通过基于计算机视觉的解决方案捕获人体姿势图像，使用算法进行重建和运动分析，并通过特征工程提取运动量的特征，从而可以在不同智能手机上部署，并通过我们的应用程序快速便捷地进行视频录制和人工智能分析。

Apr, 2024

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

本文提出了一种基于视频的深度学习分析框架，用于评估统一帕金森病评定量表 (UPDRS) 的方法，并与训练有素的临床医生的表现进行比较，结果发现该框架可用于评估 BRADY 和 PIGD 的子得分，并具有潜力提供更丰富的 PD 患者的临床记录，从而可以在本地或在医生不在的情况下进行 PD 的监测与评估。

Apr, 2021

本研究通过对大规模人体动作数据集上进行训练的通用人体动作编码器在分析帕金森病患者步态模式方面的应用进行了调查。结果显示，这些模型在分析帕金森步态等病理性动作方面的有效性尚未得到充分验证。我们提出了一个比较框架，并通过评估六个预训练的最先进的人体动作编码器模型从运动捕捉数据中预测运动障碍学会统一帕金森病分级量表（MDS-UPDRS-III）的步态得分。与最近发布的一个大型公开帕金森病数据集中的基于特征的预测模型进行比较，基于特征的模型目前显示出更高的加权平均准确度、精确度、召回率和 F1 分数。性能相近的动作编码器模型展示了在临床环境中可扩展性和效率的潜力。在帕金森病训练集上进行微调后，编码器模型表现出更好的性能。在六个人体动作模型中，其中四个提供的预测分数在服药状态和不服药状态之间存在显著差异。这一发现揭示了运动编码器模型对微妙临床变化的敏感性。它还强调了继续定制这些模型以更好地捕捉疾病特异性特征的必要性，从而减少对劳动密集型特征工程的依赖。最后，我们在临床环境中建立了基于骨架的动作编码器模型分析的基准。据我们所知，这是第一个为使最先进模型能在临床环境中得到测试和竞争提供的基准研究。代码和基准研究排行榜可在代码处获取。

May, 2024

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

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

该研究采用机器学习方法，通过使用低成本的步行器安装的传感器获取的运动学信号，从而准确分类 Parkinson 病的严重程度阶段，并提供了一种解决传感器健康评估中常见的小数据和嘈杂数据问题的方法。

Jun, 2020

通过使用可穿戴设备采集的合成信号强度指示器（RSSI）和加速度计数据，提出了一种基于 Transformer 的室内定位方法来改善目前的室内定位方法的有效性，该方法利用双模态提供的运动补充视图，并在评估时发现其能够检测帕金森病患者服用或停用左旋多巴药物。

Aug, 2023

本研究提出一种基于 MTFL 算法框架的步态障碍疾病识别方法，对中风和帕金森病等常见神经疾病进行分类，通过地面接触力数据以步态参数来刻画患者的移动，平衡、力量和节奏特征，达到更好而客观的评估效果。

Dec, 2016

利用消费级别摄像头采集的视频作为输入，我们提出了 SPA-PTA，一种基于深度学习的帕金森震颤（Parkinson's tremor，PT）分类和震颤严重程度估计系统。该系统通过有效提取相关 PT 信息和过滤噪声的新型注意模块，实现了 91.3% 的准确率和 80.0% 的 F1 分数的 PT 分类，以及 76.4% 的准确率和 76.7% 的 F1 分数的复杂多分类震颤评级任务。该系统可作为一种经济实惠的 PD 预警工具，用于对患有 PT 症状的未诊断患者进行诊断，并在医疗资源有限的地区提供辅助 PD 诊断的潜在解决方案。

Dec, 2023