本研究采用卷积神经网络和机器学习技术，通过分析步态数据并将研究结果与临床相关生物标志联系起来，实现对帕金森氏症认知功能下降的步态分析。

Jun, 2023

本文通过开发人体姿势的关键点，如肩膀，肘部等提取特征，从步态方面入手，探究如何检测神经学等常见疾病，如巴金森症，亚健，半瘫和亨廷顿舞蹈病的不同异常，通过构建合成视频数据集进行实验验证，并且证明了其有效性。

Aug, 2020

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

通过基于大规模预训练的视觉语言模型（VLM）的知识增强策略，我们的模型学习并改进了患者步态视频的视觉、文本和数值表示，通过跨三个不同模态的集体学习：步态视频、特定类别的描述以及数值步态参数。实验结果表明，我们的模型不仅在基于视频的分类任务中明显优于最先进技术（SOTA），而且能够熟练地将学到的特定类别文本特征解码成使用定量步态参数词汇的自然语言描述。

Mar, 2024

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

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

人体行走是一种复杂的活动，精确检测步态阶段对于控制下肢辅助装置如外骨骼和假肢至关重要。本研究提出了几种基于下肢肌电数据的机器学习模型，其中包括高斯朴素贝叶斯、决策树、随机森林、线性判别分析以及深度卷积神经网络。传统机器学习模型通过手工特征或使用主成分分析对其降维处理，而深度卷积神经网络模型则利用卷积层从原始数据中提取特征。结果显示传统机器学习模型的平均准确率为 75%，深度学习模型的准确率为 79%。在训练的深度学习模型中，经过 50 次试验，最高准确率达到 89.5%。

Mar, 2024

本文提出了一种使用 RGB-D 摄像头的无接触方法，使用基于深度学习的算法来处理下肢 RGB-D 视频序列，以早期识别 / 检测人类动作，从而成功解码了人类运动和需求，使得智能步行器在康复中发挥更大作用。

Jan, 2023

我们提出了一种深度学习模型，利用步态周期数据集实现对帕金森病的二分类早期检测，通过使用 1D - 卷积神经网络（CNN）、门控循环单元（GRU）和图神经网络（GNN）层，协同地捕捉数据中的时序动态和空间关系，从而实现了非凡的性能表现，准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。

Apr, 2024