冻结步态（FoG）是帕金森病（PD）患者最常见的致残症状之一。冻结步态是一种短暂发作性的步态受阻,常表现为患者起始犹豫,迈步不能,突然难以行走。这种情况在步态开始、转弯和通过狭窄空间时更为常见。Fog严重影响行动能力，导致跌倒，降低生活质量。利用激光等物理疗法来缩短冷冻发作的持续时间。预测Fog并触发治疗是物理疗法中最有前途的策略之一。临床相关的受损步态模式已用于步态识别、运动分类和PD分类。在帕金森病步态损伤的研究中，受损的步态参数如时空参数已显示出与疾病状况的相关性。这些结果表明，受损的步态模式可以进一步揭示患者的疾病信息。在本研究中，提出一种利用受损步态模式建立高精度低延迟FoG 预测模型的方法。

12例原发性帕金森病患者才能与本次实验。实验前，所有参与者都接受了一位经验丰富的神经学家的临床评估，包括病史和神经学检查。患者左旋多巴停药超过12小时或多巴胺能激动剂停药超过12小时。加速度信号沿着三个正交轴（垂直轴（VT）、中外侧轴（ML）和前后轴（AP））在100Hz下采样。加速计用皮带牢牢地固定在患者第三腰椎棘突（L3）处的下背部。选择L3作为传感器位置是因为它非常接近重心，这通常被用来反映PD患者步态期间的全身平衡和稳定性。患者被要求沿着一条设计好的路径行走，这条路径包含几个引起Fog的行走任务，包括直线行走，90° 转弯，180° 转弯，穿过门口，穿过狭窄的空间。

受试者行为路径

FoG发作由两名具有FoG专业知识的神经学家标记。FoG的开始被定义为步态的突然停止，通常伴随着腿颤抖。FoG的结束被定义为病人恢复正常步态的时间。采用基于步长的分割方法将步态信号分割成连续的步态。使用VT方向加速度信号的峰值检测对一个步态步骤进行分割。从每个窗口提取常规FOg检测特征和受损步态特征。采用统一标记方法和个性化标记方法对每个特征进行标记。利用机器学习技术建立了四种Fog预测模型.使用受损步态特征和个性化标记方法进行FoG预测模型训练的效果最好（D模型，患者依赖性测试准确率为82.7%，患者独立性测试准确率为77.9%）。当采用受损步态特征作为训练特征集或个性化标记方法时，FoG预测模型（模型B或模型C）的准确率低于模型D，但优于用常规特征集和统一标记建立的模型（模型A）。此外，利用基于步长的特征，所有Fog预测模型的平均延迟时间均较低（0.93秒）。

Fog预测模型需要低潜伏期，为患者提供准备姿势调整的能力；因此，分割需要更小的窗口。使用基于步长的分割方法， 将潜伏期缩短到一个步态周期的长度，在本研究中为0.93秒。信号通常是用固定的时间窗口分割的.经过个性化Fog标记训练的Fog分类模型比经过统一标记训练的模型具有更高的性能，表明基于不同疾病状况的预雾标记可以提高模型的性能。模型的表现因个体而异，这可能是由于不同的行走方式或不同的疾病状况造成的。与EEG和SC相比，加速计更容易使用，价格也更便宜，这为帮助患者在日常生活中提供更早的病情提示提供了可能。

本研究提出了一种利用受损步态模式和个性化标记建立机器学习模型的方法，以期在短潜伏期内准确预测Fog,可应用于临床治疗。

Y. Zhang, W. Yan, Y. Yao, J. B. Ahmed, Y. Tan and D. Gu, "Prediction of Freezing of Gait in Patients With Parkinson’s Disease by Identifying Impaired Gait Patterns," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 3, pp. 591-600