基础上构建的模型在窗口级雾状状态检测任务中的性能，我们计算并报告了常用的各类性能指标。在这个二分类问题中（判断数据属于雾状状态还是非雾状状态），常用的性能评估指标包括灵敏度、特异性、F1分数以及接收者操作特征曲线的AUC值。我们利用这些指标对所提出的模型进行了全面评估，其评估标准与其他最先进方法相当。真阳性指的是那些被正确识别为雾状状态窗口的数据，而假阳性则是指那些被错误地判定为雾状状态的非雾状状态窗口。假阴性指的是那些实际上存在雾状状态但未被模型识别出来的窗口，真阴性则是指那些被正确分类为非雾状状态的数据。图6以示意图的形式展示了这些性能指标的含义。图6中，A代表雾状状态发作事件，B代表假阳性结果，C代表正常状态事件，D代表真阳性结果，E代表被正确识别为正常状态的事件，L则表示数据处理的延迟时间。灵敏度/召回率用于衡量被正确识别为雾状状态窗口的数量与总雾状状态窗口数量的比值，而特异性则用于衡量被正确识别为非雾状状态窗口的数量与总非雾状状态窗口数量的比值。精确度则用于评估模型避免出现假阳性的能力。F1分数则是灵敏度与精确度的调和平均值，这一指标常被用来评估在数据不平衡情况下的模型性能[26]。3.9 雾状状态检测的后处理分析为了进一步评估LIFT-PD框架的性能，我们还使用了预测结果和类别标签进行了后续的后处理分析。3.9.1 霍纳氏症雾状症状发作段检测。在本研究中，我们通过计算被检测到的发作段比例以及每段中准确识别的雾状症状窗口比例，来评估雾状症状发作段的检测效果。只要某段内至少有一个窗口被正确识别，就认为该段已被检测到。雾状症状发作段被分为三类：短时长（<6秒）、中时长（6—12秒）和长时长（>12秒）。随后我们计算了整个数据集以及各时长组中检测到的雾状症状发作段的比例。同时我们还测量了每段中准确识别出的DFW窗口的比例（见图6(D)），其计算公式为DFoG(%)=ndetected/ntotal，其中ndetected表示被识别出的DFW窗口数量，ntotal则为该段中的雾状症状窗口总数。对于误检的雾状症状发作段，我们计算了每个误检段与最近的真实雾状症状窗口之间的最小距离（见图6(B)），以此了解误报与实际雾状症状发生的接近程度。最后，我们还评估了雾状症状检测的延迟时间，即实际雾状症状发作开始时间与检测到该发作段的时间差（见图6(L)）。这一指标反映了算法识别雾状症状事件的响应速度，对于及时干预和管理霍纳氏症患者而言至关重要。

3.9.2 计算复杂度。为评估将我们的LIFT-PD框架部署在资源有限的可穿戴设备上的可行性，我们进行了多项分析。我们测试了不同输入规模下的训练时间和测试时间，以确定使用不同量级的未标记数据时，自监督预训练任务的最佳训练规模。训练完成后，我们又测试了不同输入规模下的推理时间，以此衡量其实时性能。此外，我们还分析了存储输入传感器数据及模型参数所需的内存，确保该框架适用于资源受限的设备。为降低能耗并实现长期家庭监测，我们引入了活动阈值优化算法（ATO，算法1），仅在活动期间激活雾状症状检测模型。假设性能函数P以及活跃窗口数量Nα的计算可在恒定时间内完成，那么不考虑推理模型时的整体运行时间为O(N?αmaxδα)。若将推理模型的运行时间O(M)纳入考量，其中M为单个活跃窗口的处理时间，那么调整后的复杂度则为O((M+N)?αmaxδα)。在最佳情况下，即第一次迭代就能找到最优阈值αopt时，运行时间则为O(N)。

4 结果

4.1 性能分析。我们主要通过灵敏度、特异性以及其他指标（如被检测到的发作段比例、延迟时间、精确度、F1分数以及ROC曲线的AUC值）来评估LIFT-PD框架的性能，并将其与具有相同架构和参数的基准监督模型进行对比。这项全面评估凸显了我们的自监督学习方法在实时雾状症状检测方面的优势与潜在局限。表4汇总了各项指标，结果显示，与基准监督模型相比，自监督学习模型取得了显著提升：平均精确度提升了7.25%，准确度提升了4.4%，特异性提升了6.5%。重要的是，尽管监督力度有所减弱，自监督学习模型的召回率/灵敏度仍保持在84%，确保了雾状症状发作段的检测效果不受影响。平衡精确度与召回率的F1分数，自监督学习模型也高出约3.95%，表明其在检测雾状症状发作段方面的整体性能更优。

表4. 各组指标对比
精确度 召回率/灵敏度 DFW比例 F1分数 准确度 特异性 损失值
DFE 10.66 (0.61) 0.82 (0.82) 0.73 (0.70) 0.81 (0.77) 0.81 (0.75) 0.19 (0.23)
86.65% (86.7%) 81.6% (82.0%)
20.82 (0.77) 0.86 (0.86) 0.84 (0.81) 0.84 (0.82) 0.83 (0.78) 0.16 (0.19)
89.35% (90.1%) 86.1% (86.1%)
平均值 0.74 (0.69) 0.84 (0.84) 0.79 (0.76) 0.825 (0.79) 0.82 (0.77) 0.18 (0.21)
88.00% (88.4%) 83.85% (84.1%)
最小值 0.66 (0.61) 0.82 (0.82) 0.73 (0.70) 0.81 (0.77) 0.81 (0.75) 0.16 (0.19)
86.65% (86.7%) 81.60% (82.0%)
最大值 0.82 (0.77) 0.86 (0.86) 0.84 (0.81) 0.84 (0.82) 0.83 (0.78) 0.19 (0.23)
89.35% (90.1%) 86.10% (86.1%)
标准差 0.11 (0.11) 0.03 (0.03) 0.08 (0.08) 0.02 (0.03) 0.01 (0.02) 0.02 (0.03)
1.91 (2.4) 3.18 (2.9)

所提出的LIFT-PD框架的性能表现
关键指标定义：Acc.表示准确度；DFE表示检测到的雾状症状发作段；DFW表示检测到的雾状症状窗口；Prec表示精确度；Rec表示召回率；Sens表示灵敏度；Spec.表示特异性；STD表示标准差。基准监督模型的性能指标标注在括号内。

表5. 不同组的性能对比
测试组 各项指标
严重程度 严重组 0.71 (0.7) 0.81 (0.79) 0.75 (0.74) 0.79 (0.79) 0.8 (0.79) （40例）
轻度组（14例）0.78 (0.78) 0.81 (0.81) 0.80 (0.79) 0.85 (0.84) 0.83 (0.83)
性别 女性 0.78 (0.67) 0.75 (0.77) 0.76 (0.72) 0.84 (0.71) 0.80 (0.77) （40例）
男性（32例）0.71 (0.74) 0.67 (0.64) 0.69 (0.68) 0.83 (0.86) 0.77 (0.77)
年龄 老年组（20例）0.80 (0.75) 0.71 (0.71) 0.75 (0.74) 0.86 (0.82) 0.80 (0.78) （40例）
中年组0.70 (0.66) 0.80 (0.79) 0.74 (0.72) 0.82 (0.79) 0.81 (0.79)
用药状态 用药中 0.82 (0.78) 0.79 (0.72) 0.81 (0.75) 0.84 (0.82) 0.86 (0.81)
未用药 0.78 (0.70) 0.8 (0.74) 0.79 (0.72) 0.79 (0.72) 0.82 (0.78)
随机组1（20例）0.66 (0.61) 0.82 (0.82) 0.73 (0.70) 0.81 (0.75) 0.81 (0.77) （40例）
随机组2（20例）0.82 (0.77) 0.86 (0.86) 0.84 (0.81) 0.83 (0.78) 0.84 (0.82)

不同群体的性能对比
基准监督模型的性能指标标注在括号内。第2组在所有指标上均优于第1组。第1组精确度较低（0.66），是因为存在较多雾状症状事件，导致误报率上升。而结合SSL技术的DHW方法有效缓解了数据不平衡问题，即便在第1组这种类别不平衡的情况下仍提升了性能。图7中的ROC曲线显示，SSL模型的曲线下面积略大于监督模型（分别为0.908和0.9078），说明其在雾状症状分类方面的性能更优。两种模型的AUC值十分接近，这体现了我们的自监督学习方法在仅使用少量标记数据进行训练时，仍能展现出与监督模型相当的性能。

图7. 监督模型与自监督模型的ROC曲线。

4.1.1 与基准模型的对比。我们还将我们的自监督学习方法与两种半监督基准模型在雾状症状检测方面的性能进行了比较。为凸显我们基于表示学习的策略的优势，我们在LIFT-PD中用以下两种方法替代了SSL预训练阶段：(i)基于Π模型的半监督流程[31]，以及(ii)均值教师模型变体[36]，同时保持各模型之间的核心网络、DHW分割算法以及OIM模块不变。这两种半监督方法都通过一致性正则化利用未标记数据，但生成伪标签的方式有所不同：Π模型依赖于经过置信度过滤的学生预测结果，而均值教师模型则采用指数移动平均法生成较为稳定且柔和的训练目标。虽然这两种基准模型相比纯监督训练有了一定提升，但它们需要更多比例的标记数据（约为训练集的65–75%，而LIFT-PD仅需40%）才能使伪标签收敛稳定。由于雾状症状发作段的稀疏性和多样性，Π模型生成的早期伪标签往往噪声较多，而均值教师模型虽然在标记比例较低时稳定性更好，但灵敏度稍低。相比之下，我们的SSL预训练任务通过重建被屏蔽的传感器数据段，学习了与标签无关的时间结构，使得编码器无需依赖临时标签即可从所有记录中泛化学习。因此，LIFT-PD在召回率（0.84，高于均值教师模型的0.75和Π模型的0.77）和F1分数（0.79，高于均值教师模型的0.72和Π模型的0.75）方面表现更佳，同时在精确度、准确度和特异性方面也与两种基准模型相当或更优（见表6）。

表6. 各组指标对比
精确度 召回率/灵敏度 DFW比例 F1分数 准确度 特异性
SSL 均值教师模型 Π模型 SSL 均值教师模型 Π模型 SSL 均值教师模型 Π模型
10.66 0.65 0.66 0.82 0.75 0.73 0.73 0.70 0.70 0.81 0.79 0.80 0.81 0.81 0.84
20.82 0.76 0.80 0.86 0.74 0.81 0.84 0.75 0.80 0.84 0.77 0.82 0.83 0.80 0.82

不同时长段的DFE比例
短时长（0–6秒） 中时长（6–12秒） 长时长（>12秒）
SSL 均值教师模型 Π模型 SSL 均值教师模型 Π模型 SSL 均值教师模型 Π模型
83.3% 77.7% 79.7% 100% 96.0% 97.0% 100% 99.2% 99.2%

所提出的SSL模型与两种半监督基准模型——均值教师模型和Π模型——的对比
所有指标均为各组平均值；发作段级指标显示了不同时长段雾状症状发作段的检测率，最佳结果以粗体标出。

4.1.2 DHWT方法的通用性。除了主要的tDCS数据集外，我们还将分析范围扩展到了Daphnet[28]以及MotionSense[16]中的两种活动类型（作为二元分类任务）。结果显示，由于需要处理类别不平衡问题，各数据集的训练时间都有所增加，但推理时间则保持稳定。DHW方法在存在类别不平衡的数据集中显著提升了精确度、F1分数和特异性，证明了其在多种场景下的有效性。在Daphnet数据集中，其精确度提升了161%，特异性提升了108%。这些结果表明DHW方法在不会影响计算效率的前提下具备良好的通用性（见表7）。

表7. 各数据集的训练时间、测试时间、精确度、F1分数、特异性及准确度
数据集 训练时间 测试时间 精确度 F1分数 特异性 准确度
tDCS 1.8秒 ↑ 88% 0.94秒（0.92秒） 0.74 ↑ 7.2% 0.8 ↑ 5.3% 0.82 ↑ 6.5% 0.83 ↑ 5.1%
Daphnet 0.14秒 ↑ 42% 0.134秒（0.132秒） 0.55 ↑ 161% 0.44 ↑ 42% 0.94 ↑ 108% 0.87 ↑ 71%
MotionSense 0.08秒 ↑ 142% 0.022秒（0.024秒） 1 ↑ 3.1% 0.99 ↑ 2.5% 1 ↑ 1.2% 0.99 ↑ 1.22%

不同数据集上DHWT方法的性能对比
第二行数值为相比基准模型的提升幅度。

表8. 统计指标对比
指标 统计量 p值 解释
精确度 3.18 0.011 LIFT-PD在精确度方面有显著提升（p < 0.05）。
召回率 1.87 0.094 LIFT-PD的召回率提升不显著（p > 0.05），但呈现上升趋势。
F1分数 4.20 0.0023 LIFT-PD的F1分数有极显著提升。
特异性 2.74 0.023 LIFT-PD在降低误报方面表现显著（p < 0.05）。
准确度 4.27 0.0021 LIFT-PD的整体准确度有极显著提升。

将LIFT-PD与监督模型进行对比的配对t检验结果

4.1.3 不同受试者群体中的稳健性。为确保方法的通用性，我们根据严重程度（轻度组N=14）、性别（男性N=32）和年龄（中年组N=20）等关键特征将数据集（共N=40例）划分为不同组别（见表5）。这些组别的设置旨在包含一些异常值，以反映现实世界中的多样性，确保模型能够处理不同特征的受试者而不至于过度拟合某一特定群体。我们在所有组别中都观察到了F1分数、准确度和特异性方面的提升，尤其是在轻度病例和老年组中，这进一步证明了该方法在不同患者群体中的有效性。在用药状态方面，我们分别分析了处于“用药中”和“未用药”状态的患者数据。处于用药状态的患者由于多巴胺能药物的作用，运动症状通常较轻；而未用药状态患者的运动症状则更为明显且波动较大。有趣的是，如果在训练时同时纳入这两种状态的数据，模型的性能会更优，因为它能更好地捕捉到患者在用药与未用药状态之间的差异（随机组2）。这说明LIFT-PD能够有效应对不断变化的运动症状，从而在不同的用药状态下都能实现准确的检测，这对于实际临床监测和干预计划制定非常重要。

4.2 预测雾状症状评分的临床相关性。为评估LIFT-PD预测结果的临床意义，我们计算了模型生成的雾状症状评分与标准临床指标之间的相关系数（见表8）。此处，雾状症状评分是指测试过程中每个受试者出现DFW窗口的比例。这一指标可以概括地反映模型在每位受试者身上检测到雾状症状相关模式的频率。研究结果表明，雾状症状评分与NFOGQ评分（皮尔逊相关系数r=0.72，p < 0.01）以及UPDRS-III“未用药状态”评分（r=0.63，p < 0.05）存在显著相关性，而这些指标都是衡量疾病严重程度和运动功能受损情况的常用临床指标。这些结果说明模型的预测结果与临床评估高度一致，进一步证明了该模型在患者监测方面的应用潜力。

4.3 性能差异的统计分析。为从统计学角度验证LIFT-PD相较于监督基准模型所展现出的优势，我们对多个性能指标进行了配对t检验。测试结果显示，LIFT-PD在精确度（p=0.011）、F1分数（p=0.0023）、特异性（p=0.023）和准确度（p=0.0021）方面均存在显著提升，这说明其在与临床应用相关的关键指标上表现更优。虽然召回率的提升在5%显著性水平上不显著（p=0.094），但仍呈现上升趋势，表明其在不同患者群体中的性能较为稳定。这些发现进一步证明了所提出方法的稳健性和可靠性。

4.4 与现有最先进模型的对比。表9展示了我们的LIFT-PD模型与目前用于检测霍纳氏症患者雾状症状的最先进方法们的性能对比。为保证公平性，所有模型都是从零开始实现的，并且在相同的实验条件下于同一数据集上进行了测试。虽然多头CNN[4]在检测雾状症状发作段和窗口方面的准确率最高，分别为97.27%和94.64%，但其精确度和特异性较低，分别为0.545和0.491，这意味着它的误报率很高。较高的误报率会因为患者对持续干预的适应而降低干预措施的有效性[7, 9]。单类分类器[21]的精确度和特异性较高，分别为0.856和0.891，但召回率仅为0.716，会导致许多真实的雾状症状事件被遗漏，进而影响监测效果并延误干预时机。半监督模型[19]的召回率比LIFT-PD低约12%，特异性低约13%，因此不太适合仅依靠一个加速度计进行家庭监测。

表9. 不同模型的性能对比
研究项目 DFE 召回率/灵敏度 DFW比例 PreF1分数 特异性
单类分类器[21] 90.8% 71.6% 0.86 0.77 0.89
半监督模型[19] —— 72.3% —— 0.71
多头CNN[4] 97.3% 94.6% 0.56 0.68 0.49
LIFT-PD 88% 84% 0.74 0.79 0.82
最佳结果以粗体标出，次优结果以下划线标出。

我们的LIFT-PD模型实现了较为均衡的性能表现：发作段检测率为88%，窗口检测率为83.85%，精确度为0.74，召回率为0.84，F1分数为0.79，特异性为0.82。这些结果表明，LIFT-PD的性能与监督学习方法相当，同时更适于在计算资源有限的场景下用于实时可穿戴设备上的远程监测。

4.5 按时长划分的雾状症状发作段检测情况。表10展示了按时长分类的雾状症状发作段和窗口的检测率以及相应的延迟时间指标。我们的自监督学习模型的性能与基准监督模型进行了对比，后者指标标注在括号内。

表10. 不同时长段的检测指标
时长 雾状症状发作段检测率% 窗口检测率% 延迟时间（秒） 标准差
短时长，0–6秒 中时长，6–12秒 长时长，>12秒
雾状症状发作段 83.3% (82.8%) 100% (98.8%) 100% (100%)
雾状症状窗口 68% (71.4%) 81.9% (84.1%) 91.1% (92.6%)
平均延迟时间 ± 标准差 2.42 ± 0.45秒 (2.38 ± 0.45秒) 2.6 ± 0.96秒 (2.5 ± 0.82秒) 2.64 ± 1.45秒 (2.6 ± 1.29秒)
最大延迟时间 4.5秒 (4.5秒) 6秒 (5.25秒) 9.75秒 (9.75秒)对于较短时长的心境波动发作，其检测率为83.3%，而时间窗口的检测率为68%，平均延迟时间为2.42±0.45秒。对于较长时长的发作，相应的检测率分别上升至100%和91.1%，延迟时间为2.64±1.45秒。较长时长发作检测率提升的原因是震颤和步态不稳等更为明显且持续的心境波动特征，而SSL模型能够有效捕捉这些特征。同样，LIFT-PD也能很好地捕捉到这类持续性的特征，从而提升长时长发作的检测率。从发作开始到被检测到的延迟时间会随时长增加而略有上升：短时长发作的平均延迟为2.42±0.45秒，而长时长发作则达到2.64±1.45秒。最大延迟时间从短时长发作的4.5秒上升至长时长发作的9.75秒，这反映出为准确判断心境波动的起始，需要分析更多时间内的数据。尽管存在这样的延迟增加，长时长发作的检测精度依然更高，体现了SSL模型在平衡延迟与精度方面的优势，能够在不同时长的心境波动检测中保持可靠性能。

针对较短时长的心境波动发作进行的故障分析显示，这类发作（<6秒）的检测率较低（83.3%，见表10），主要是因为其起始和结束时间往往与时间窗口边界重合。这就导致3秒时间窗口内以心境波动为特征的样本比例降低，进而造成时间线索模糊，出现偶尔的检测延迟。此外，当动作开始时MAM阈值较高时，模型的激活可能会被推迟，从而导致首次出现阳性预测的结果延迟。未来的研究将探索自适应时间窗口设置（如2.5秒窗口）以及考虑边界情况的平滑处理方法，以提高对短暂发作的响应速度。

4.6 MAM中的阈值效应

为确定MAM的最佳活动阈值，我们评估了不同阈值对各项性能指标的影响，结果见表11和图8。如表11所示，降低活动阈值（如0.0）可以提高灵敏度（0.884）和DFE比率（0.92），意味着能检测到更多的心境波动事件。但这样做会降低特异性（0.78），同时由于SSL模型在非活跃时段也会频繁被激活，推理时间也会增加到3.31毫秒。相反，提高活动阈值（如1.2）则会提升特异性（0.846），并降低误报比率（0.59），即在非活跃时段的假阳性检测会减少。不过，这种改善会伴随灵敏度（0.845）、DFE比率（0.809）的轻微下降，以及更多心境波动事件的漏检。图8展示了活动阈值对SSL性能的影响，表11则列出了不同阈值下的灵敏度、特异性、DFE比率及误报比率与推理时间。

不同激活阈值对MAM的影响如图8所示，特异性和误报比率会随着阈值升高而稳步上升，而灵敏度及整体检测性能（F1分数）则逐渐下降。因此，需要谨慎选择阈值，以在准确检测活跃时段与有效排除非活跃时段之间取得平衡，从而合理利用计算资源。图9显示，随着活动阈值的提高，无论是监督学习模型还是自监督学习模型的执行时间都会缩短。在阈值设为1.2g时，SSL模型的执行时间可降至约1.1毫秒（见表11和图9）。这一下降得益于MAM能有效过滤掉非活跃时段，从而减少对计算成本较高的SSL模型的使用频率。由于SSL模型在预训练编码器之外还多了一个MLP层，其推理时间略高于监督学习模型。尽管如此，SSL模型仅使用40–60%的标注训练数据就能展现出更强的鲁棒性及更好的性能。监督学习模型每个时间窗口的平均执行时间为0.0295毫秒，而SSL模型则为0.0379毫秒。图9展示了活动阈值对推理时间的影响。

4.6.1 电池寿命估算

电池寿命的估算是基于实验中所使用的本地硬件上的实际推理时间来进行的。不同的活动阈值设置（α）会对应不同的平均推理时间（见表11），这一数值被用作能量消耗的替代指标。假设能量消耗与推理时间呈线性关系，那么平均计算能量可以表示为：Eavg=(1?ρ)Einf+Ebase，其中ρ代表误报比率，Einf则表示实际的推理能量（或时间）。当α为1.2g时，误报比率降至0.59，推理时间从3.31毫秒缩短至1.1毫秒，计算负荷大约降低了2.4倍。这样一来，类似的低功耗可穿戴设备的续航时间可从约20小时延长至48小时以上。由于MAM是基于平均去除后的加速度幅度来工作的，因此它对传感器方向、轻微位移以及短暂的运动干扰都具有较强的适应性。

4.7 时间窗口大小对发作检测的影响

我们通过随机抽取训练数据的10%作为验证集，进行了大量验证实验。实验结果表明，较长的时间窗口，如4秒或5秒，会在心境波动发作的检测上出现延迟，这可能是因为包含了与发作起始并无密切关联的步态片段，这一现象与先前的研究结果一致[14, 18]。在所测试的2–5秒不同时长的窗口中，3秒窗口表现最佳，它在检测延迟与数据相关性之间取得了良好平衡。虽然从直觉上看，较短的窗口（2秒）在某些情况下可能有助于减少长时长心境波动发作的检测延迟，但我们的验证发现，较短窗口缺乏足够的上下文信息，无法实现可靠检测，因此其平均检测延迟略高于3秒窗口，详见图10。而更长的窗口（3.5秒、4秒、5秒）虽然也不会提升检测精度，却还会进一步增加延迟。因此，最终选择3秒窗口作为可实现最佳性能的窗口长度。图10展示了不同时长发作下窗口大小对心境波动检测延迟的影响。

4.8 预训练期间标签的作用

图11展示了在训练过程中，标签比例（横轴）变化对SSL模型和监督学习模型性能（纵轴）的影响。随着标签比例从0.2上升至0.7（即有更多标注数据可用于训练），两种模型的精确度、召回率、F1分数及总体准确率等指标均呈现上升趋势，这与更多标注数据可用时的预期表现相符。不过，值得注意的是，与监督学习模型相比，SSL模型表现出更强的稳定性与一致性，后者的性能在不同标签比例下波动更为明显。这种稳定性体现了SSL模型的强鲁棒性，使其对训练过程中标注数据的可用性不太敏感。同时也表明该模型能够利用未标注数据进行的预训练，学习出可迁移至目标任务的通用特征。图11还显示，SSL模型不仅与监督学习模型表现相当，有时甚至能取得更好成绩，尤其是在只有40–60%的标注数据时。这说明SSL模型即便使用较少的标注样本也能获得良好效果，因此在难以获取大量标注数据的场景中具有很高的实用价值与适应性。

4.9 后处理

后处理分析研究了LIFT-PD框架所检测到的假阳性与真正心境波动事件之间的时间关联。平均而言，假阳性事件发生在上一次真正心境波动事件之后16秒，以及下一次真实发作之前18.5秒，这表明它们往往源于真实心境波动事件发生后立即出现的运动功能不稳定或传感器误差。我们的“假阳性前分析”显示，假阳性事件通常出现在距离最近的一次真正心境波动事件约14秒的位置，这说明系统对心境波动发作前后细微的运动模式变化具有很高敏感性。这些误报可以作为即将发生心境波动事件的预警信号，为及时调整干预措施提供宝贵的时间窗口。为解决个别误检问题，我们采用了多数投票机制：如果某个时间窗口的分类结果与其相邻窗口不同，则将该窗口的分类结果调整为与相邻窗口一致，从而平滑检测序列。这一方法提升了检测性能，使得真正的心境波动发作检测率从88%上升至89.8%，真正的心境波动事件相关时间窗口检测率也从83.85%提升至84.64%。

5 局限性

尽管LIFT-PD在实际应用中展现了良好的效果与优势，但仍存在一些局限性。首先，虽然该模型在多种数据集及不同患者群体中都能表现出较好的泛化能力，但仍需在更大规模、具有不同临床状况及疾病进展阶段的患者群体中进行进一步验证，尤其是那些以震颤为主要症状或其他非典型帕金森病运动症状的患者，以确认其鲁棒性及临床适用性。具体而言，还需要进一步评估该模型在存在静止性震颤、运动障碍或动作迟缓等混淆症状时的检测准确性，这类症状在帕金森病患者中较为常见。其次，虽然该系统仅使用一个加速度计即可正常工作，但若能引入陀螺仪或生理传感器（如心率、皮肤电导率传感器）等更多类型的传感器，或许能够进一步提升检测精度，尤其是对于那些较为微弱或处于早期阶段的心境波动事件。第三，尽管OIM技术显著提升了能源效率，但它有时也可能导致模型激活延迟，从而错过一些极其短暂或微弱的心境波动事件。第四，虽然OIM中的决策阈值是通过使用训练数据中的小规模验证子集经过经验优化得出的，但这一阈值选择方法仍依赖于特定数据集，可能无法适用于不同的条件或传感器配置。我们意识到现实环境中的各种因素会带来很大的不确定性，目前正在研究基于独立数据集的、与数据集无关的校准方法，未来的工作目标就是提升阈值选择的稳定性，确保在各种应用场景下都能保持稳定的性能。最后，尽管SSL算法减少了所需标注样本的数量，但模型的初始参数调优及训练过程仍部分依赖于标注数据，完全无监督的模型适配仍然是一个尚未解决的难题。未来的研究应致力于解决这些问题，进一步优化LIFT-PD的性能、临床实用性及适应性。

6 讨论

在本研究中，我们提出了LIFT-PD，这是一种计算效率高且具备较强鲁棒性的SSL框架，专为实时、无需依赖特定患者的帕金森病患者心境波动发作检测而设计。我们所提出的方法解决了持续居家监测心境波动时面临的诸多关键问题，尤其是对大规模、高度标注的数据集的需求以及高能耗的问题。通过引入一种新的DHWT算法，LIFT-PD能够有效处理数据不平衡问题以及不同的步态特征，从而减轻标注工作量，提升临床应用的可行性。此外，通过整合OIM技术，该系统能够在患者行走时才激活深度学习模型，从而大幅降低能耗。这种选择性激活机制显著延长了电池续航时间，使得持续超过48小时的可穿戴监测成为可能。该系统所需的数据预处理工作极少，仅需在腰部放置一个三轴加速度计——这一传统上被认为效果不佳的方法，通过我们的SSL策略却展现出了极高的效率。从临床角度来看，LIFT-PD能够实现准确、实时的心境波动检测，从而及时提供听觉、视觉或振动触觉等刺激信号，这对于中断或预防心境波动发作、避免患者产生习惯化反应至关重要[6, 22]。为评估该模型的临床稳定性，我们根据疾病严重程度、年龄、性别以及用药状态对模型性能进行了分层分析。这些分组反映了帕金森病在临床表现和管理方式上的差异性。LIFT-PD在所有分组中都保持了较高的F1分数和特异性，尤其在老年患者以及正在服药的患者群体中表现更为出色。该系统能够在不同患者群体中——包括不同疾病严重程度、用药状态及年龄层次的患者——稳定地检测出心境波动发作，这进一步凸显了其在实际临床应用中的实用性，有助于实现更加个性化的患者管理方案。大多数误检发生在较短、短暂的心境波动发作中（<6秒），此时窗口内的变化动态占主导地位，且运动幅度较小。这类情况对时间连续性要求较高，同时也对MAM的激活灵敏度提出了挑战。采用自适应阈值调节以及更短、重叠的推理时间窗口，可能是进一步减少这类误检的有效途径。虽然短时长发作的检测率低于长时长发作，但需结合临床实际背景来理解这一性能表现。短时长的心境波动发作通常对患者的行动能力及跌倒风险的影响相对较小，但它们可能预示着药物效果正在减弱，或是更长时长发作的前兆。表10显示，这类被检测到的短时长发作的平均检测延迟时间为2.42±0.45秒，这一时间间隔仍为采取预防性干预措施提供了足够的时间窗口。此外，我们还将LIFT-PD与多种先进的半监督学习方法进行了比较，包括已发表的Mikos等人设计的模型[19]、一种Π模型作为基准，以及一种MT变体，所有方法的评估均采用相同的数据划分方式及模型架构。尽管这些半监督学习方法能够通过一致性正则化利用未标注数据，但它们仍需要较多比例的标注样本才能保持稳定性能，且在检测短暂的心境波动事件时灵敏度较低。相比之下，所提出的SSL框架在使用更少标记数据（40%）的情况下仍能获得更高的召回率和F1分数，这体现了其能够学习到稳健的、与标签无关的步态表征，从而在不同受试者和临床情况下都能有效泛化。7 结论总体而言，LIFT-PD为实时检测帕金森病中的冻结步态现象提供了一种实用且具有临床意义的解决方案。该系统通过创新的SSL技术和机会主义推理策略，实现了独立于患者的稳健监测，降低了对标记数据的依赖，同时显著延长了电池续航时间。由于仅依赖一个佩戴在腰部的加速度计，该系统保证了患者的舒适度与依从性，进而提升了持续居家使用的可行性。此外，LIFT-PD在年龄、性别、疾病严重程度以及用药状态等方面都表现出良好的泛化能力，其输出结果与临床评估指标（如NFOGQ和UPDRS-III Off评分）之间存在显著相关性，进一步凸显了其实际应用潜力。最终，通过实现准确及时的冻结步态检测，并提供有针对性的个性化干预建议，LIFT-PD显著提升了居家监测能力，改善了帕金森病的症状管理，有助于提高患者的生活质量。数据与代码获取方式本研究使用了公开可用的tDCS冻结步态数据集。该数据集包含针对帕金森病患者冻结步态现象的 wearable 3D下背部位传感器记录，以及由专家逐帧标注的事件类别信息——包括起步犹豫、转向和行走。这些事件类别的真实标签是通过专家的逐帧视频标注得到的。该数据集可通过竞赛网站获取：https://kaggle.com/competitions/tlvmc-parkinsons-freezing-gait-prediction。LIFT-PD框架的代码库，包括模型实现、训练脚本和评估流程，均可在以下地址获取：https://github.com/shovito66/LIFT-PD。