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

提出一种基于Adversarial Spatio-temporal Network的方法，利用步态垫上的步态压力序列进行Parkinson病的步态冻结检测，进而改善冻结治疗的质量。

Sep, 2022

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

本研究通过提出的可解释的几何加权图注意力神经网络（xGW-GAT），鉴别出与帕金森病步态障碍相关的功能连接模式以及与运动障碍相关的功能子网络的可解释性，从而有助于更好地理解帕金森病的运动进展，推动更有效和个性化的治疗方法的发展。

Jul, 2023

提出了一种基于深度学习的新型混合ConvNet-Transformer架构来检测和分期帕金森病(Parkinson's disease)。该混合架构利用了卷积神经网络(ConvNets)和Transformers的优势来准确地检测帕金森病并确定其严重程度阶段，相比其他最先进的方法，具有97％的帕金森病检测准确率和87％的严重程度分期准确率。

Oct, 2023

该研究提出了一种用于诊断帕金森病步态的高效深度神经网络模型。具体地，我们引入了一种混合的ConvNet-Transformer架构，通过检测疾病的严重程度准确诊断帕金森病。所提出的架构通过单一的端到端模型充分利用了卷积神经网络和Transformer的优势，前者能够从纵向地面反作用力信号中提取相关的局部特征，而后者能够捕捉数据中的长期时空依赖关系。我们的混合架构相比于单独使用任一模型获得了改进的性能。实验结果表明，我们的方法对于从步态数据检测帕金森病不同阶段是有效的，最终准确率达到了88%，超过了Physionet步态数据集上其他最新人工智能方法。此外，我们的方法可以推广和适应其他分类问题，在处理一维信号中的特征相关性和时空依赖性问题上具有潜力。我们的源代码和预训练模型可以在此https URL公开获取。

Nov, 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

利用可穿戴传感器捕捉患者的实时运动，为步幅/步长分割和步幅/步长长度预测等多个任务提供了大量的真实标签，从而增强研究人员对与神经系统障碍相关的步态紊乱的整体理解，并为医疗产品、法医技术和生物力学研究等领域提供了有益的数据资源。

May, 2024

通过机器学习和深度学习技术应用于步态诊断，本文综述了近来关于五种典型神经退行性疾病诊断的研究进展，提出了一个全面的有关人类步态数据和人工智能模型的系统分类，揭示了该领域的挑战、潜在解决方案和未来方向，并展望通过利用三维骨架数据和开发更高效的人工智能模型来进行神经退行性疾病诊断的前景。

May, 2024

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