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

本研究通过使用七种现有手部姿势估计模型，评估了巴金森病（PD）患者和健康对照组在不同条件下（即视频流和设备本地录制）进行手指敲击（FT）测试的视频中拇指和食指运动的准确性和可靠性，并且指出姿势估计算法在电视医疗就诊期间的视频记录中的应用存在的局限性，并表明设备本地录制可用于自动评估 PD 中的运动缓慢性。

Aug, 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

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

使用智能手机的长期数据来诊断帕金森病，研究表明，深度学习模型的表现显著优于传统方法，smartphone 数据可以作为未来可能用于帕金森病诊断的数字生物标志物。

Oct, 2018

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

通过分析最大的包含微表情的视频数据集，本研究利用面部特征和动作单元，从微笑视频中提取的特征，在带有偏见的数据中实现了 89.7% 的准确率和 89.3% 的接收者操作特征下的面积（AUROC），显示了微笑自拍视频在帕金森病风险评估中的潜力。

Aug, 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

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

提出了一种基于计算机视觉的模型，该模型可以观察个体的非侵入性视频记录，提取他们的 3D 身体骨架，跟踪它们的运动，并根据 MDS-UPDRS 步态评分对这些运动进行分类。这是一个基于 MDS-UPDRS 步态严重度分类 PD 患者的第一个基准，并可能成为一种客观的生物标志物。

Jul, 2020