帕金森病冻结步态的多模态信息融合智能预测与个体化干预技术

Parkinson's disease is the world second prevalent neurodegenerative disease. Freezing of gait（FOG） as the most severe symptom affects most of advanced PD patients. In this project, the intelligent signal processing and machine learning methods are combined with wearable inertial sensors to exclusively explore the physiological information associated with freezing of gait for FOG accurate diagnosis and personalized intervention. An asymmetric wavelet basis function based method is proposed to accurately estimate the time-frequency spectrum of freezing of gait and the freezing index can then be calculated for detecting FOG. A new NARMAX-Proxy Measurement is designed for the feature extraction from the inertial sensor recording. Features proved effective for the prediction of freezing of gait from other sources such as electroencephalogram, electromyography, insole pressure, skin conductance sensors, can then be transferred and reconstructed with inertial sensor recordings. The muscle activation is estimated from the IMU sensor information by solving a partially identified problem where a manifold regulation method is proposed to get unique solution. Based on this information, accurate prediction of freezing of gait can be achieved and personalized intervention is designed. The study combines the edging computing at the inertial sensor end and the longitudinal monitoring of freezers' health conditions to optimize the personalized functional electrical stimulation. The new study uses artificial intelligence to solve the clinical needs and provide a new pathway for the precision medicine for Parkinson's freezer. The study is of important meanings for improving the living conditions of patients and the unattended nursing of Parkinson freezers.

帕金森疾病是全球第二大神经退行性疾病，冻结步态作为帕金森病最严重的致残性症状之一，影响大多数晚期患者。本项目应用智能信息处理和机器学习技术，结合可穿戴传感器，充分挖掘冻结步态的生理特征，实现帕金森冻结步态的精准诊断和个体化干预。研究提出基于非对称小波基函数的精确时频谱估计方法，实现惯性传感器本地特征提取；应用NARMAX-Proxy Measurement方法，实现多传感器信息的特征层深度融合和其它传感器特征的本地重构；应用流形正则化方法解决肌肉激活水平部分辨识（Partially Identified）问题，实现冻结步态的有效功能性电刺激干预。结合边缘计算和云端长期统计结果，对提出的理论方法进行临床验证。本项目医工交叉，是借助人工智能解决冻结步态临床需求的新尝试，为冻结步态的精准医疗提供新思路。对于改善患者生活，实现冻结步态的无人护理，缓解医疗压力具有重要意义。

帕金森疾病是全球第二大神经退行性疾病，冻结步态作为帕金森病最严重的致残性症状之一，影响大多数晚期患者。帕金森冻结步态发病机理复杂，涉及运动、认知、情绪等多个方面。本项目以帕金森冻结步态为主要研究对象，基于多模态数据驱动方法，探索冻结步态发生的表征、机理及调控基础，研究冻结步态的检测、预测以及干预措施。取得的重要结果和关键数据包括：（1）建立了同时包含惯性、脑电、肌电、皮电信息的帕金森冻结步态多模态公开数据集，为深入研究冻结步态提供了新数据基础；（2）提出了仿神经元动态的类脑时变非线性新模型以及参数化时频谱间接估计算法，通过引入模型约束突破了时频谱估计中时间和频率分辨率限制，提升了基于惯性单模态信息的冻结步态检测性能；（3）提出了动态脑模态分解新理论，提取大脑时空相干特征，完成了基于脑电单模态信息的冻结步态预测，揭示了从正常步态到冻结前期再到冻结步态发生过程中脑功能连接的动态变化机制；（4）研究了基于代理特征的跨模态信息迁移新方法，为解决多模态数据高检测精度与低可穿戴性矛盾提供了新思路；（5）探索了基于脑电信息的认知状态变化机理，提出了认知相关事件相关电位发生的子网络瞬时相位同步新解释，为冻结步态的神经调控提供了新依据。项目以多模态数据和机器学习方法为驱动研究了冻结步态各模态内部以及模态之间的复杂关系，为揭示冻结步态发病机理提供了理论和方法基础，为外源性干预提供了时间窗口，为经颅磁刺激等干预方法提供了定量客观依据，对于理清帕金森冻结步态复杂的发病机制、改善患者生活质量，缓解医疗压力具有重要意义。.项目执行期间，发表了高水平学术论文14篇，其中SCI收录13篇；申请国家发明专利10项，已授权4项；出版英文专著1章；国际会议主题报告1次；获得中国体视学会自然科学二等奖1项，中国创新挑战赛优秀奖1项；培养了博士研究生2名，硕士研究生4名，指导学生获得“挑战杯”大学生创新创业大赛金奖等省部级以上创业奖5项；与多家三甲医院开展了合作临床应用研究，促进成果转化。