将fNIRS（功能性近红外光谱）与机器学习相结合用于帕金森病的识别

《ACM Transactions on Computing for Healthcare》：Integration of fNIRS and Machine Learning for Identifying Parkinson’s Disease

帕金森病（PD）早期诊断依赖非侵入性脑成像技术结合机器学习模型。本研究通过功能性近红外光谱（fNIRS）采集PD患者和年龄匹配对照组在简单行走（TUG）、认知双任务（CDTUG）和运动双任务（MDTUG）条件下的前额叶皮层（PFC）血氧变化，利用支持向量机（SVM）和随机森林（RF）等四类机器学习模型进行分类。结果显示，SVM模型在双任务条件下准确率达85%（±35），且通过特征选择（ANOVA）识别出DLPFC、VLPFC和FPC的特定通道可作为PD诊断的生物标志物。分隔符：

　　帕金森病（Parkinson’s disease, PD）是一种神经退行性疾病，其特征是运动功能障碍。早期诊断对于有效管理该疾病至关重要，因为当前的诊断方法往往具有侵入性或存在延迟，这限制了早期干预的可能性。本研究评估了将功能性近红外光谱（functional near-infrared spectroscopy, fNIRS）与机器学习（machine learning, ML）相结合，以区分帕金森病患者与同龄对照组（control group, CG）的有效性。研究通过分析患者在执行不同任务时的脑部激活模式，特别是通过Timed Up and Go（TUG）测试，发现双任务活动比单一任务更能有效区分帕金森病患者与健康对照组。此外，特定的前额叶皮层（prefrontal cortex, PFC）亚区显示出独特的激活模式，这可能成为帕金森病检测的潜在生物标志物。研究结果表明，fNIRS与机器学习的结合在帕金森病诊断中展现出良好的前景，尤其是在双任务条件下，可以提高检测的准确性。进一步研究这些PFC亚区的行为特征，有助于揭示更强的生物标志物。

帕金森病的神经退行性过程导致多巴胺能神经元的减少，进而影响自动性运动功能，引发一系列运动和非运动症状，包括睡眠障碍、抑郁、静止性震颤、僵硬、运动迟缓和姿势不稳。随着疾病的发展，帕金森病患者还可能出现认知障碍。这些症状不仅影响患者的生活质量，还导致其功能独立性的下降。特别是在日常活动（如行走和转身）中，运动和认知缺陷尤为明显，因此，研究这些神经机制对于开发准确的评估系统和有效的干预措施具有重要意义。

功能性近红外光谱技术作为一种非侵入性、成本效益高且用户友好的脑活动评估方法，已被广泛应用于多种神经疾病的研究。与功能性磁共振成像（fMRI）相比，fNIRS不需要大型、昂贵的设备，且不会限制受试者的移动性，这使得它在评估涉及运动的任务（如行走或平衡控制）时更具优势。此外，与脑电图（EEG）相比，fNIRS提供了更高的空间分辨率，并且对电噪声的敏感性较低，因此在定位前额叶皮层活动方面更为可靠。fNIRS还比fMRI和EEG更能容忍运动伪影，这对于涉及老年人或帕金森病患者的运动任务研究尤为重要。这些特性使得fNIRS成为研究帕金森病患者在功能任务中的实时皮层反应和早期认知与运动障碍的理想工具。

研究中使用了fNIRS技术，对28名帕金森病患者和32名同龄对照组个体在三种TUG测试条件下进行了脑活动分析。这些测试包括简单的TUG测试、认知双任务TUG（CDTUG）和运动双任务TUG（MDTUG）。此外，研究还采用了四种机器学习模型：支持向量机（SVM）、K近邻（KNN）、随机森林（RF）和极端梯度提升（XGB），以及两种特征选择方法，以区分帕金森病患者与对照组。SVM模型在区分帕金森病患者与对照组方面表现最佳，其准确率达到了0.85 ± 0.35。特征选择和统计分析显示，双任务活动比单一任务更能有效区分帕金森病患者与对照组。前额叶皮层的特定亚区显示出显著的激活模式差异，这可能成为帕金森病检测的潜在生物标志物。结合fNIRS与机器学习的方法在帕金森病诊断中展现出良好的前景，双任务活动可以提高检测的准确性。进一步研究前额叶皮层亚区的行为特征，可能揭示更明确的生物标志物。

本研究的目的是探索将功能性近红外光谱（fNIRS）技术与机器学习（ML）算法和双任务范式相结合，以区分帕金森病患者与年龄匹配的健康对照者。通过fNIRS设备记录前额叶皮层的激活模式，并比较帕金森病患者与健康对照者在三种TUG测试条件下的差异。研究中采用了四种机器学习模型以及两种特征选择方法，以区分帕金森病患者与健康对照者。SVM模型在分类帕金森病患者与健康对照者方面表现最佳，其准确率达到了0.85 ± 0.35。研究的主要贡献包括：（1）通过分析帕金森病患者与健康对照者在简单和双任务TUG条件下的前额叶皮层激活模式，评估其对帕金森病检测的有效性；（2）识别出显示出显著激活差异的前额叶皮层亚区，并评估其对分类性能的贡献；（3）评估认知与运动双任务在揭示组间差异方面的判别能力，以指导临床评估和未来干预策略。

研究结果表明，双任务活动比单一任务更能有效区分帕金森病患者与健康对照者。具体而言，认知双任务TUG（CDTUG）和运动双任务TUG（MDTUG）的脑活动模式与简单TUG存在显著差异，特别是在前额叶皮层的某些特定区域。这些区域的激活差异可能与帕金森病患者在执行双任务时需要额外的前额叶执行-注意资源有关。通过特征选择方法，研究识别出了一些关键的前额叶皮层亚区，这些区域的激活模式在区分帕金森病患者与健康对照者方面具有重要价值。此外，SVM模型在结合多种特征时表现出较高的分类性能，而其他模型如KNN、RF和XGB的性能相对较低。这表明，在帕金森病检测中，SVM模型可能更适用于处理复杂的脑活动数据。

本研究的结果还揭示了前额叶皮层在不同任务条件下的激活差异。在简单TUG测试中，帕金森病患者的前额叶皮层激活水平较高，而在认知和运动双任务TUG中，其激活水平较低。这可能反映了帕金森病患者在执行双任务时认知资源的不足和双任务干扰。而健康对照组在认知双任务TUG中表现出较高的前额叶皮层激活，而在运动双任务TUG中则表现出较低的激活水平，这可能是因为在运动双任务中，更多的控制依赖于运动皮层而非前额叶皮层。这些发现有助于理解帕金森病患者在执行日常活动时的神经机制，并为未来的干预策略提供理论支持。

尽管本研究取得了初步成果，但仍然存在一些局限性。例如，研究样本量相对较小，尽管已经通过预设功效分析确定了样本量。最初招募了28名帕金森病患者和32名健康对照者，但由于信号噪声问题，有五名受试者被排除，最终每组仅保留了27名。虽然这对一项初步研究是可接受的，但未来的研究需要更大的样本量以提高模型的泛化能力。此外，研究仅关注了前额叶皮层的激活模式，而未涉及其他脑区。未来的研究可以考虑纳入更多的脑区，特别是与运动相关的皮层，以获得更全面的疾病特征。此外，研究主要依赖于平均fNIRS值，而未考虑时间动态。未来的研究可以探索更先进的时序分析方法，以更全面地捕捉这些动态特征。最后，尽管分类模型的平均准确率较高，但标准差（±0.35）表明在不同验证过程中存在一定的变异性。这可能反映了个体之间的差异以及留一法交叉验证（leave-one-out cross-validation, LOOCV）对单个受试者波动的敏感性。因此，未来的研究需要进一步验证模型在更大、更独立的群体中的表现，并考虑使用更稳定的特征选择方法和集成方法来提高模型的一致性和泛化能力。

本研究为帕金森病的早期检测和诊断提供了一种新的方法。通过结合fNIRS技术和机器学习算法，研究能够识别出帕金森病患者与健康对照者在特定任务条件下的脑部激活模式。这些模式不仅有助于帕金森病的检测，还可以为个性化康复策略的制定提供依据。例如，帕金森病患者在认知双任务TUG中的较低激活水平表明其在执行任务时面临更大的认知负担，这可能意味着需要针对其特定的神经机制进行双任务训练，以提高其功能性运动能力和减少跌倒风险。此外，研究还发现，某些特定的前额叶皮层亚区在区分帕金森病患者与健康对照者方面具有重要作用，这可能为未来开发更精确的生物标志物提供方向。

总之，本研究展示了功能性近红外光谱与机器学习结合在帕金森病诊断中的潜力。SVM模型在结合特征选择方法后表现出较高的准确率，而特定的前额叶皮层亚区可能成为帕金森病检测的潜在生物标志物。未来的研究可以进一步优化模型性能，扩大样本量，并探索更复杂的任务和多模态评估方法，以提高帕金森病检测的准确性和可靠性。此外，研究结果也为帕金森病患者的个性化康复和干预策略提供了新的思路，有助于改善其生活质量并促进早期干预。