Survey of Parkinson’s disease auxiliary diagnosis methods based on gait analysis

doi:10.11772/j.issn.1001-9081.2022060926

Journal of Computer Applications ›› 2023, Vol. 43 ›› Issue (6): 1687-1695.DOI: 10.11772/j.issn.1001-9081.2022060926

• The 37 CCF National Conference of Computer Applications (CCF NCCA 2022) • Previous Articles Next Articles

Survey of Parkinson’s disease auxiliary diagnosis methods based on gait analysis

Jing QIN¹, Xueqian MA², Fujie GAO², Changqing JI²^,³, Zumin WANG²()

^1.School of Software Engineering，Dalian University，Dalian Liaoning 116622，China
^2.College of Information Engineering，Dalian University，Dalian Liaoning 116622，China
^3.College of Physical Science and Technology，Dalian University，Dalian Liaoning 116622，China

Received:2022-06-27 Revised:2022-07-27 Accepted:2022-07-29 Online:2022-09-22 Published:2023-06-10
Contact: Zumin WANG
About author:QIN Jing， born in 1981， Ph. D.， associate professor. Her research interests include signal processing， big data analysis.
MA Xueqian， born in 1997， M. S. candidate. Her research interests include deep learning， intelligent medicine.
GAO Fujie， born in 1997， M. S. candidate. His research interests include intelligent medicine， machine learning.
JI Changqing， born in 1980， Ph. D.， associate professor. His research interests include artificial intelligence， big data analysis， spatial databases.
Supported by:
National Natural Science Foundation of China(62002038)

基于步态分析的帕金森病辅助诊断方法综述

秦静¹, 马雪倩², 高福杰², 季长清²^,³, 汪祖民²()

^1.大连大学软件工程学院, 辽宁大连 116622
^2.大连大学信息工程学院, 辽宁大连 116622
^3.大连大学物理科学与技术学院, 辽宁大连 116622

通讯作者: 汪祖民
作者简介:秦静（1981—），女，甘肃张掖人，副教授，博士，CCF会员，主要研究方向：信号处理、大数据分析
马雪倩（1997—），女，安徽亳州人，硕士研究生，CCF会员，主要研究方向：深度学习、智慧医疗
高福杰（1997—），男，江苏盐城人，硕士研究生，CCF会员，主要研究方向：智慧医疗、机器学习
季长清（1980—），男，辽宁大连人，副教授，博士，CCF会员，主要研究方向：人工智能、大数据分析、空间数据库
汪祖民（1975—），男，河南信阳人，教授，博士，CCF会员，主要研究方向：物联网。Email：wangzumin@dlu.edu.cn

Abstract

Abstract:

Focused on the existing diagnosis methods of Parkinson's Disease （PD）， the auxiliary diagnosis methods of PD based on gait analysis was reviewed. In clinical practice， the common diagnosis method of gait assessment for PD is based on scales， which is simple and convenient， but is highly subjective and requires well-experienced clinical doctors. With the development of computer technology， more methods of gait analysis are provided. Firstly， PD and its abnormal manifestations in gait were summarized. Then， the common methods of auxiliary diagnosis for PD based on gait analysis were reviewed. These methods were able to be roughly divided into two types： methods based on wearable or non-wearable devices. Wearable devices are small and have high accuracy for diagnosis， and with the use of them， the gait status of patients can be monitored for a long time. With the use of non-wearable devices， human gait data is captured through video sensors such as Microsoft Kinect， without wearing related devices and restricting patients' movements. Finally， the deficiencies in the existing gait analysis methods were pointed out， and the possible development trends in the future were discussed.

Key words: Parkinson's Disease (PD), gait analysis, wearable device, deep learning, auxiliary diagnosis

摘要：

针对现有的帕金森病（PD）的诊断方法，对基于步态分析的PD的辅助诊断方法进行了综述。在临床上，常见的步态评估PD的诊断方法是基于量表的，该方法虽然简单方便，但主观性强，且对医生的临床经验要求较高。而计算机技术的发展为步态分析提供了更多的方法。首先，总结了PD以及它在步态上的异常表现。然后，回顾了基于步态分析的PD辅助诊断的常用方法，这些方法大致可分为基于可穿戴设备的和基于非可穿戴设备的：可穿戴设备体积小、辅助诊断准确率高，可长时间监测患者的步态状况；非可穿戴设备则是通过微软Kinect等视频传感器捕捉人体步态数据，避免了穿戴相关设备以及对患者行动的限制。最后，指出了现有的步态分析方法中存在的不足并探讨了未来可能的发展趋势。

关键词: 帕金森病, 步态分析, 可穿戴设备, 深度学习, 辅助诊断

CLC Number:

TP391.7

Jing QIN, Xueqian MA, Fujie GAO, Changqing JI, Zumin WANG. Survey of Parkinson’s disease auxiliary diagnosis methods based on gait analysis[J]. Journal of Computer Applications, 2023, 43(6): 1687-1695.

秦静, 马雪倩, 高福杰, 季长清, 汪祖民. 基于步态分析的帕金森病辅助诊断方法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1687-1695.

Figures/Tables 13

References 60

1	崔亚欢，陈乃耀. 帕金森病的发病机制研究［J］. 中华老年心脑血管病杂志， 2019， 21（1）：106-110. 10.3969/j.issn.1009-0126.2019.01.028
	CUI Y H， CHEN N Y. Study on the pathogenesis of Parkinson’s disease［J］. Chinese Journal of Geriatric Heart Brain and Vessel Diseases， 2019， 21（1）：106-110. 10.3969/j.issn.1009-0126.2019.01.028
2	DAUER W， PRZEDBORSKI S. Parkinson’s disease： mechanisms and models ［J］. Neuron， 2003， 39（6）： 889-909. 10.1016/s0896-6273(03)00568-3
3	KONDRAGUNTA J， WIEDE C， HIRTZ G. Gait analysis for early Parkinson’s disease detection based on deep learning［J］. Current Directions in Biomedical Engineering， 2019， 5（1）：9-12. 10.1515/cdbme-2019-0003
4	GODOI B B， AMORIM G D， QUIROGA D G， et al. Parkinson’s disease and wearable devices， new perspectives for a public health issue： an integrative literature review［J］. Revista da Associação Médica Brasileira， 2019， 65（11）：1413-1420. 10.1590/1806-9282.65.11.1413
5	NIYOGI S A， ADELSON E H. Analyzing gait with spatiotemporal surfaces ［C］// Proceedings of the 1994 IEEE Workshop on Motion of Non-rigid and Articulated Objects. Piscataway： IEEE， 1994： 64-69. 10.1109/mnrao.1994.346262
6	王科俊，丁欣楠，邢向磊，等. 多视角步态识别综述［J］. 自动化学报， 2019， 45（5）：841-852. 10.16383/j.aas.2018.c170559
	WANG K J， DING X N， XING X L， et al. A survey of multi-view gait recognition［J］. Acta Automatica Sinica， 2019， 45（5）： 841-852. 10.16383/j.aas.2018.c170559
7	SILVA DE LIMA A L， EVERS L J W， HAHN T， et al. Freezing of gait and fall detection in Parkinson’s disease using wearable sensors： a systematic review［J］. Journal of Neurology， 2017， 264（8）： 1642-1654. 10.1007/s00415-017-8424-0
8	BROGNARA L， PALUMBO P， GRIMM B， et al. Assessing gait in Parkinson’s disease using wearable motion sensors： a systematic review ［J］. Diseases， 2019， 7（1）： 18. 10.3390/diseases7010018
9	田皓宇，马昕，李贻斌. 基于骨架信息的异常步态识别方法［J］. 吉林大学学报（工学版）， 2022， 52（4）：725-737.
	TIAN H Y， MA X， LI Y B. Skeleton-based abnormal gait recognition： a survey［J］. Journal of Jilin University （Engineering and Technology Edition）， 2022， 52（4）： 725-737.
10	SON H， PARK W S， KIM H. Mobility monitoring using smart technologies for Parkinson’s disease in free-living environment［J］. Collegian， 2018， 25（5）： 549-560. 10.1016/j.colegn.2017.11.005
11	陈龙. 基于移动终端的帕金森疾病筛查系统的研究与实现［D］. 成都：电子科技大学， 2021： 13.
	CHEN L. Research and implementation of Parkinson’s disease screening system based on mobile terminals［D］. Chengdu： University of Electronic Science and Technology of China， 2021： 13.
12	Movement Disorder Society Task Force on Rating Scales for Parkinson’s Disease. The Unified Parkinson’s Disease Rating Scale （UPDRS）： status and recommendations［J］. Movement Disorders， 2003， 18（7）： 738-750. 10.1002/mds.10473
13	GILADI N， SHABTAI H， SIMON E S， et al. Construction of freezing of gait questionnaire for patients with Parkinsonism［J］. Parkinsonism and Related Disorders， 2000， 6（3）：165-170. 10.1016/s1353-8020(99)00062-0
14	NIEUWBOER A， ROCHESTER L， HERMAN T， et al. Reliability of the new freezing of gait questionnaire： agreement between patients with Parkinson’s disease and their carers［J］. Gait and Posture， 2009， 30（4）：459-463. 10.1016/j.gaitpost.2009.07.108
15	WRISLEY D M， MARCHETTI G F， KUHARSKY D K， et al. Reliability， internal consistency， and validity of data obtained with the functional gait assessment ［J］. Physical Therapy， 2004， 84（10）：906-918. 10.1093/ptj/84.10.906
16	PODSIADLO D， RICHARDSON S. The Timed “Up & Go”： a test of basic functional mobility for frail elderly persons ［J］. Journal of the American Geriatrics Society， 1991， 39（2）：142-148. 10.1111/j.1532-5415.1991.tb01616.x
17	RAMAKER C， MARINUS J， STIGGELBOUT A M， et al. Systematic evaluation of rating scales for impairment and disability in Parkinson’s disease ［J］. Movement Disorders， 2002， 17（5）： 867-876. 10.1002/mds.10248
18	PRASANTH H， CABAN M， KELLER U， et al. Wearable sensor-based real-time gait detection： a systematic review［J］. Sensors， 2021， 21（8）： No.2727. 10.3390/s21082727
19	BENSON L C， CLERMONT C A， BOŠNJAK E， et al. The use of wearable devices for walking and running gait analysis outside of the lab： a systematic review［J］. Gait and Posture， 2018， 63： 124-138. 10.1016/j.gaitpost.2018.04.047
20	SEPAS-MOGHADDAM A， ETEMAD A. Deep gait recognition： a survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（1）： 264-284. 10.1109/tpami.2022.3151865
21	ANGUITA D， GHIO A， ONETO L， et al. A public domain dataset for human activity recognition using smartphones ［EB/OL］.［2022-05-06］.. 10.1007/978-3-642-40728-4_54
22	ZHANG M， SAWCHUK A A. USC-HAD： a daily activity dataset for ubiquitous activity recognition using wearable sensors［C］// Proceedings of the 2012 ACM Conference on Ubiquitous Computing. New York： ACM， 2012： 1036-1043. 10.1145/2370216.2370438
23	HAUSDORFF J. Gait in Parkinson’s disease［DB/OL］. （2008-02-25）［2022-05-06］.. 10.1201/9780203508596.ch17
24	UCI. Daphnet freezing of gait data set［DB/OL］. ［2022-05-06］. .
25	BANOS O， GARCIA R， HOLGADO-TERRIZA J A， et al. mHealthDroid： a novel framework for agile development of mobile health applications ［C］// Proceedings of the 6th International Work-Conference on Ambient Assisted Living and Daily Activities. Cham： Springer， 2014： 91-98. 10.1007/978-3-319-13105-4_14
26	KIM H， LEE H J， LEE W， et al. Unconstrained detection of freezing of gait in Parkinson’s disease patients using smartphone［C］// Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2015： 3751-3754. 10.1109/EMBC.2015.7319209
27	ALTILIO R， ROSSETTI A， FANG Q， et al. A comparison of machine learning classifiers for smartphone-based gait analysis［J］. Medical and Biological Engineering and Computing， 2021， 59（3）： 535-546. 10.1007/s11517-020-02295-6
28	PAN D， DHALL R， LIEBERMAN A， et al. A mobile cloud-based Parkinson’s disease assessment system for home-based monitoring［J］. JMIR mHealth and uHealth， 2015， 3（1）： No.e29. 10.2196/mhealth.3956
29	CAPECCI M， PEPA L， VERDINI F， et al. A smartphone-based architecture to detect and quantify freezing of gait in Parkinson’s disease ［J］. Gait and Posture， 2016， 50：28-33. 10.1016/j.gaitpost.2016.08.018
30	TANG S T， TAI C H， YANG C Y， et al. Feasibility of smartphone-based gait assessment for Parkinson’s disease［J］. Journal of Medical and Biological Engineering， 2020， 40（4）： 582-591. 10.1007/s40846-020-00551-6
31	LI B C， YAO Z M， WANG J G， et al. Improved deep learning technique to detect freezing of gait in Parkinson’s disease based on wearable sensors ［J］. Electronics， 2020， 9（11）： No.1919. 10.3390/electronics9111919
32	DEMROZI F， BACCHIN R， TAMBURIN S， et al. Toward a wearable system for predicting freezing of gait in people affected by Parkinson’s disease［J］. IEEE Journal of Biomedical and Health Informatics， 2020， 24（9）： 2444-2451. 10.1109/jbhi.2019.2952618
33	LI B， ZHANG Y Q， TANG L， et al. Automatic detection system for freezing of gait in Parkinson’s disease based on the clustering algorithm ［C］// Proceedings of the 2nd IEEE Advanced Information Management， Communicates， Electronic and Automation Control Conference. Piscataway： IEEE， 2018：1640-1644. 10.1109/imcec.2018.8469471
34	KITA A， LORENZI P， RAO R， et al. Reliable and robust detection of freezing of gait episodes with wearable electronic devices ［J］. IEEE Sensors Journal， 2017， 17（6）： 1899-1908. 10.1109/jsen.2017.2659780
35	PUNIN C， BARZALLO B， HUERTA M， et al. Wireless devices to restart walking during an episode of FOG on patients with Parkinson’s disease［C］// Proceedings of the IEEE 2nd Ecuador Technical Chapters Meeting. Piscataway： IEEE， 2017： 1-6. 10.1109/etcm.2017.8247520
36	AICH S， PRADHAN P M， CHAKRABORTY S， et al. Design of a machine learning-assisted wearable accelerometer-based automated system for studying the effect of dopaminergic medicine on gait characteristics of Parkinson’s patients［J］. Journal of Healthcare Engineering， 2020， 2020： No.1823268. 10.1155/2020/1823268
37	KWON Y， PARK S H， KIM J W， et al. A practical method for the detection of freezing of gait in patients with Parkinson’s disease［J］. Clinical Interventions in Aging， 2014， 9： 1709-1719. 10.2147/cia.s69773
38	MARCANTE A， DI MARCO R， GENTILE G， et al. Foot pressure wearable sensors for freezing of gait detection in Parkinson’s disease ［J］. Sensors， 2021， 21（1）： No.128. 10.3390/s21010128
39	BÄCHLIN M， PLOTNIK M， ROGGEN D， et al. Wearable assistant for Parkinson’s disease patients with the freezing of gait symptom［J］. IEEE Transactions on Information Technology in Biomedicine， 2010， 14（2）： 436-446. 10.1109/titb.2009.2036165
40	SHALIN G， PARDOEL S， NANTEL J， et al. Prediction of freezing of gait in Parkinson’s disease from foot plantar-pressure arrays using a convolutional neural network［C］// Proceedings of the 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2020： 244-247. 10.1109/embc44109.2020.9176382
41	BUCINSKAS V， DZEDZICKIS A， ROZENE J， et al. Wearable feet pressure sensor for human gait and falling diagnosis［J］. Sensors， 2021， 21（15）： No.5240. 10.3390/s21155240
42	GUO R， SHAO X X， ZHANG C C， et al. Multi-scale sparse graph convolutional network for the assessment of Parkinsonian gait［J］. IEEE Transactions on Multimedia， 2022， 24：1583-1594. 10.1109/tmm.2021.3068609
43	GROSS R， SHI J B. The CMU Motion of Body （MOBO） database： CMU-RI-TR-01-18 ［R/OL］. （2001-06）［2022-07-06］..
44	WANG L， TAN T N， NING H Z， et al. Silhouette analysis-based gait recognition for human identification ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25（12）： 1505-1518. 10.1109/tpami.2003.1251144
45	YU S Q， TAN D L， TAN T N. A framework for evaluating the effect of view angle， clothing and carrying condition on gait recognition ［C］// Proceedings of the 18th International Conference on Pattern Recognition. Piscataway： IEEE， 2006，4： 441-444. 10.1109/icpr.2006.67
46	SARKAR S， PHILLIPS P J， LIU Z Y， et al. The HumanID gait challenge problem： data sets， performance， and analysis［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（2）： 162-177. 10.1109/tpami.2005.39
47	AN W Z， YU S Q， MAKIHARA Y， et al. Performance evaluation of model-based gait on multi-view very large population database with pose sequences［J］. IEEE Transactions on Biometrics， Behavior， and Identity Science， 2020， 2（4）： 421-430. 10.1109/tbiom.2020.3008862
48	赵子建. 基于步态分析的运动障碍疾病诊断恢复辅助系统研究［D］.杭州：浙江大学， 2020： 14.
	ZHAO Z J. Research on dyskinesia assisted diagnosis and recovery system based on gait analysis ［D］. Hangzhou： Zhejiang University， 2020： 14.
49	TANG Y Q， LI Z R， TIAN H W， et al. Detecting toe-off events utilizing a vision-based method［J］. Entropy， 2019， 21（4）： No.329. 10.3390/e21040329
50	CAO X G， XUE Y Z， CHEN J S， et al. Video based shuffling step detection for Parkinsonian patients using 3D convolution ［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2021， 29： 641-649. 10.1109/tnsre.2021.3062416
51	YU S Q， CHEN H F， GARCÍA REYES E B， et al. GaitGAN： invariant gait feature extraction using generative adversarial networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017： 532-539. 10.1109/cvprw.2017.80
52	ZHANG X F， SUN S Q， LI C， et al. DeepGait： a learning deep convolutional representation for gait recognition ［C］// Proceedings of the 2017 Chinese Conference on Biometric Recognition， LNCS 10568. Cham： Springer， 2017： 447-456.
53	THAPAR D， NIGAM A， AGGARWAL D， et al. VGR-net： a view invariant gait recognition network［C］// Proceedings of the IEEE 4th International Conference on Identity， Security， and Behavior Analysis. Piscataway： IEEE， 2018： 1-8. 10.1109/isba.2018.8311475
54	YOO D， KIM N， PARK S， et al. Pixel-level domain transfer ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9912. Cham： Springer， 2016： 517-532.
55	YAN S J， XIONG Y J， LIN D H. Spatial temporal graph convolutional networks for skeleton-based action recognition ［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2018： 7444-7452. 10.1609/aaai.v32i1.12328
56	HU K， WANG Z Y， MEI S H， et al. Vision-based freezing of gait detection with anatomic directed graph representation［J］. IEEE Journal of Biomedical and Health Informatics， 2020， 24（4）：1215-1225. 10.1109/jbhi.2019.2923209
57	TEEPE T， KHAN A， GILG J， et al. GaitGraph： graph convolutional network for skeleton-based gait recognition［C］// Proceedings of the 2021 IEEE International Conference on Image Processing. Piscataway： IEEE， 2021： 2314-2318. 10.1109/icip42928.2021.9506717
58	SUN K， XIAO B， LIU D， et al. Deep high-resolution representation learning for human pose estimation［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 5686-5696. 10.1109/cvpr.2019.00584
59	SONG Y F， ZHANG Z， SHAN C F， et al. Stronger， faster and more explainable： a graph convolutional baseline for skeleton-based action recognition［C］// Proceedings of the 28th ACM International Conference on Multimedia. New York： ACM， 2020： 1625-1633. 10.1145/3394171.3413802
60	SONG S J， LAN C L， XING J L， et al. An end-to-end spatio-temporal attention model for human action recognition from skeleton data ［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2017： 4263-4270. 10.1609/aaai.v31i1.11212

数据集	数据类型	受试者数	实例数	基本活动
HAR（Human Activity Recognition）^［21］	加速度计线速度、陀螺仪角速度	30	10 299	走路、上楼、下楼、坐、站、躺
USC-HAD（University of Southern California Human Activity Dataset）^［22］	加速度计线速度、陀螺仪角速度	14	2 520 000	向前走、向左（右）转、上（下）楼、向前跑、跳跃、坐下、站立、睡觉等
Gait in Parkinson’s Disease^［23］	垂直地面反作用力	166		以通常的、自行选择的速度行走大约2 min
Daphnet（Daphnet freezing of gait data set）^［24］	加速度计线速度	10	237	直线行走、转弯行走、日常生活活动
mHealth（mobile Health）^［25］	加速度计线速度、陀螺仪角速度、磁强计信号、二导联心电图信号	10	16 740	站立、坐下和放松、躺下、行走、爬楼梯、骑自行车、慢跑、前后跳跃等

数据集	数据类型	受试者数	实例数	基本活动
HAR（Human Activity Recognition）^［21］	加速度计线速度、陀螺仪角速度	30	10 299	走路、上楼、下楼、坐、站、躺
USC-HAD（University of Southern California Human Activity Dataset）^［22］	加速度计线速度、陀螺仪角速度	14	2 520 000	向前走、向左（右）转、上（下）楼、向前跑、跳跃、坐下、站立、睡觉等
Gait in Parkinson’s Disease^［23］	垂直地面反作用力	166		以通常的、自行选择的速度行走大约2 min
Daphnet（Daphnet freezing of gait data set）^［24］	加速度计线速度	10	237	直线行走、转弯行走、日常生活活动
mHealth（mobile Health）^［25］	加速度计线速度、陀螺仪角速度、磁强计信号、二导联心电图信号	10	16 740	站立、坐下和放松、躺下、行走、爬楼梯、骑自行车、慢跑、前后跳跃等

方法	受试者数	受试者情况	安放位置	实验方法	实验结果/%
方法	受试者数	受试者情况	安放位置	实验方法	敏感性	特异性	准确率
文献［26］方法	15	7名男性和8名女性	脚踝、口袋、腰部	AdaBoost.M1算法分类FoG事件	86.00	92.50
文献［27］方法	60	25名患者和 35名健康对照组	小腿	采用9种机器学习分类算法训练二元分类器			91.13
文献［28］方法	40	PD患者：35名男性和 5名女性	手腕、脚踝	使用SVM检测FoG，并使用Lasso回归算法估计PD严重等级	89.00		82.00
文献［29］方法	20	5名女性和 15名男性患者	髋关节	使用Moore-Bachlin算法和加入步长信息的改进算法识别FoG事件	87.57	94.97	84.30
文献［30］方法	20	H&Y量表中处于 2~4阶段患者	腰部	利用冻结阈值（FI_th）和能量阈值（EI_th）确定FoG事件	90.60±7.71	94.30±8.36

方法	受试者数	受试者情况	安放位置	实验方法	实验结果/%
方法	受试者数	受试者情况	安放位置	实验方法	敏感性	特异性	准确率
文献［26］方法	15	7名男性和8名女性	脚踝、口袋、腰部	AdaBoost.M1算法分类FoG事件	86.00	92.50
文献［27］方法	60	25名患者和 35名健康对照组	小腿	采用9种机器学习分类算法训练二元分类器			91.13
文献［28］方法	40	PD患者：35名男性和 5名女性	手腕、脚踝	使用SVM检测FoG，并使用Lasso回归算法估计PD严重等级	89.00		82.00
文献［29］方法	20	5名女性和 15名男性患者	髋关节	使用Moore-Bachlin算法和加入步长信息的改进算法识别FoG事件	87.57	94.97	84.30
文献［30］方法	20	H&Y量表中处于 2~4阶段患者	腰部	利用冻结阈值（FI_th）和能量阈值（EI_th）确定FoG事件	90.60±7.71	94.30±8.36

方法	受试者数	受试者情况	传感器	实验方法	实验结果/%
方法	受试者数	受试者情况	传感器	实验方法	敏感性	特异性	准确率
文献［31］方法	10	Daphnet数据集	可穿戴加速度计	使用CNN作特征提取器，LSTM对时间特征建模，引入注意力机制，使用数据扩充消除不平衡数据集对模型训练的影响	95.10	98.80
文献［32］方法	10	Daphnet数据集	加速度计传感器	使用KNN算法将步态分为pre-FoG，non-FoG和FoG	94.10	97.10
文献［33］方法	10	PD患者：5名男性和 5名女性	加速度计、微处理器、微型SD卡	小批量k-means聚类算法分类为FoG和non-FoG	92.40	94.90	93.20
文献［34］方法	32	PD患者：22名男性和 10名女性	微电子机械传感器（由两个IMU传感器组成）	计算角速度和低通滤波器（k_left，k_right），使用k_left和k_right之和给出的指数K最终与特定的阈值进行比较，检测FoG事件	93.41	97.57	97.56
文献［35］方法	8	7名PD患者和 1名健康对照者	IMU（分别安置在左下肢和右下肢）	通过DWT识别步态异常	60.61	86.66
文献［36］方法	88	PD患者：25名男性和 23名女性；健康对照组： 22名男性和18名女性	三轴加速度计（左膝和右膝）	使用4种分类算法进行分类，决策树的分类器的准确率最高	92.86	90.91	88.46

Survey of Parkinson’s disease auxiliary diagnosis methods based on gait analysis

基于步态分析的帕金森病辅助诊断方法综述

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 13

References 60

Related Articles 15

Recommended Articles

Metrics

数据集	数据类型	受试者数	实例数	基本活动
CMU MoBo（Carnegie Mellon University Motion of Body）^［43］	人体轮廓	25	600	慢步行、快步行、斜步行、带球步行
CASIA-A（CASIA dataset（A））^［44］	RGB	20	240	正常行走
CASIA-B（CASIA dataset（B））^［45］	RGB、人体轮廓	124	13 680	正常行走、背包、穿外套
USF HumanID（University of South Florida Human IDentification）^［46］	RGB	122	1 870	户外行走、携带公文包、不同时间间隔
OU-MVLP（Osaka University Multi-View Large Population） Pose^［47］	骨骼序列	10 307	259 013	正常行走

方法	受试者数	受试者情况	数据类型	实验方法	实验结果/%
方法	受试者数	受试者情况	数据类型	实验方法	精确率	准确率
文献［49］方法	124	CASIA-B数据集	连续的人体轮廓生成CSD-maps	利用CNN从CSD-maps中学习步态事件，对步态进行分类，实验结果显示，在90°视角下，使用6张连续的CSD-maps准确率最高		96.78
文献［50］方法	60	其中18名为PD患者	RGB图像（只包含腿和脚）	利用3D-CNN提取帧序列的多层次特征，使用特征融合对多层次特征在时间和空间维度上进行聚合	92.10	90.80
文献［51］方法	124	CASIA-B数据集	步态能量图像（Gait Energy Image， GEI）	应用PixelDTGAN模型，提出了GaitGAN方法， GAN模型作为回归器，生成不变步态图像		62.80
文献［52］方法	约4 124	OULP数据集约有4 000名； CASIA-B数据集有124名	步态轮廓图像	提出DeepGait方法，将原始轮廓图像进行归一化，检测步态周期，将步态周期送入VGG-D进行步态识别		94.30
文献［53］方法	124	CASIA-B数据集	人体轮廓	使用一个具有两级结构的3D-CNN识别多视角下的步态	96.10

[1]	Yichi CHEN, Bin CHEN. Review of lifelong learning in computer vision [J]. Journal of Computer Applications, 2023, 43(6): 1785-1795.
[2]	Xin JIN, Yangchuan LIU, Yechen ZHU, Zijian ZHANG, Xin GAO. Sinogram inpainting for sparse-view cone-beam computed tomography image reconstruction based on residual encoder-decoder generative adversarial network [J]. Journal of Computer Applications, 2023, 43(6): 1950-1957.
[3]	Runting DONG, Li WU, Xiaoying WANG, Tengfei CAO, Jianqiang HUANG, Qin GUAN, Jiexia WU. Review of application analysis and research progress of deep learning in weather forecasting [J]. Journal of Computer Applications, 2023, 43(6): 1958-1968.
[4]	Yang LIU, Zhiyang LU, Jun WANG, Jun SHI. Gibbs artifact removal algorithm for magnetic resonance imaging based on self-attention connection UNet [J]. Journal of Computer Applications, 2023, 43(5): 1606-1611.
[5]	Qinghai XU, Shifei DING, Tongfeng SUN, Jian ZHANG, Lili GUO. Improved capsule network based on multipath feature [J]. Journal of Computer Applications, 2023, 43(5): 1330-1335.
[6]	Xianlan WANG, Jinkun ZHOU, Nan MU, Chen WANG. Cross-view geo-localization method based on multi-task joint learning [J]. Journal of Computer Applications, 2023, 43(5): 1625-1635.
[7]	Liyao FU, Mengxiao YIN, Feng YANG. Transformer based U-shaped medical image segmentation network： a survey [J]. Journal of Computer Applications, 2023, 43(5): 1584-1595.
[8]	Guangyi DOU, Fanan WEI, Chuangyi QIU, Jianshu CHAO. Tracking appearance features based on attention self-correlation mechanism [J]. Journal of Computer Applications, 2023, 43(4): 1248-1254.
[9]	Jianqing GAO, Yanhui TU, Feng MA, Zhonghua FU. Progressive ratio mask-based adaptive noise estimation method [J]. Journal of Computer Applications, 2023, 43(4): 1303-1308.
[10]	Xu ZHANG, Long SHENG, Haifang ZHANG, Feng TIAN, Wei WANG. Pre-hospital emergency text classification model based on label confusion [J]. Journal of Computer Applications, 2023, 43(4): 1050-1055.
[11]	Xiaoyu FAN, Suzhen LIN, Yanbo WANG, Feng LIU, Dawei LI. Reconstruction algorithm for highly undersampled magnetic resonance images based on residual graph convolutional neural network [J]. Journal of Computer Applications, 2023, 43(4): 1261-1268.
[12]	Haiyu YANG, Wenpu GUO, Kai KANG. Signal modulation recognition method based on convolutional long short-term deep neural network [J]. Journal of Computer Applications, 2023, 43(4): 1318-1322.
[13]	Zhoubo XU, Puqing CHEN, Huadong LIU, Xin YANG. Deep graph matching model based on self-attention network [J]. Journal of Computer Applications, 2023, 43(4): 1005-1012.
[14]	Cheng FANG, Bei LI, Ping HAN, Qiong WU. Fine-grained emotion classification of Chinese microblog based on syntactic dependency graph [J]. Journal of Computer Applications, 2023, 43(4): 1056-1061.
[15]	Jiangfeng ZHANG, Tao YAN, Bin CHEN, Yuhua QIAN, Yantao SONG. Multi-depth-of-field 3D shape reconstruction with global spatio-temporal feature coupling [J]. Journal of Computer Applications, 2023, 43(3): 894-902.

方法	受试者数	受试者情况	传感器	实验方法	实验结果/%
方法	受试者数	受试者情况	传感器	实验方法	敏感性	特异性	准确率
文献［37］方法	20	PD患者	微型印刷电路板（包含三轴加速度计和一个微型处理器，安装在鞋垫底部）	采用时域检测算法，使用1D垂直加速度信号或所有的3D信号进行FoG检测，与传统的频域算法进行比较	85.80	85.80
文献［38］方法	20	PD患者：14名男性和6名女性	压力传感器、三轴加速度计	使用OpenGo内部的算法，分析压力、力和加速度，自动检测FoG	96.00	94.00
文献［40］方法	5	PD患者： 5名男性	FScan压力感应鞋垫	将左右脚的FScan压力框连接成一个60×42压力阵列，每一帧都被看作是一个二维图像，使用CNN对步态进行分类	94.30	95.10
文献［41］方法	1	记录1个人在 6种不同情况下的步态序列	基于Velostat的可穿戴足部压力传感器	通过测量足部的压力分布，分析主要参数评估步态，其中步态模式可以通过在时域分析传感器信号，并提取主要参数进行监测			94.00

方法	受试者数	受试者情况	传感器	实验方法	实验结果/%
方法	受试者数	受试者情况	传感器	实验方法	敏感性	特异性	准确率
文献［37］方法	20	PD患者	微型印刷电路板（包含三轴加速度计和一个微型处理器，安装在鞋垫底部）	采用时域检测算法，使用1D垂直加速度信号或所有的3D信号进行FoG检测，与传统的频域算法进行比较	85.80	85.80
文献［38］方法	20	PD患者：14名男性和6名女性	压力传感器、三轴加速度计	使用OpenGo内部的算法，分析压力、力和加速度，自动检测FoG	96.00	94.00
文献［40］方法	5	PD患者： 5名男性	FScan压力感应鞋垫	将左右脚的FScan压力框连接成一个60×42压力阵列，每一帧都被看作是一个二维图像，使用CNN对步态进行分类	94.30	95.10
文献［41］方法	1	记录1个人在 6种不同情况下的步态序列	基于Velostat的可穿戴足部压力传感器	通过测量足部的压力分布，分析主要参数评估步态，其中步态模式可以通过在时域分析传感器信号，并提取主要参数进行监测			94.00

方法	受试者数	受试者情况	数据类型	实验方法	实验结果/%
方法	受试者数	受试者情况	数据类型	实验方法	敏感性	特异性	准确率
文献［42］方法	199	其中157名是基于MDS-UPDRS； 42名用于测试	骨骼序列	将骨骼序列输入2s-ST-AGCN模型，将它分为关节流和骨流，分别送入独立的ST-GCN结构中对PD步态进行分类			98.90
文献［55］方法		Kinect数据集；NTU RGB+D 数据集含有40名受试者	骨骼序列	提出ST-GCN，在骨骼序列上构建时空图，应用ST-GCN，在图上生成高级特征，最后由标准的Softmax分类器分类相应动作类别			88.30
文献［56］方法	45	全部为PD患者	视频帧	使用GCN，并使用解剖关节图描述FoG的步态模式	81.90	82.10	82.10
文献［57］方法	124	CASIA-B数据集	RGB 图片	提出GaitGraph方法，通过HRNet提取骨骼序列，将该序列输入ResGCN嵌入步态特征			87.70
文献［60］方法		SBU Kinect数据集；NTU RGB+D 数据集含有40个对象	骨骼序列	使用STA-LSTM网络，使用时空注意力模块关注人体骨骼关键特征，并引入正则化的交叉熵损失驱动模型学习			91.51

方法	受试者数	受试者情况	数据类型	实验方法	实验结果/%
方法	受试者数	受试者情况	数据类型	实验方法	敏感性	特异性	准确率
文献［42］方法	199	其中157名是基于MDS-UPDRS； 42名用于测试	骨骼序列	将骨骼序列输入2s-ST-AGCN模型，将它分为关节流和骨流，分别送入独立的ST-GCN结构中对PD步态进行分类			98.90
文献［55］方法		Kinect数据集；NTU RGB+D 数据集含有40名受试者	骨骼序列	提出ST-GCN，在骨骼序列上构建时空图，应用ST-GCN，在图上生成高级特征，最后由标准的Softmax分类器分类相应动作类别			88.30
文献［56］方法	45	全部为PD患者	视频帧	使用GCN，并使用解剖关节图描述FoG的步态模式	81.90	82.10	82.10
文献［57］方法	124	CASIA-B数据集	RGB 图片	提出GaitGraph方法，通过HRNet提取骨骼序列，将该序列输入ResGCN嵌入步态特征			87.70
文献［60］方法		SBU Kinect数据集；NTU RGB+D 数据集含有40个对象	骨骼序列	使用STA-LSTM网络，使用时空注意力模块关注人体骨骼关键特征，并引入正则化的交叉熵损失驱动模型学习			91.51