基于卷积神经网络和室内自行车骑行数据的早期帕金森病分类研究

《Scientific Reports》：Convolutional neural networks-based early Parkinson’s disease classification using cycling data from a steerable indoor bicycle

　　本研究针对早期帕金森病(PD)临床诊断困难、误诊率高(15%-24%)的问题，开发了一种基于CNN模型的非侵入性辅助诊断方法。研究人员利用特制自行车平台(Ultiracer)采集29名PD患者和36名健康对照(HC)骑行时的动力学(力/力矩)和运动学(速度/横向位移)数据，结合个人信息构建多分支1D-CNN模型。结果表明该模型在5折交叉验证中达到86.1%的准确率，为早期PD筛查提供了安全、定量化的监测工具，兼具康复治疗潜力。

　　

在神经退行性疾病领域，帕金森病(Parkinson's disease, PD)如同一个隐匿的"时间小偷"，逐渐侵蚀着患者的运动功能和生命质量。全球65岁以上人群中，有3%-5%深受其扰，而当前诊断主要依赖临床症状观察和医学影像学检查，存在明显局限性：短暂的医疗访视难以捕捉症状波动，早期误诊率高达15%-24%，且黄金标准检查如多巴胺转运体单光子发射计算机断层成像(DaT-SPECT)成本高昂、可及性差。更令人困惑的是，临床观察发现一个奇特现象——即使出现严重步态冻结的PD患者，仍能保持骑自行车的能力。这暗示骑行运动可能涉及不同于行走的神经机制，为早期PD检测提供了全新视角。

为解决这一难题，韩国大学医学院研究团队在《Scientific Reports》发表创新性研究，开发了一套基于卷积神经网络(Convolutional Neural Network, CNN)的PD分类系统。该研究招募29名经FP-CIT PET/CT确诊的早期PD患者(Hoehn and Yahr分期平均1.90±0.5)和36名健康对照，利用特制自行车平台Ultiracer采集骑行数据。平台通过可横向滑动的立柱模拟户外骑行体验，配备两个6轴力-力矩传感器(分别位于头管垫圈和座管)监测用户与自行车的相互作用力，结合红外测距传感器和编码器记录横向位置及速度。每个参与者完成3次30秒骑行试验，提取中间20秒有效数据，最终获得17,745个2秒数据样本(90%重叠率)用于模型训练。

关键技术方法包括：1）多模态数据采集：通过定制自行车平台获取力/力矩/速度/位置时间序列数据，结合受试者个人信息(性别/年龄/身高/体重)；2）信号处理：采用最小-最大归一化预处理，分层5折交叉验证确保模型泛化能力；3）多分支1D-CNN架构：包含6个独立输入分支(头管力/力矩、座管力/力矩、横向位置、速度)，通过卷积块融合时空特征后与个人信息联合分类。

模型性能评估

研究采用两种评估策略：受试者级别(超过50%数据样本分类正确即认定该受试者分类正确)和数据集级别(每个2秒样本独立评估)。5折交叉验证显示，CNN模型在受试者级别达到86.1%准确率(精确度0.900，召回率0.833)，数据集级别准确率为80.7%。图5和图6的混淆矩阵直观展示了各折的分类结果一致性，证明模型具有稳健的判别能力。

输入数据贡献度分析

通过系统性剔除实验(图8)，研究发现横向位置信号对分类性能影响最大：排除后准确率下降21.56%(受试者级别)和27.26%(数据集级别)。这表明PD患者在维持骑行横向稳定性时表现出特有的运动控制模式，可能与已知的姿势控制障碍机制相关。所有输入模态的排除均导致性能下降，验证了多模态数据融合的必要性。

讨论与结论

本研究开创性地将自行车骑行动力学与CNN结合，为早期PD检测提供了新范式。相较于MRI、EEG等传统方法，该系统的优势在于：无需身体附着传感器、无校准负担、跌倒风险低，且骑行本身具有康复效益。尤其重要的是，研究对象以轻度PD患者为主(H&Y分期≤2)，证实模型对早期病例的敏感性。横向位置信号的关键作用提示PD患者可能更依赖视觉反馈维持动态平衡，这为理解早期运动控制缺陷提供了新线索。

未来工作可进一步探索模型在康复监测中的应用，结合骑行训练实现"评估-干预"闭环管理。尽管样本量有待扩大，但本研究证实了基于骑行数据分析的PD辅助诊断可行性，为开发居家式长期监测系统奠定了理论基础，有望弥补临床访视间隙的监测空白，推动神经退行性疾病的早期干预策略发展。