Parkinson's disease
PulseAugur coverage of Parkinson's disease — every cluster mentioning Parkinson's disease across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
AI 从家庭视频中估算帕金森病转体角度
研究人员开发了一种深度学习方法，使用单个单目摄像头视频来估算帕金森病（PD）严重程度评估的转体角度。该方法从视频中提取3D骨骼，计算髋关节和膝关节的旋转，并在自由生活家庭视频的数据集上实现了41.6%的转体计算准确率，平均绝对误差为34.7°。这项工作首次在家居环境中量化帕金森病患者的转体，旨在提供比传统基于诊所的评估更敏感的疾病进展指标。
-
新论文详述用于早期神经退行性疾病检测的 डेटा-驱动技术
一篇新的 arXiv 论文回顾了用于阿尔茨海默病和帕金森病等神经退行性疾病早期检测和个性化治疗的 डेटा-驱动技术。该论文由 Snigdhansu Chatterjee 撰写，将这些方法组织成四大支柱，强调它们在创建具有临床应用价值的个体大脑健康模型方面的融合。它还强调了该领域剩余的统计、计算和临床挑战。
-
自主视觉辅助帕金森病步态冻结检测
研究人员开发了一种利用自主视觉和可穿戴传感器检测帕金森病患者步态冻结（FOG）的方法。该研究涉及13名在家中的参与者，发现基于IMU的TCN模型表现最佳，而来自V-JEPA2的自主视频特征在捕捉与FOG相关的上下文信息方面显示出潜力。这表明结合自主视觉和可穿戴传感器可以增强对居家日常活动的临床运动理解。
-
AI模型使用腕部传感器进行帕金森病筛查
研究人员开发了一种新颖的注意力机制，可使用可穿戴传感器更准确、更高效地筛查帕金森病。该方法在arXiv论文中有所详述，处理来自腕戴式惯性测量单元（IMU）的数据，以区分健康个体、帕金森病患者以及患有类似疾病的人。该系统实现了高精度，尤其是在识别帕金森病方面，并且即使在标记数据有限的情况下也表现出接近饱和的性能，使其适合在Raspberry Pi 4等设备上进行实时边缘部署。
-
AI模型无需标签即可通过面部和语音筛查帕金森病
研究人员开发了一种新颖的方法，仅使用面部表情和语音分析来筛查帕金森病，无需直接的PD标签。该方法利用了冻结的预训练编码器，特别是用于面部数据的Vision Transformer和用于语音的HuBERT。当融合两种模态时，该系统实现了0.802的AUROC，显示出在临床环境中进行排除性分诊的潜力。
-
名人被敦促利用影响力倡导公共卫生
包括运动员和演员在内的公众人物，有责任利用他们的影响力为公众利益服务，特别是在健康倡导方面。虽然名气不等于专业知识，但他们与数百万人的联系能力使他们成为重要健康议题的有力讲述者。这种影响力应负责任地运用，与专家合作，避免放大耸人听闻的说法，以打击健康错误信息。
-
深度学习利用最少IMU数据估算帕金森步态力
研究人员开发了一种新颖的深度学习框架，利用最少数量的可穿戴惯性测量单元（IMU）来估算帕金森病（PD）患者的地面反作用力（GRFs）。该方法旨在为传统的基于实验室的步态分析提供一种更实用、更易于获取的替代方案。研究发现，混合CNN-BiLSTM模型在估算垂直GRFs方面取得了高精度，最佳传感器位置在帕金森病患者和健康对照者之间有所不同。仅使用两个IMU的配置足以对帕金森病患者进行稳健估算，为临床评估和远程监测提供了可扩展的解决方案。
-
研究发现帕金森病会损害打字错误后的运动恢复
研究人员开发了一种方法，通过分析按键动力学来区分帕金森病患者的错误监测和运动恢复。通过分析来自 neuroQWERTY MIT-CSXPD 数据集的打字数据中的退格事件，他们发现，尽管错误前的不稳定性与疾病严重程度无关，但错误后的恢复时间却显著受损。这种可以通过日常打字检测到的分离现象，与表明帕金森病中涉及不同神经回路的错误检测和运动调整的证据一致。
-
Agentic AI aids discovery in large-scale sleep physiology research
研究人员开发了一个名为 AI Sleep Co-Scientist 的人工智能系统，用于分析来自 124,000 多份多导睡眠图记录的大规模睡眠生理学数据。这个专家指导的环境使用专业代理来协助人类科学家进行假设开发、数据预处理和统计分析。该系统已识别出睡眠期间生理耦合减弱与帕金森病和阿尔茨海默病风险增加之间的关联，并已对失眠和睡眠呼吸暂停等疾病的觉醒动力学进行了表征。
-
复星医药子公司帕金森病药物获批进行临床试验
复星医药宣布，其子公司复星万邦已获得国家药品监督管理局批准，可以对DM1001进行临床试验，这是一种用于治疗成人特发性帕金森病的药物。计划在中国条件成熟时启动I期临床试验。另外，中国已将包括Lafayette Group在内的14个欧盟实体列入出口管制清单，禁止向其转移军民两用物品，以维护国家安全和履行国际义务。
-
新基准测试规范了从语音检测早期帕金森病的方法
研究人员推出了一项新基准测试，旨在规范和改进利用语音检测早期帕金森病的效果评估。该基准测试通过提供数据集、语言、任务和评估协议的通用框架，解决了现有研究中的不一致问题。它旨在促进公平且可复现的方法间比较，并提供多维度细分，以支持临床应用和开发可靠的基于语音的诊断工具。
-
新的Level 5方法使用PCA分析帕金森氏症的步态动力学
研究人员开发了一种名为Level 5的新方法，用于分析帕金森氏症患者的步态动力学。该方法使用主成分分析（PCA）来近似步态数据中观察到的转换，区分可观察的性能和内部预测近似。该研究训练了一个前馈神经网络来根据各种测量预测步态坐标，发现该模型保留了不同咬合条件下位移的层次结构。然而，这些发现是探索性的，并未建立因果关系或提供临床预测能力。
-
可解释机器学习利用MRI和fMRI预测帕金森病严重程度
研究人员开发了一种可解释的机器学习模型，能够利用QSM MRI和多频多回波fMRI特征的组合来预测帕金森病的运动严重程度。研究发现，仅影像学模型显示出显著的预测能力，QSM和临床变量的组合解释了运动严重程度45.4%的方差。具体而言，选定的QSM和临床特征最有效，能够预测75.0%参与者在5分范围内的运动严重程度，其中小脑、丘脑、纹状体、脑岛和运动皮层是关键特征。
-
新的西班牙语语音语料库旨在改善神经系统疾病的自动语音识别
研究人员推出了 S-DiverSe，这是一个新的西班牙语语音数据语料库，专门用于改进针对神经系统疾病患者的自动语音识别 (ASR)。该数据集包含 3.2 小时的野外录音，来自 22 名患有肌萎缩侧索硬化症、帕金森病和中风的西班牙语使用者。S-DiverSe 包含 444 个转录的音频片段，并附有说话者特征和病症的元数据，旨在促进针对这一具有挑战性的语音领域的 ASR 开发和评估。初步实验表明，文本后处理方法比微调更能有效地使 ASR …
-
神经形态控制器为帕金森病提供节能自适应DBS
研究人员开发了一种新颖的神经形态硅神经元控制器，名为SiLIF-DBS，用于帕金森病患者的自适应脑深部刺激（aDBS）。该控制器采用CMOS技术实现，旨在通过跟踪症状波动，为DBS提供更智能、更节能的解决方案。在模拟中，SiLIF-DBS控制器能有效抑制大脑中的病理性β活动，同时比传统的开环刺激方法消耗的能量显著减少。
-
新框架利用ECoG和EEG数据改进帕金森病分类
研究人员开发了一种新的交换对抗框架，旨在提高使用皮层脑电图（ECoG）和脑电图（EEG）数据进行帕金森病分类的准确性。该框架通过整合强大的预处理、一种新颖的受试者间平衡通道交换（ISBCS）进行增强，以及领域对抗学习（DAL）以减少受试者特异性偏差，来解决高受试者间变异性和高维低样本量问题。实验表明，该框架在各种设置下始终优于现有方法，在可变环境和不同数据集上表现出强大的泛化能力。
-
AI研究解决生物数据中的叠加问题以提高可解释性
研究人员开发了一种新方法，使用稀疏自编码器（SAEs）来解决人工智能中的叠加问题，特别是在高维生物数据中。该技术旨在通过净化潜在空间（通常被叠加破坏）的几何保真度来提高可解释性并对齐跨模态数据。该方法应用于与帕金森病相关的患者来源的神经元图像超过10万张。此外，还引入了一个名为GW-map的新工具，该工具使用Gromov-Wasserstein最优传输将图像表示与单细胞RNA测序数据对齐，从而无需参考空间转录组学即可重建分层神经病理学通路。
-
神经形态学习将脑深部电刺激能耗降低 80%
研究人员开发了一种用于自适应脑深部电刺激 (DBS) 的节能学习方法，以治疗帕金森病。该方法将执行器的能耗直接纳入强化学习奖励中，从而优化了刺激能耗和推理效率。在电路模型上训练的深度脉冲 Q 网络在与连续 DBS 相比，在减少病理性振荡方面实现了 45.2% 的降低，同时将刺激电荷降低了 80.0%。该策略被压缩到 SynSense XyloAudio 3 神经形态处理器上，实现了比传统硬件显著更低的能耗。
-
基于视频的系统无需穿戴设备即可计数帕金森病患者步数 · 已追踪 2 个来源
研究人员开发了一种新颖的基于视频的框架，可被动地计算帕金森病患者的步数，解决了当前基于穿戴式设备方法的局限性。该系统利用 3D 人体网格恢复从足部运动信号估计初始步数，并利用光流和交叉注意力机制优化这些估计，以捕捉细粒度的步态动力学。通过采用多实例学习，该框架整合了剪辑式运动嵌入来预测剩余步数，在真实世界帕金森病转弯数据集上表现出卓越的性能。
-
逆向强化学习在击键动力学中识别帕金森病生物标志物
研究人员已将逆向强化学习（IRL）应用于击键动力学，以识别帕金森病（PD）的生物标志物。这种新颖的方法模拟打字行为以恢复可解释的奖励函数，这与依赖汇总统计数据的先前方法不同。从该模型恢复的速度偏好权重与PD的严重程度显着相关，并在各种验证测试中保持一致。