基于时频状态空间模型的帕金森病肢体运动自动化评估

《npj Digital Medicine》：Automated limb motor assessment in Parkinson’s disease via a time-frequency state-space model

　　

摘要

在运动障碍协会制定的帕金森病统一评分量表（MDS-UPDRS）中，对肢体运动功能的评估至关重要，但目前的方法仍依赖主观的视觉观察。现有的深度学习方法在描述病理性肢体运动的非稳态和非线性特征方面存在局限，比如动作迟缓和间歇性震颤。我们开发了TF-Mamba这一框架，它能够基于专家共识的MDS-UPDRS评分标准，自动且标准化地评估手指敲击、手部动作以及腿部敏捷性。该框架结合了时空特征分析模块与物理信号动态分析模块，后者可在时频域内分解非线性的关节运动轨迹。该模型使用了来自中国四个中心的1479名帕金森病患者的数据进行了训练，并在另外三个中心的450名患者身上进行了独立验证。在五级严重程度评分系统中，TF-Mamba在外部验证中的AUC值高达0.90，其性能比现有最先进的算法高出8–10%。能量熵、振幅变异系数以及频率稳定性都与临床严重程度相关（所有指标的

值均小于0.001）。在一项使用者研究中，该模型将评估时间减少了60–70%，同时提升了初级医生评分与专家共识的一致性。总体而言，TF-Mamba为MDS-UPDRS的肢体运动功能评估提供了一个既易于理解又具备扩展性的框架。