CNN-GRU-KAN：一种基于步态分类的帕金森病检测多分支框架

《Bioengineering》：CNN-GRU-KAN: A Novel Multi-Branch Framework for Parkinson’s Disease Detection Based on Gait Classification

　　

帕金森病（PD）的诊断和严重程度评估日益依赖于步态分析。为了从有限的传感器数据中捕获复杂的步态动态，研究人员提出了一种新颖的多分支框架，集成了具有一维卷积神经网络（1D-CNN）、双向门控循环单元（Bi-GRU）和Kolmogorov-Arnold网络（KAN）的混合架构（CNN-GRU-KAN），利用18通道垂直地面反作用力（VGRF）信号。每个模块服务于不同的临床目的：具有挤压激励（SE）注意力的1D-CNN分支提取局部空间足底压力模式，而具有时间注意力的Bi-GRU分支捕获长期节律异常。关键的是，KAN作为分类头。通过使用可学习的B样条函数而非传统固定激活，KAN自适应地建模健康对照和不同PD严重程度之间的高度非线性边界，有效减轻过拟合。在严格的受试者独立交叉验证下，该模型在二元PD检测中达到98.43%的准确率，在五级统一帕金森病评定量表（UPDRS）严重程度分级中达到93.46%的准确率。这些结果凸显了该框架在低成本、非侵入性临床跟踪和家庭监测方面的强大潜力。

论文解读文章

帕金森病（Parkinson’s disease, PD）是一种常见的神经退行性疾病，其运动症状如静止性震颤、肌强直、运动迟缓、姿势不稳和步态障碍显著影响患者的生活质量。步态异常是PD的早期典型表现，对疾病诊断和进展评估具有重要临床价值。近年来，可穿戴设备和传感器技术的进步使得基于步态数据的自动化分析成为辅助PD诊断的重要方向。然而，当前临床实践中，PD的早期诊断主要依赖医生的经验判断，常结合病史、神经系统检查、多巴胺能药物反应及评定量表（如MDS-统一帕金森病评定量表（MDS-UPDRS）和Hoehn-Yahr分级），这些方法易受就诊时间、评估环境和药物状态（开/关期）影响，导致主观性和评估者间差异。此外，功能性神经影像等辅助技术成本高、可及性差，难以用于大规模筛查和长期监测。因此，临床亟需客观、可量化、可重复、低成本且可持续监测的数字生物标志物和自动化诊断工具。

为应对上述挑战，深度学习模型在步态分析中已广泛使用，但单一模型难以同时处理步态数据中的空间和时间相关性，且泛化性和鲁棒性有限。多分支融合架构通过结合卷积神经网络（CNN）和双向门控循环单元（Bi-GRU）能够有效挖掘步态数据的多维特征，增强模型表达能力。注意力机制（如挤压激励（SE）模块）可强化模型对关键信息的关注，而Kolmogorov-Arnold网络（KAN）通过可学习的B样条函数替代传统固定激活函数，展现出更强的非线性建模能力。本研究基于同一PhysioNet数据集，对比传统机器学习和深度学习方法在帕金森步态分类中的性能，提出一种多分支深度学习模型（CNN-GRU-KAN），专门用于PD识别和严重程度分级。

研究人员利用PhysioNet数据库中的三个独立帕金森步态子队列（Ga：自然地面行走，Ju：双重任务认知行走，Si：控制性跑步机行走）进行模型评估。这些队列代表三种不同的临床测试范式，提供全面的运动评估谱系。数据采集采用18通道垂直地面反作用力（VGRF）信号，通过滑窗技术分割连续数据，窗口大小为100帧（约对应一个生理步态周期），滑动步长为50帧，以增强训练分布。模型架构包括四个主要组件：上分支（1D-CNN和SE注意力）提取局部空间特征，下分支（Bi-GRU和时间注意力）捕获长期时间依赖，特征融合模块通过多层感知器（MLP）进行降维和正则化，最后以KAN作为分类头。训练采用AdamW优化器，基础学习率为1×10?3，权重衰减系数为5×10??，批量大小为64，固定训练100个epoch，并使用Focal Loss作为损失函数以缓解类别不平衡。

在实验设计上，研究人员采用多层评估协议，严格实施受试者级隔离以防止数据泄漏。集成数据集评估使用分层10折交叉验证，按患者ID分割，保持每折中70%PD患者和30%健康对照的比例。单数据集评估在Ga、Ju和Si子队列内独立进行相同交叉验证。交叉数据集评估采用留一数据集法（LODO），每次隔离一个子队列作为外部测试集，其余两个用于训练，重复10次以统计可靠性。消融研究设计三个变体：仅GRU（去除CNN分支）、仅CNN（去除Bi-GRU分支）和无KAN（使用标准MLP分类头），以验证各组件的有效性。

研究结果显示，在二元PD检测中，模型在集成数据集上达到98.43%的准确率，在五级UPDRS严重程度分级中达到93.46%的准确率。消融实验表明，移除时间分支（仅CNN）或空间分支（仅GRU）导致准确率分别降至91.77%和90.84%，证明空间和时间特征对鲁棒PD检测缺一不可。将KAN替换为传统MLP头时，准确率从98.43%降至97.15%，验证了KAN在建模复杂决策边界中的优势。单数据集评估中，模型在Si（跑步机行走）上表现最优，准确率为99.12%，敏感性为98.76%，而在Ga（自然行走）上准确率为97.45%，显示出任务相关的性能差异，但整体保持高敏感性和特异性。交叉数据集LODO评估中，模型在完全未见过的队列上维持高准确率（如LODO_Ga准确率98.12%，敏感性97.89%），表明其提取了帕金森步态的固有病理生物标志物，而非过拟合特定采集环境。

讨论部分强调，该模型在临床上的优势在于其能够在不同获取环境下保持高泛化性，这归因于解耦的空间和时间特征提取。同时，研究承认局限性：数据预处理未手动按体重标准化VGRF信号，尽管内部归一化层能处理信号缩放；KAN的非线性决策边界在数学上仍显晦涩，需进一步整合可解释人工智能（XAI）；数据集的整体人口统计学多样性有限，模型在真实非约束临床环境中的有效性需进一步验证。

结论部分指出，早期诊断和准确评估PD在神经病学领域仍具挑战。本研究提出的CNN-GRU-KAN多分支融合模型基于连续压力传感器数据，在严格评估协议下实现98.43%的PD步态识别准确率和93.46%的多类严重程度预测准确率。该方法提供非侵入性和客观的PD诊断手段，减少传统观察方法的主观性和评估者间差异，能够同时进行疾病诊断和严重程度评估，支持临床决策。基于压力传感器的数据采集方式不引人注目且实用，便于在社区和家庭环境中部署。未来工作将收集更大规模、多中心临床数据，整合其他生物标志物（如语音和上肢震颤）以构建多模态诊断系统，并优化模型的可解释性和泛化能力。