基于W波段毫米波回波特征的检测方法，结合级联卷积神经网络（CNN）用于帕金森病震颤的分类

《IEEE Sensors Letters》：W-Band Millimeter-Wave Echo Features Detection With Cascade CNN-Based Classifier for Parkinson's Disease Tremors Classification

现有帕金森病评估方法依赖主观量表且耗时费力，本研究提出基于W波段毫米波非接触式生物传感器的解决方案，通过深度学习实现震颤频率分类和运动障碍客观量化。

　　

摘要：

帕金森病（PD）的临床评估方法通常依赖于运动障碍协会制定的统一帕金森病评分量表（Movement Disorder Society-Unified Parkinson’s Disease Rating Scale）和健康相关生活质量问卷（Health-Related Quality of Life questionnaire）。这两种方法都采用结构化的问答形式来评估患者的病情严重程度和进展，包括非运动症状、运动障碍、运动并发症以及治疗带来的副作用。然而，这些方法需要面对面的交流，并且耗时较长（通常超过20分钟）。此外，评估结果往往受到临床医生专业知识和主观判断的影响。同时，这些方法也无法客观、自动地量化帕金森病患者震颤的严重程度和类型。为了解决上述问题，本文提出了一种基于W波段（76–81 GHz）毫米波的非接触式生物传感器，该传感器能够提取用于上肢震颤分类的回波特征。通过结合特征提取和模式识别任务的深度学习方法（级联卷积神经网络分类器），可以在短距离（<1.0米）和非接触式测量条件下，识别低频（<4.0 Hz）、中频（4.0–7.0 Hz）和高频（>7.0 Hz）震颤的特征模式。

引言

帕金森病（PD）是一种进行性的神经退行性疾病，其特征是多种运动功能障碍，可分为两种类型：非典型帕金森病（ATPD）和典型帕金森病（TPD）。ATPD，也称为多系统萎缩症，是一种慢性且致命的神经退行性疾病。ATPD患者常出现运动协调和平衡问题、言语及吞咽困难以及眼球运动控制异常。TPD的主要表现为不自主震颤、肌张力增高、动作迟缓（bradykinesia）和姿势不稳。临床上，不自主的上肢震颤（ULT）是主要症状之一，其震颤频率和幅度可能对称或不对称。这类震颤通常被分为低频（<4.0 Hz）、中频（4.0–7.0 Hz）和高频（>7.0 Hz）震颤[1] [2]。常见的震颤综合征包括生理性震颤（PHT）、原发性震颤（ET）和帕金森病性震颤（PDT）。PHT是由外部因素（如药物和心理压力）引起的高频震颤（10.0–12.0 Hz）。ET，又称家族性震颤，通常在20至60岁之间发病，表现为对称且节律性的低幅度高频震颤（8.0–12.0 Hz），部分患者也可能出现下肢或声音震颤。ET的震颤频率会随年龄增长而降低，幅度也会发生变化[3] [4]。约70%的TPD患者会出现ULT，通常从单侧开始，随后波及其他上肢或下肢。这些震颤具有不对称性、旋转性特征，幅度较大，频率为中频（4.0–6.0 Hz）。上述震颤涉及多种运动功能障碍，以左右上肢为主，表现为静止性震颤（RT）、姿势性震颤（PT）、动作性震颤（AT）、生理性震颤（PHT）和搓丸样震颤[1] [2] [5]（见图2）。在某些情况下，ULT还会伴随声音调节问题，影响声带、呼吸肌和发音，以及轻微的步态异常[6] [7] [8]。帕金森病的症状通常首先出现在上肢，随后可能扩展到头部、右侧或左侧下肢以及面部肌肉。因此，选择适当的神经保护药物（疗法）并根据具体的神经退行性疾病类型制定个性化的康复策略对于减缓疾病进展至关重要。此外，开发个性化的数字辅助量化工具将有助于帕金森病患者客观地分类震颤类型，便于自我监测和评估。