本研究旨在利用可穿戴系统，通过机器学习算法分析帕金森症早期症状，挖掘相关生物标志物进行症状监测和早期预测，结果表明通过该方法可获得 91.9% 的预测准确度。

Apr, 2023

通过机器学习技术，使用临床特征，声音特征和运动检查等数据，实现对帕金森病的早期检测，并取得了 100％针对 PD 和 RBD 患者的准确分类率，以及对 PD 和 HC 个体的 92％准确分类率。

Oct, 2023

本文介绍了我们开发的智能手机移动设备和 AI 技术相结合的 PD 早期检测系统框架，该系统结合了不同任务，评估了运动和非运动症状，以帮助用户在非临床设置中及时检测 PD，确定其最严重的症状，进而用于 PD 康复指导及其他神经疾病的检测。

Nov, 2022

该论文提出了一种基于深度学习技术的方法，通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症，并预测病情的程度，取得了非常有前景的效果。

Feb, 2024

通过分析网络摄像头录制的手指敲击、面部表情（微笑）和语音（说出包含所有字母的句子）的特征，我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病，该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备，在有限制性临床专家资源的地区尤其方便。

Jun, 2024

本文提出了一种基于 Transformer 模型对帕金森病患者远程监测数据进行分析，以实现个性化远程医疗技术的方法，结果表明该方法在通过考察患者历史数据学习权重后在预测药物状态方面取得了良好的效果。

Jul, 2022

本研究提出了一种利用深度学习方法对带有 Parkinson 病的患者的语音记录进行分类的方法，通过对一个预训练自然语言模型 wav2vec 2.0 进行知识转移训练音频分类器，并成功在由智能手机录制的语音记录数据集中实现了 97.92% 的准确度。

Apr, 2022

该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

Dec, 2023

该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力，使用多种先进的机器学习算法进行综合分析，结果表明 LightGBM 模型在准确率、AUC，敏感度和特异度等指标上表现出色，强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。

Nov, 2023

该研究介绍了一种使用人工智能技术进行帕金森病患者远程多任务运动表现评估的方法，此方法具有高度的准确性和可靠性，并且可以为缺乏神经学治疗的区域提供帕金森病患者及其他运动障碍患者远程客观评估的可能性。

Mar, 2023