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

介绍了使用 InceptionTime 和 RandOm Convolutional KErnel Transform (ROCKET) 处理可穿戴加速度计数据在帕金森病患者的症状监测方面的研究，结果显示这两种方法都适用于连续症状监测，但选择取决于所关注的症状和期望的稳健性。

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

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

我们提出了一个基于网络的框架，通过允许用户在家进行神经学测试来筛查帕金森病（PD）。我们的网络框架指导用户完成涉及语音、面部表情和手指运动的三个任务。通过分析任务视频来分类用户是否显示出 PD 的迹象。我们以易于理解的方式呈现结果，并提供个性化资源以进一步获得治疗和关怀。我们的框架可以通过任何主要的 web 浏览器访问，提高了对神经疾病照护的全球可访问性。

Nov, 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