基于深度学习技术的智能手机帕金森病冻结步态诊断系统及其联合重复经颅磁刺激进行康复治疗的应用

Freezing of gait (FOG) is a main and common symptom in Parkinson disease (PD). Nowadays the assessments of FOG are questionnaires which are mostly based on neurologists’ subjective evaluation, and usually need to test “on the spot”. Previous studies attempted to analyze walking gait biomechanical signals of FOG, depended on traditional signal process. But as for FOG which was significant individual difference, they had poor identification accuracy, and hardly could predict FOG by the biomechanical data. Based on our preliminary study, we plan to use this diagnosis system to analyze and evaluate gait disorders of PD quantitatively by smartphone APP. Through training deep convolutional neural networks, the system can recognize and grade FOG automatically. It also can recognize and predict FOG in PD patients’ daily lives by iterative self-training techniques, and even prevents FOG through music interfere combined with the smartphone APP. This smartphone APP music rehabilitation will be combined with repetitive transcranial magnetic stimulation(rTMS) as a combined rehabilitation treatment for FOG patients for 1 month. The system will be also used as a follow-up tool before and after the treatment to evaluate the effectiveness of rTMS treatment and combined rehabilitation treatment for FOG. The results of this study will be high projective application worth and great social significance.

冻结步态（FOG）是帕金森病（PD）患者的常见症状，但缺乏有效客观的评价方法。已有研究尝试使用行走时的步态生物力学信号对FOG进行分析，然而这些方法仍然依赖于传统的信号处理流程，对于FOG这样个体特征差异极大的事件的识别精度较差，并且无法利用有效的生物力学信息对其的发生进行预测。在前期研究基础上，本研究旨在1.利用智能手机APP来量化评价PD患者的步态。通过训练深度卷积神经网络，对APP采集数据学习来实现FOG的自动识别和分级。2.使用迭代的自我训练技术来实现患者日常生活中的FOG的识别与预测，并在APP中结合音乐干预来实现FOG的预防。3.联合治疗组在rTMS治疗的基础上使用智能手机APP系统在FOG患者日常生活中进行1个月的康复训练，并使用该系统进行随访比较干预前后差异来评价rTMS、联合康复治疗对于FOG患者的改善效果。本项目的研究成果具有十分重要的工程应用价值和社会意义。

帕金森病（Parkinson’s disease，PD）患者有多种步态障碍，如冻结步态（Freezing of gait, FOG），导致跌倒的风险增加，生活质量下降。现有的检测方法以主观评价的问卷为主，且需要专科医生现场评估，可靠性较差，对步态的细微变化不敏感。因此，需要新颖的、易于使用的、具有成本效益的和可扩展的方法来测量PD的步态。本研究使用智能手机的惯性测量单元-由一个三维加速器、三维陀螺仪和数字罗盘组成--来捕捉与步态相关的运动。入组FOG步态障碍的帕金森病患者以及性别、年龄匹配的健康对照，使用智能手机应用程序（Application，APP）测量步态。通过该系统实现了PD患者的步态测量和特征的提取，找到了多种具有重要临床意义的步态参数，明确这些指标与PD患者的疾病严重程度和功能结果有关。验证了该步态评估在PD步态障碍患者中的有效性。结合包括深度学习在内的人工智能技术，实现家居化的帕金森病患者步态控制监测，帮助临床解决FOG诊断及实时客观监测的难题。同时结合多模态影像技术，我们发现PD患者右侧苍白球内侧部的微结构改变可能与FOG发病机制相关。我们尝试使用低频重复经颅磁刺激（repetitive Transcranial Magnetic Stimulation，rTMS）治疗FOG患者，通过比较干预前后的步态指标，验证了rTMS对FOG患者步态障碍的有效性和安全性，步态障碍更严重的PD-FOG患者rTMS疗效更显著，并通过fMRI技术发现楔前叶低频振荡振幅值可作为rTMS治疗FOG的疗效预测指标。

内容获取失败，请点击重试