用于机器学习辅助帕金森病诊断的多模态电生理信号

《Biosensors》：Multimodal Electrophysiological Signals for Machine Learning-Aided Parkinson’s Disease Diagnosis

　　

帕金森病（Parkinson’s disease, PD）是一种影响运动及自主神经系统的神经退行性疾病。本研究从25名PD患者和25名健康对照受试者中同步记录了六种模态信号——脑电图（electroencephalography, EEG）、心电图（electrocardiography, ECG）、肌电图（electromyography, EMG）、呼吸（respiration, Resp）、光电容积脉搏波（photoplethysmography, PPG）和步态（Gait）。研究人员使用随机森林（Random Forest, RF）分类器进行单模态及多模态信号分类。在单模态模型中，ECG取得了最高准确率（84%），而多模态组合的性能并未随模态数量线性提升；整合三个或更多互补信号即可显著改善分类效果。全六模态模型达到了准确率95.00%、精确率94.17%、召回率97.14%、F₁分数95.21%以及AUC 0.98。增量分析进一步表明，选取关键互补模态可在降低设备需求、简化实验流程并提升受试者舒适度的同时保持高分类性能，为开发高效、非侵入性的PD诊断工具提供了指导。

**论文解读：多模态电生理信号融合助力帕金森病机器学习诊断**

**研究背景与问题**

帕金森病（Parkinson’s disease, PD）是一种进行性神经退行性疾病，涉及运动症状（静止性震颤、强直、运动迟缓）及自主神经、中枢神经等多系统功能障碍。临床诊断高度依赖主观量表，客观性不足。既往研究多采用单一模态信号（如脑电图EEG、心电图ECG、步态Gait）或有限双模态组合，仅能反映病理的某一维度，分类准确率常低于90%。由于不同生理系统（中枢神经、自主神经、运动执行）在PD中呈现协同性改变，整合多模态信号有望提供更全面的病理表征，提升诊断性能。然而，目前对多种同步生理信号与步态信号在PD分类中的互补价值、相对贡献及冗余性仍缺乏系统评估。鉴于此，本研究旨在构建一个受试者级别的同步多模态分析框架，综合EEG、ECG、肌电图EMG、呼吸Resp、光电容积脉搏波PPG及Gait六种信号，通过组间统计分析、机器学习分类及增量融合评估，阐明不同模态在PD识别中的互补角色，为开发高效、非侵入性的辅助诊断工具提供依据。该论文发表于《Biosensors》。

**主要关键技术方法概述（不超过250字）**

研究纳入首都医科大学附属北京康复医院招募的25名原发性PD患者（服药“ON”状态）与25名年龄性别匹配的健康对照。信号同步采集：EEG、ECG、EMG、Resp、PPG采用实验室自制设备，Gait采用商用系统（Noraxon MyoMotion）。预处理后，特征提取包括：EEG的α、γ波段功率谱密度（PSD）；EMG的频率质心、峰度；ECG的平均心率、最大/最小心率、极低频功率（VLF）；PPG的平均脉搏间期；Resp的呼吸率；Gait的左右膝关节屈曲角。基于组间统计显著性筛选特征，采用特征级融合构建随机森林（RF）分类器，以80%受试者进行10折交叉验证调优，20%独立测试集评估泛化性能，并辅以留一法交叉验证（LOOCV）。

**研究结果**

**3.1 PD多模态生理信号特征**

与健康对照相比，PD患者表现为：EEG α波段和γ波段PSD显著降低；EMG频率质心降低、峰度升高；ECG平均心率、最大心率、最小心率显著升高，VLF显著降低；PPG平均脉搏间期显著缩短；呼吸率显著升高；左右膝关节屈曲角显著减小。这些差异覆盖了中枢电活动、自主神经调节、外周脉搏动力学、呼吸节律及运动执行等多个维度。

**3.2 单模态与多模态模型诊断性能**

在三种机器学习算法（支持向量机SVM、极限梯度提升XGBoost、随机森林RF）中，RF在多模态特征上表现最优。单模态模型中，ECG准确率最高（84%），其次为Resp（82%）和PPG（79%），Gait最低（66%）。全六模态RF模型达到最高性能：准确率95.00%、精确率94.17%、召回率97.14%、F₁分数95.21%、AUC 0.98（10折交叉验证），LOOCV结果趋势一致，证实多模态融合显著优于任何单模态。

**3.3 模态贡献与递增式多模态组合诊断模型评估**

基于RF的特征重要性分析显示，各模态贡献排序为：ECG（0.23）> Resp（0.20）> Gait（0.19）> EEG（0.15）> EMG（0.13）> PPG（0.10）。递增式组合分析表明：两模态组合中“ECG + Resp”准确率89%、AUC 0.97；三模态组合“ECG + Resp + Gait”准确率94%、AUC 0.96，已接近全模态性能；四、五模态组合的进一步提升有限，提示存在“收益递减”效应。基于EEG或Gait的系列模型均显示，逐步整合其他模态后性能从约71%、66%分别提升至95%，验证了中枢与外周信息的互补性。

**讨论与结论**

讨论部分指出，多模态融合提升性能的关键在于信号间的生理互补性。高贡献的ECG和Resp反映了PD中突出的心血管自主神经与呼吸节律异常；Gait虽单模态性能低，但提供了运动执行层面的独特信息。然而，模态贡献分析应视为数据集特异性的判别贡献，而非生物学层级。临床上，全六模态采集可能增加设备复杂度与受试者负担，而精简的三模态组合（ECG+Resp+Gait）已能接近全模态性能，提示可操作性强、依从性高的诊断方案可行。研究存在局限性：样本量小（探索性）、所有患者处于服药“ON”状态、步态任务简单、融合策略较初级，未来需更大样本、独立队列、更多挑战性任务及高级融合方法验证。

**研究结论（原文翻译）**

多模态模型在PD分类中优于单模态信号，主要因为其整合了来自中枢神经活动、自主神经调节和外周运动执行的互补信息。全六模态RF模型取得了最高分类准确率95.00%，优于最佳单模态ECG模型的84.00%。EEG提供中枢电生理信息，ECG和Resp反映自主神经与心肺调节，而EMG和Gait捕捉神经肌肉活动与运动执行结果。递增分析表明，单纯增加模态数量并不总能提升性能，提示模态间的生理互补性比信号数量更重要。值得注意的是，三模态组合ECG + Resp + Gait达到了94.00%的准确率，接近全六模态模型性能。这些发现支持利用整合的中枢与外周指标开发高效、非侵入性的PD诊断工具。