帕金森與健康人相關數據和處理方法(一些文獻的記錄)

主要的帕金森腦電數據進行一些分類分析的文章。

帕金森病 2004 年至 2023 年腦電圖研究的文獻計量分析對于研究的分析以及關鍵研究和趨勢
從腦電圖信號中檢測帕金森病，采用離散小波變換、不同熵度量和機器學習技術
使用機器學習和深度學習方法分析不同模態的數據以診斷帕金森病：綜述
帕金森病檢測基于多模式分析和多尺度卷積神經網絡
帕金森病在 195 個國家和地區至 2050 年的患病率預測及其驅動因素：全球疾病負擔研究 2021 年建模研究
基于靜息態腦電圖深度學習的帕金森病檢測
帕金森病檢測：基于靜息態腦電圖信號、常用空間模式、熵和機器學習技術

數據集:

帕金森病數據集(國內外合作,有T1掃描靜息態)

下面的兩個數據是常用的用于靜息態腦電信號的帕金森病檢測研究。

對于帕金森數據的參考文獻和數據集來源。

本研究使用了兩個開源的腦電圖（EEG）數據集來測試所提出的方法。
San Diego
加利福尼亞大學的圣地亞哥分校提供了第一個數據集 37,38 。為簡化起見，該數據集被稱為圣地亞哥數據集。表 2 包含了屬于該數據集的患者和對照人群的參與者人口統計學信息。在數據收集過程中，該數據集的受試者被要求舒適地坐著，通過注視屏幕上的十字來放松。該數據集由兩個組組成。第一組包含 16 名健康個體的腦電圖，而第二組包含 15 名帕金森病（PD）患者的腦電圖。PD 患者的右手優勢、性別、年齡和認知能力與 HC（健康對照）的評估結果非常相似，評估方法為簡易精神狀態檢查（MMSE）和北美成人閱讀測試（NAART）。每位患者的病程平均為 4.5 至 3.5 年，嚴重程度從輕度到重度不等（根據 Hoehn 和 Yahr 量表 II 和 III）。在兩個不同的日子，收集了 PD 患者在服藥和未服藥時的腦電圖數據。健康受試者僅自愿參與一次。在 512 Hz 的采樣頻率下，使用 32 通道的 Biosemi 主動腦電圖系統采集腦電圖數據，至少持續 3 分鐘。使用 EEGLAB 軟件，移除了每個通道的均值，并將所有數據重新參考到平均參考。使用 0.5 Hz 的高通濾波器以最小化低頻漂移。手動分析了眼動、肌肉活動、電氣噪聲和其他噪聲偽影，并將其消除。

UNM數據集
54名參與者，54分鐘記錄

d002: Parkinson’s Rests (27名患者，靜息態，2分鐘)
d001: Parkinson’s Oddball (25名患者，聽覺oddball任務)
d013: PD LPC Rest (41名患者，靜息態)
d014: PD Interval Timing (92名參與者，時間間隔任務)

第二組數據來源于新墨西哥大學（UNM；新墨西哥州阿爾伯克基）的一項研究。為方便起見，該數據集被稱為 UNM 數據集。該數據集包括 27 名帕金森病（PD）患者和 27 名性別數量相等的健康人。表 2 還包含了屬于該數據集的患者和對照人群的人口統計學信息。PD 組在相隔七天后兩次返回實驗室：一次在服藥期間，另一次在停用各自特定的多巴胺能藥物處方 15 小時后。因此，該數據集包含了 27 名帕金森病患者在服藥和停藥期間的信息。對于每位患者和對照，采集了持續兩分鐘的數據；首先要求他們閉眼一分鐘，然后要求他們睜眼記錄一分鐘。使用 64 個 Ag/AgCl 通道，以 500 Hz 的采樣率獲取腦電圖（EEG）數據。采用在線 CPz 參考和 AFz 端接地，使用 Brain Vision 數據采集系統。論文 40 詳細介紹了數據采集方法。為分析和評估所提出的技術，我們使用了兩個數據集中可用的 32 通道腦電圖（EEG）數據（見圖 2）。圖 3 展示了非帕金森病（off-PD）、帕金森病（on-PD）和健康對照（HC）的電極圖和腦電圖功率譜密度（以對數尺度表示）。電極圖顯示了三個不同的任意頻率：6Hz、10Hz 和 22Hz。通常，低頻譜的功率密度高于高頻譜的功率密度。比較這三個圖譜時，可以看到不同的功率譜密度模式。
新墨西哥大學數據
靜息態和 3 刺激聽覺偶發數據，包括 25 名帕金森病患者和 25 名匹配對照者。在.xls 表格中還有一些受試者沒有參與這項任務的腦電圖數據。C’est la vie。帕金森病患者分兩次參加，間隔一周，分別服用藥物（ON）或不服用藥物（OFF）。對照組只參加一次。任務使用 Matlab 編程語言實現，包含睜眼和閉眼的指示。在任務前，會進行一分鐘的開眼（OC）或閉眼（CO）指令，并記錄觸發信號。數據采集于 2015 年左右，地點是新墨西哥大學認知節律與計算實驗室。受試者最易顫抖的手上貼有加速度計，記錄 X、Y、Z 三個維度的數據。更多元數據請查看代碼文件夾下的.xls 表格。此外還有代碼可以復現該論文。

愛荷華大學帕金森病EEG數據集（無法直接網頁獲取，需要郵箱聯系）
數據集基本信息：
包含14名帕金森病患者和14名健康對照者的EEG數據 Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings - PubMed +2
該數據集來自愛荷華大學（University of Iowa, UI）在愛荷華市進行的研究 Parkinson Speech Dataset Dataset | Papers With Code
EEG數據采樣頻率為0.1到多個頻段 (PDF) Collection and Analysis of a Parkinson Speech Dataset With Multiple Types of Sound Recordings
數據獲取方式：
直接聯系研究團隊
聯系郵箱：nandakumar-narayanan@uiowa.edu KaggleNature
這是愛荷華大學Narayanan實驗室的數據聯系郵箱
學術引用和使用
該數據集在多篇學術論文中被引用，通常標記為"UI"數據集 Collection and analysis of a Parkinson speech dataset with multiple types of sound recordings - PubMed
已被用于多項帕金森病EEG分析研究
建議步驟：
發郵件給 nandakumar-narayanan@uiowa.edu 說明你的研究目的和用途
可能需要簽署數據使用協議
說明你的機構信息和研究背景
這個數據集在帕金森病EEG研究領域相當知名，被多篇高質量論文使用。由于是醫療數據，通常需要通過正式渠道申請獲取。

那拉揚實驗室
在這個列表中提供了文章和代碼，附有帕金森的相關文章和數據。
可以說非常的全面了。
下面這些相關文章也值得推薦。
靜息態腦電圖測量帕金森病的認知障礙
Resting-state EEG measures cognitive impairment in Parkinson’s disease
顯著性網絡與帕金森病的認知障礙
Salience network and cognitive impairment in Parkinson’s disease
靜息態腦電圖區分帕金森病抑郁癥
Resting-state EEG distinguishes depression in Parkinson’s disease的論文，數據和代碼。

國內非eeg的競賽數據

第一篇（PD和腦電圖的核心相關文獻04-23的統計）

文章分析源:數據來源于 Web of Science 核心合集中的科學引文索引擴展版，聚焦于 2004 年至 2023 年間與帕金森病（PD）腦電圖（EEG）研究相關的文獻。

總結 PD 領域 EEG 研究的現狀。通過高頻關鍵詞共現分析和聚類分析，關鍵詞被用于識別該領域當前感興趣的研究主題。最后，識別出爆發型關鍵詞，以揭示該領域的新興趨勢和研究前沿，突出興趣點的轉變，并確定未來的研究方向。

領域相關學校和作者：倫敦大學在發表數量方面居領先地位，加利福尼亞大學緊隨其后。發表數量最多的作者為 Brown P、Fuhr P 和 Stam C。

在總引文數和每篇論文引文數方面，Stam C 的引文數最多，而 Brown P 的 H 指數最高。在發表總數方面，《臨床神經生理學》Clinical Neurophysiology 是領先期刊，而《腦》Brain 是引用率最高的期刊。

腦電圖分析軟件工具箱、神經振蕩和帕金森病病理生理學研究。

神經振蕩和連接性研究、腦電圖分析創新研究、治療對腦電圖的影響研究，以及認知和情緒評估研究。

神經振蕩和連接性的研究仍然是研究的主要焦點。機器學習、深度學習和任務分析技術的應用為腦電圖和帕金森病未來的研究提供了有前景的途徑，表明該領域有潛在的進步空間。

本文關于pd的描述

帕金森病（PD）是全球第二常見的中樞神經退行性疾病。它主要影響黑質紋狀體多巴胺能系統，并伴隨其他非多巴胺能神經回路的退化（Hayes，2019）。該疾病的主要臨床表現為運動和非運動癥狀，這些癥狀嚴重影響患者的生活質量和生存時間（Reich 和 Savitt，2019）。異動癥的診斷主要基于臨床評估，包括識別特征性運動癥狀，如運動遲緩、震顫、僵硬、姿勢不穩和步態障礙（Bloem 等，2021）。將遺傳標記與 MRI 和 DAT-SPECT 等成像技術相結合，有助于將 PD 與其他類似運動障礙區分開來。此外，嗅覺減退和快速眼動睡眠行為障礙等非運動癥狀在早期 PD 的診斷中具有重要價值。

腦電圖（EEG）是一種關鍵的非侵入性方法，用于評估腦活動，具有高時間分辨率，能夠捕捉腦過程中快速動態變化（Waninger 等人，2020）。它特別適用于研究神經振蕩、腦網絡連接以及各種刺激或認知任務對腦功能的影響。

在帕金森病（PD）中，運動控制嚴重依賴于皮層區域之間的同步化和功能連接，這些受到黑質-紋狀體-丘腦回路動力學的影響（Lalo 等人，2008）。這意味著 EEG 可以作為一種非侵入性和動態的工具，用于檢測 PD 患者皮層區域之間的同步化和功能連接，以監測治療反應和潛在的疾病進展。

搜索和納入的文章

數據檢索策略總結如下：#1：TS = （“帕金森病”OR 帕金森* OR “特發性帕金森病”OR “路易體帕金森病”OR “帕金森病，路易體”OR “帕金森病，特發性”OR “帕金森病，特發性”OR “特發性帕金森病”OR “路易體帕金森病”OR “原發性帕金森病”OR “原發性帕金森病”OR “震顫麻痹”）；#2：TS = （腦電圖 OR EEG OR 腦電圖*）；最終數據集：#1 AND #2

美國、德國、英國和意大利是主要的研究貢獻者，其中美國占 26.62%（415 篇出版物），德國占 15.19%（412 篇出版物），英國占 12.44%（194 篇出版物），意大利占 11.15%（174 篇出版物）。美國在 TC、h 指數和中心性方面也位居領先，這進一步凸顯了其在該領域的明顯領導地位。值得注意的是，盡管荷蘭的發表量未進入前 5 名，但其 ACPP 最高，這表明其學術影響力和研究質量較高。

主要發表期刊

發表文章數量最多的期刊是《臨床神經生理學》，共發表 95 篇（占總數的 6.09%），其次是《運動障礙前沿》（52 篇，3.33%），以及《神經影像學》（42 篇，2.69%）。發表文章數量最多的期刊是《臨床神經生理學》，而《腦》期刊具有最高的 ACPP、最高的 H 指數和最高的影響因子（IF），表明其在研究領域具有高質量和權威性。所有期刊均被分為 Q1 或 Q2

此圖可以看到相關重要的高被引文獻。
在這里插入圖片描述
根據您提供的表格和描述，以下是與帕金森病（Parkinson’s Disease, PD）直接相關的文獻列表，并附上可訪問的原文鏈接（基于DOI或PubMed ID生成）：

研究帕金森的高被引文獻

在這里插入圖片描述

帕金森病相關文獻（共7篇）

Rank 3
標題: Parkinsonism: onset, progression, and mortality
作者: Hoehn MM, Yahr MD (1967)
類型: Editorial Material
鏈接: PubMed
（帕金森病的病程與死亡率研究）
Rank 4
標題: Slowing of EEG in Parkinson’s disease
作者: Soikkeli R et al. (1991)
類型: Article
鏈接: PubMed
（帕金森病患者的腦電圖減慢特征）
Rank 5
標題: Oscillatory Nature of Human Basal Ganglia Activity: Relationship to the Pathophysiology of Parkinson’s Disease
作者: Brown P (2003)
類型: Article
DOI: 10.1016/S1388-2457(03)00067-3
（基底節神經振蕩與帕金森病理機制）
Rank 6
標題: Pathological synchronization in Parkinson’s disease: networks, models and treatments
作者: Hammond C et al. (2007)
類型: Review
DOI: 10.1016/j.tins.2007.05.004
（帕金森病的病理性同步網絡與治療）
Rank 8
標題: Slowing of oscillatory brain activity is a stable characteristic of Parkinson’s disease without dementia
作者: Stoffers D et al. (2007)
類型: Article
鏈接: PubMed
（無癡呆帕金森病的腦振蕩減慢特征）
Rank 10
標題: Dopamine Dependency of Oscillations between Subthalamic Nucleus and Pallidum in Parkinson’s Disease
作者: Brown P et al. (2001)
類型: Article
DOI: 10.1523/JNEUROSCI.21-3-01033.2001
（帕金森病中丘腦底核-蒼白球振蕩的多巴胺依賴性）

其他相關說明

Brown P 的兩篇文獻（Rank 5 & 10）均聚焦帕金森病的神經振蕩機制，是核心研究。
圖8B中提到的爆發文獻（如Oh et al., 2020）未在表6列出，需另查。您可通過標題搜索：

“Deep Learning-Based Parkinson’s Disease Diagnosis Using EEG Signals”
非帕金森病相關文獻（如EEGLAB、Mini-Mental State等）已排除。

關鍵詞揭示和說明

根據您提供的關鍵詞列表，我將這些關鍵詞進行主題分類和重要性排序，重點關注帕金森病(PD)相關研究領域：

🧠 帕金森病核心研究主題

疾病本體
- Parkinson's disease (頻率457)
- Parkinson's disease(pd) (頻率27)
- Parkinson disease (頻率35)
  帕金森病本身是最核心關鍵詞，反映基礎病理研究
神經機制與病理特征
- Subthalamic nucleus (頻率55) - PD治療靶點
- Basal ganglia (頻率35) - PD病變核心區域
- Oscillations (頻率46) - PD特征性腦電節律異常
- Dopamine (頻率40) - PD關鍵神經遞質
- Pathological synchronization (隱含在Synchronization, 頻率24)
診斷與生物標志物
- Biomarker (頻率26)
- Quantitative eeg (頻率27)
- Coherence (頻率25) - 腦網絡連接指標
- Local field potentials (頻率23) - DBS治療監測
運動與認知癥狀
- Gait (頻率24) - PD典型運動癥狀
- Cognition (頻率34)
- Cognitive impairment (頻率19)
- Motor cortex (頻率26)

🔬 相關神經退行性疾病

Dementia with lewy bodies (頻率45) - PD相關癡呆
Alzheimer's disease (頻率55) - 常與PD共病研究
Mild cognitive impairment (頻率38) - PD前期癥狀
Neurodegeneration (頻率19) - 共同病理機制

🧪 關鍵技術方法

電生理技術
- EEG (頻率280)
- Electroencephalography (頻率164)
- Magnetoencephalography (頻率32)
- Electrophysiology (頻率19)
數據分析方法
- Functional connectivity (頻率47)
- Machine learning (頻率41)
- Deep learning (頻率23)
- Graph theory (頻率18) - 腦網絡分析
治療技術
- Deep brain stimulation (頻率107) - PD黃金療法
- Transcranial magnetic stimulation (頻率20)

💤 睡眠相關研究

Sleep (頻率48) - PD非運動癥狀
REM Sleep behavior disorder (頻率22) - PD前驅標志
Polysomnography (頻率20) - 睡眠監測技術

📊 研究趨勢洞察

技術融合
EEG/PD交叉研究占主導（關鍵詞1-3），結合新興技術：
- 機器學習/深度學習（頻率41+23）
- 多模態技術：EEG+MEG（32）+fMRI（隱含）
臨床轉化
高頻關鍵詞反映臨床需求：
- 生物標志物開發（Biomarker）
- 客觀診斷工具（Quantitative eeg）
- 治療監測（Local field potentials）
研究前沿
爆發性增長領域：
- 腦網絡分析（Functional connectivity+Graph theory）
- 神經振蕩機制（Oscillations+Synchronization）
- 人工智能診斷（Deep learning+Classification）

🔍 建議研究方向

EEG生物標志物：結合Quantitative EEG和Deep learning開發PD早期診斷模型
DBS優化：通過Local field potentials實時調控Subthalamic nucleus刺激
睡眠-運動關聯：用Polysomnography研究REM Sleep behavior disorder向PD轉化機制
多模態融合：整合EEG+Magnetoencephalography解析PD腦網絡動態

主要貢獻者和相關工作

牛津大學的布朗 P 教授發表了最多文章，擁有最高的 H 指數和 TLS 指數，對該領域產生了重大影響。他的團隊進行了一系列研究，闡明了異常腦電波，特別是β振蕩，在帕金森病患者的基底神經節回路中的作用。這些異常振蕩與帕金森病的僵硬和運動遲緩等特征相關（Mallet 等人，2008 年；Litvak 等人，2011 年；Little 等人，2012 年）。此外，這些振蕩會受到深部腦刺激和藥物治療的影響（Fischer 等人，2019 年；Muthuraman 等人，2020 年）。他們廣泛使用腦電圖研究這些振蕩活動，從而為它們在帕金森病病理和治療療效中的作用提供了關鍵見解。

阿姆斯特丹自由大學的斯塔姆 C 教授也是一位具有高影響力的學者。他不僅是該領域帕金森病研究中最多產的作者之一，也是 TC 和 ACPP 指數最高的作者。他的貢獻主要圍繞闡明與帕金森病相關的復雜腦活動模式，以及探索腦電圖作為診斷和理解該疾病的工具的潛力。他在帕金森病（PD）研究領域通過非線性動力系統視角運用腦電圖（EEG）分析產生了重大影響（Stam, 2005; Stam 和 van Straaten, 2012）。

天津大學的一支團隊，包括朱 X、春 C 和劉 C 等人，近年來一直活躍在這一領域。在他們的最新研究中，他們探索了腦電圖（EEG）中的時域和頻域變化作為認知障礙的表現。通過招募早期 PD 患者，并在深度學習識別的特定頻段進行微態分析，他們識別出與認知評估量表相關的獨特 EEG 模式（Liu 等人，2023）。這項研究揭示了輕度認知障礙（MCI）早期 PD 中的異常微態特征，并為 PD 中 MCI 的早期識別提供了潛在的電生理標志物。

第二篇（離散小波變換、不同熵度量和機器學習檢測pd）

結論

本研究提出了基于離散小波變換（DWT）的方法，用于從靜息態腦電圖（EEG）信號中檢測帕金森病（PD）。通過多種熵度量（如對數能量熵、Shannon熵等）從DWT分解和重構的信號中提取特征，并使用機器學習技術進行分類。實驗使用了兩個公開數據集（圣地亞哥數據集和UNM數據集），結果表明：結合DWT和改進的Shannon熵（TShEn）的方法在區分未服藥PD患者與健康對照組（HC）時，圣地亞哥數據集上準確率、敏感性和特異性分別達到99.89%、99.87%和99.91%；在區分服藥PD患者與HC時，準確率、敏感性和特異性分別為94.21%、93.33%和95.00%。總體而言，DWT結合多種熵度量的特征提取方法在PD檢測中具有較高的準確性。

數據集是開頭的兩個。

引言和討論

文章在引言和討論部分對比了以下研究和方法：

引言部分對比的研究和方法

使用深度學習方法的研究
- Khare等人的研究：采用平滑偽Wigner-Ville分布（SPWVD）和卷積神經網絡（CNN），在SanDiego數據集上達到100%的分類準確率。
- Loh等人的研究：提出Gabor變換結合二維CNN的方法，在SanDiego數據集上分類準確率達到99.44%。
- Shah等人的研究：開發了基于動態系統生成的混合神經網絡（DGHNet），分類準確率為99.2%。
- Lee等人的研究：提出CNN和門控循環單元（GRU）結合的循環神經網絡（RNN）方法，分類準確率為99.2%。
使用機器學習方法的研究
- Liu等人的研究：基于離散小波變換（DWT）和樣本熵，使用基于最優中心構造覆蓋算法的三向決策模型，在中國數據集上達到92.68%的分類準確率。
- Yuvaraj等人的研究：采用更高階譜（HOS）特征提取方法，結合多種機器學習模型（如貝葉斯決策樹、k近鄰等），在馬來西亞數據集上分類準確率范圍為90.6%～99.6%。
- Md Fahim Anjum等人的研究：利用線性預測編碼（LPC）區分PD和HC的頻譜EEG特征，在馬來西亞數據集上分類準確率達到85.3%。
- Khare等人的另一項研究：使用DWT分解EEG信號為多個子帶，通過統計測量提取特征，使用最小二乘支持向量機（LS-SVM）分類，對未服藥PD和HC的分類準確率為96.13%，對服藥PD和HC的分類準確率為97.65%。
- Aljalal等人的研究：結合公共空間模式（CSP）和熵提取PD/HC特征，使用支持向量機（SVM）和k近鄰（KNN）分類器，在SanDiego和UNM數據集上分類準確率分別為99%和99.41%。

討論部分對比的研究和方法

基于SanDiego數據集的對比
- 對比了在SanDiego數據集上使用相同數據集的幾項研究：
  - Gabor變換+二維CNN的方法：Loh等人使用該方法，在SanDiego數據集上分類準確率為99.44%。
  - SPWVD+CNN的方法：Khare等人采用該方法，分類準確率達到99.84%。
  - DWT+統計測量+LS-SVM的方法：Khare等人的方法對未服藥PD和HC的分類準確率為96.13%。
  - CSP+熵+KNN的方法：Aljalal等人的方法在KNN分類器下分類準確率為99.41%。
  - 本研究的方法：本研究使用DWT+不同熵度量的方法，在KNN分類器下對未服藥PD和HC的分類準確率達到99.89%，優于對比的其他方法。
基于UNM數據集的對比
- 對比了在UNM數據集上使用相同數據集的幾項研究：
  - CNN+LSTM的混合深度神經網絡：Shah等人僅研究了未服藥PD與服藥PD的分類問題，準確率為99.2%。
  - LPC+超平面的方法：Md Fahim Anjum等人的方法在UNM數據集上分類準確率為85.40%。
  - CSP+熵+SVM/KNN的方法：Aljalal等人的方法在UNM數據集上對未服藥PD與HC、服藥PD與HC以及未服藥PD與服藥PD的分類準確率分別為98.81%、98.77%和98.73%。
  - 本研究的方法：本研究使用DWT+TShEn+SVM方法在未服藥PD與HC分類問題上達到99.51%的準確率，在未服藥PD與服藥PD分類問題上達到99.39%的準確率；使用DWT+ThEn+KNN方法在服藥PD與HC分類問題上達到99.52%的準確率，整體優于對比的其他方法。

方法

數據預處理：對EEG信號進行去噪、重新參考和帶通濾波處理，以去除主要偽影并保留0.5-32 Hz的頻段。
DWT分解與重構：使用db4小波對預處理后的信號進行分解，得到近似和細節系數，并分別重構信號以提高時間分辨率。
特征提取：從重構信號中提取多種熵度量（如對數能量熵、Shannon熵、閾值熵等）以及能量和帶功率等特征。
分類器：采用邏輯回歸（LR）、線性判別分析（LDA）、隨機森林（RF）、支持向量機（SVM）和k-近鄰（KNN）等機器學習技術進行分類。
通道選擇：使用前向消除算法（FA）選擇最相關的EEG通道，以減少通道數量并提高分類精度。

重要過程和創新點

DWT應用：采用DWT對EEG信號進行分解和重構，以提高信號在低頻段的時間分辨率，這有助于更好地分析PD患者和健康對照組之間的腦電活動差異。
多種熵度量結合：除傳統的Shannon熵外，本研究還引入了對數能量熵、閾值熵、Sure熵和范數熵等其他熵度量方法，以更全面地捕捉EEG信號的復雜性和隨機性。
機器學習技術：結合多種機器學習算法，對提取的特征進行分類，比較不同分類器的性能，發現KNN和SVM分類器在多數特征提取方法下表現最佳。
通道選擇優化：通過FA算法，研究發現從多個腦區選擇適當數量的通道可以提高分類精度，而不僅僅依賴于特定腦區的通道。這有助于減少所需通道數量，使PD檢測更具實用性。
數據集驗證：在兩個公開數據集上進行驗證，確保了研究結果的可靠性和可重復性。通過與其他研究方法的比較，本研究的方法在準確性和復雜性之間取得了良好的平衡，為PD的自動化檢測提供了一種有效的解決方案。

第三篇（綜述，非腦電，語音）

非EEG數據，但是包括MRI
因為主要討論EEG。但是這個綜述是沒有考慮EEG數據的。不進行深入記錄。

背景的討論應該比較全面，先放過來。

回顧了 2018 年至 2024 年間發表的文章。

選擇了 70 篇研究文章用于我們的綜述論文。根據我們的綜述，大多數研究都利用了語音數據。我們的綜述研究發現在大多數論文中，最高準確率水平超過 90%，最常用的算法是 CNN 和 SVM。本綜述研究的主要目標是探討和整合關于人工智能，特別是機器學習，如何用于發現帕金森病的信息。

引言（討論特征和機器學習）

從病理出發，討論有什么可以用于進行分類判斷的依據。

帕金森病影響 60 歲以上成年人的 2%至 3%，是第二常見的神經退行性疾病。在過去 25 年間，受帕金森病（PD）影響的患者數量翻了一番。越來越多的人因 PD 而殘疾或死亡，超過其他任何一種退行性疾病。2019 年，PD 導致 329,000 人死亡，自 2000 年以來增加了約 100%。此外，2019 年 PD 導致 580 萬傷殘調整生命年（DALYs），自 2000 年以來增加了 81%（世界衛生組織，2022 年）。

其特征是中腦黑質中多巴胺能神經元的死亡，中腦黑質是中樞神經系統（CNS）的一部分（Dickson，2018 年）。其癥狀逐漸出現并隨時間惡化。
帕金森病的癥狀分為兩種：運動癥狀和非運動癥狀（Gunduz，2019 年）。

運動遲緩、震顫、僵硬和姿勢不穩都是運動癥狀。
另一方面，抑郁、嗅覺缺失和癡呆是非運動癥狀（克利夫蘭診所，2022 年）。

目前尚無治愈帕金森病的方法，但存在多種治療手段，如基于多巴胺的治療方法，有助于緩解部分非運動癥狀，以及一些高級別的治療方法，例如左旋多巴卡比多口服混懸液或深部腦刺激（Armstrong and Okun 2020）。

在神經病學領域，存在多種技術可以單獨使用或組合使用以支持臨床診斷。其中最常用的技術之一是單光子發射計算機斷層掃描（SPECT）。語音障礙是帕金森病患者的主要癥狀之一。因此，通過分析語音數據（如語音和發聲數據），可以更精確地預測和識別帕金森病。帕金森病的另一個主要癥狀是步態凍結。為了確定個體是否患有帕金森病，可以通過放置在個體腳下的傳感器采集這些數據（Shivangi, Johri, and Tripathi 2019）。也可以通過使用行走時的可穿戴傳感器進行檢測（El-Attar et al. 2018）。如今，許多其他疾病（如癌癥）也使用基于可穿戴傳感器的數據進行檢測（Faruqui et al. 2021）。檢測帕金森病的一種無創方法是手寫測試。長期以來，該方法在醫院中得到了應用。對于 PD 語音檢測，順序深度神經網絡（DNN）和自動編碼器神經網絡是有效的。DNN 可用于從 VGFR 數據中確定 PD。此外，CNN 在 PET/CT 圖像分類、DaTSCAN 圖像分類和磁共振成像領域排名領先（Aurna 等人，2022 年；Ghosh 等人，2023 年；Palash 和 Yousuf，2024 年）。FNN 在醫學圖像分類方面表現出效。圖像或視頻中的人類活動識別（Mim 等人，2023 年）也可用于診斷帕金森病。此外，深度學習的最新進展以及胸部 CT 掃描和 X 射線圖像分析，也實現了 COVID-19 疾病的檢測（Ahamed 等人，2021 年）。ANN 在從手寫圖像中識別 PD 方面表現良好（Alzubaidi 等人，2021 年）。

對應用于不同類型數據的機器學習算法進行綜合綜述。我們還總結了所選綜述文章中使用的不同預處理和性能矩陣技術。

分析利用了五種不同的模態：步態凍結、傳感器、語音、圖像和視頻來檢測帕金森病。

對結果、數據集、檢測技術、有效性和結果進行了系統回顧。

下面是交叉的人工智能較多的出版商。

Elsevier、IEEE、Taylor & Francis、Springer、MDPI、Plos One

驗證方法：
大多數研究采用了交叉驗證技術，如 k 折交叉驗證、LOSO、LOOCV 等

不對這些方法進行展開，可以在原文進行查看。

這些其他數據的相關數據源（語音相關）：

該數據集由牛津大學和語音與語言國家中心的 Max Little 編制。該數據集包含 31 名個體的語音測量數據，其中 23 人患有帕金森病（PD）。表格中的每一列代表評估一個人語音的不同方法，每一行代表這些個體 195 次語音錄音中的一次。link

遠程監測
牛津大學的研究人員 Athanasios Tsanas 和 Max Little 編制了該數據集。在一個為期六個月的研究中，使用遠程監測設備對早期帕金森病癥狀進展進行監測的 42 名被診斷出患有早期帕金森病的個體參與了該研究。該數據集包含 5875 次音頻錄音的信息。在該數據集中，包含參與者的年齡和性別信息、自基線招募以來的時間長度、運動和語音的 UPDRS 評分以及 16 項語音生物測量指標link

該數據集由伊斯坦布爾大學神經病學系塞拉哈普薩醫學院制作。數據來自 188 名帕金森病（PD）患者，其中 107 名為男性，81 名為女性。他們的年齡在 33 至 87 歲之間（平均年齡 65.1±10.9）。對照組由 64 名健康人組成，年齡在 41 至 82 歲之間（平均年齡 61.1±8.9）。該組中有 23 名男性，41 名女性。在數據收集過程中，麥克風設置為 44.1 Hz。每位被試者被要求發出元音/a/三次，以便錄制聲音link

該數據集同樣由伊斯坦布爾大學塞拉哈帕薩醫學院神經病學系整理。PD 數據集中包含實踐和現實世界案例。訓練數據來自不同人群：20 名殘疾人（6 名女性和 14 名男性）和 20 名健康人（10 名女性和 10 名男性）。每個語音樣本都使用一組 26 個線性以及基于時間和頻率的特征分解為其組成部分。為創建測試數據集，對 28 名 PD 患者分別發出三次持續元音“a”和“o”的錄音，共 168 次。在此數據集中，所有語音樣本均使用相同方法處理，提取相同的 26 個特征link

該數據集可通過 mPower 的公共數據門戶獲取。參與者可利用它進行自我引導的、穩健且具有美學吸引力的知情同意程序。可在 Apple App Store 上獲取的 mPower 應用程序于 2015 年 3 月開發，用于評估帕金森病（PD）癥狀的嚴重程度以及 PD 患者的治療反應。參與者回答了包括其一般人口統計學信息和病史在內的問題。目前有超過 65,000 個語音任務的信息可用。為使信息不丟失，整個數據集采用 44.1 kbps 比特率的 Apple 無損音頻編解碼器（ALAC）進行錄制

共 93 名特發性帕金森病患者（平均年齡 66.3 歲；63%為男性）和 73 名健康對照者進行了步態分析并錄入數據庫（平均年齡：66.3 歲；55%為男性）。參與者的正常、自我選擇行走速度在平坦地面上約 2 分鐘內被記錄，同時記錄了其垂直地面反應力。每只腳都配備了八個傳感器，用于跟蹤其隨時間變化的受力情況（單位：牛頓）。記錄中包含兩個信號，分別指示每只腳八個傳感器輸出的總和，數字記錄的采樣率為每個 16 個傳感器每秒 100 個樣本PhysioNet

Daphnet
該數據是通過佩戴在踝部（小腿）、膝蓋上方和臀部配備三維加速度計的可穿戴設備收集的。數據以 64 Hz 的頻率采集，然后通過藍牙連接傳輸以進行進一步分析。帕金森病患者被要求完成各種任務，如直線行走、轉彎行走以及完成多項日常生活活動，例如進入不同房間時開門、取飲料以及其他類似任務。在 8 小時 20 分鐘內收集了 10 個人的信息。在研究中，8 名患者出現凍結步態（FoG），2 名患者沒有link

第四篇：帕金森病檢測基于多模式分析和多尺度卷積神經網絡（2022）

鏈接

引言

PD 的早期診斷。
進一步基于大腦活動探索 PD 特征，實現 PD 患者（包括 OFF 和 ON 藥物治療狀態）的有效檢測，本研究對 PD 患者的大腦功能活動進行了基于大腦激活和大腦功能連接的多模式分析。
提出了一種基于多尺度卷積神經網絡（MCNN）的新型 PD 檢測模型。
通過對兩個獨立靜息態腦電圖（EEG）數據集中多個頻段功率譜密度（PSD）和鎖相值（PLV）特征的分析，我們發現 HC 組和 PD 組（包括 OFF 和 ON 藥物治療狀態）在 PSD 和 PLV 上存在顯著差異，尤其在β和γ頻段，這些特征對于 PD 檢測非常有效。

利用腦電功率譜密度（PSD）所代表的腦激活信息以及功能連接模式（PLV）所代表的功能連接模式，能夠有效提升帕金森病（PD）檢測的性能。此外，我們提出的基于多尺度卷積神經網絡的模型（MCNN）在自動 PD 檢測方面展現出巨大潛力，交叉驗證的準確率、靈敏度、特異性和受試者工作特征曲線下面積均超過 99%。

本篇進行了提取兩個特征的融合后的svm分類，和一個深度學習模型的分類。

數據預處理方式

預處理方式：

0.5～50 Hz
獨立成分分析（ICA）去除噪聲干擾，包括眼動偽影、通道噪聲和心跳。

取數據共有的32通道：
Fp1、AF3、F7、F3、FC1、FC5、T7、C3、CP1、CP5、P7、P3、Pz、PO3、O1、Oz、O2、PO4、P4、P8、CP6、CP2、C4、T8、FC6、FC2、F4、F8、AF4、Fp2、Fz 和 Cz。
對于缺失的通道使用周圍插值補齊 Pz 通道的數據缺失，我們將周圍 4 個通道（即 P1、P2、CPz 和 POz）的數據進行平均，作為 Pz 通道的數據。

截取了加州大學圣地亞哥數據集中所有受試者的前三個和前兩分鐘的腦電圖（EEG）數據，以及愛荷華數據集中所有受試者的前三個和前兩分鐘的腦電圖（EEG）數據。加州大學圣地亞哥數據集中的數據（時長 3 分鐘）和愛荷華數據集中的數據（時長 2 分鐘）分別被劃分為 180 個時間樣本和 120 個時間樣本。
經過預處理后，加州大學圣地亞哥數據集中每個受試者的腦電圖（EEG）數據被整理為 32 × 512 × 180（通道數 × 采樣點數 × 時間樣本數）的大小，而愛荷華數據集中每個受試者的腦電圖（EEG）數據被組織為 32 × 500 × 120（通道數 × 樣本數 × 時間樣本數）的大小。

為了更全面地反映腦功能，我們不僅分析了能夠反映腦局部激活的特征，還分析了能夠反映腦功能網絡的特征。具體而言，我們選取了在腦電圖數據處理中常用的功率譜密度（PSD）和鎖相值（PLV），分別作為反映局部腦激活和腦功能連接的兩種模式。

功率譜密度可以反映每個腦區每個頻段中腦電圖（EEG）的能量分布，而**相干度（PLV）**可以反映每個腦區腦電信號的相位同步關系。

對預處理后的腦電圖數據進行了離散傅里葉變換，以計算五個頻段（即δ波 1-4 Hz、θ波 4-8 Hz、α波 8-12 Hz、β波 13-30 Hz 和γ波 30-48 Hz）中每個通道的功率值。

相位鎖定值（PLV）通常用于評估腦電圖電極對之間相位角差隨時間的分布范圍，這可以反映大腦神經活動的長程同步變化（Lachaux 等人，1999 年）。連接性通過這種分布范圍進行測量，使得兩個電極之間強烈聚集的相位差導致 PLV 接近 1，這表明信號之間存在強連接性。

如果 PLV 為 0，則兩個腦電圖通道（電極）的信號之間不存在相位依賴性。為了獲得 PLV，我們首先使用 Hamming Plus A 窗函數有限脈沖響應（FIR）濾波器對預處理后的腦電圖數據在目標感興趣頻段進行濾波。
關注五個頻段，包括δ、θ、α、β和γ頻段。然后，使用希爾伯特變換計算信號的瞬時相位。

基于分析的 PSD 和 PLV 特征，我們進一步使用傳統機器學習方法（ML 方法）和深度學習方法（DL 方法）對帕金森病（PD）患者（包括 PD_ON 和 PD_OFF）和健康對照（HC）進行分類。在機器學習方法中，我們應用了傳統的支持向量機（SVM）算法；在深度學習方法中，我們提出了一種基于多尺度卷積神經網絡（MCNN）的新型深度學習模型。此外，為了驗證激活特征和功能連接特征的多模式分析在 PD 檢測中的有效性，我們將 PSD 和 PLV 特征結合起來形成 PSD+PLV 混合特征用于分類。所有用于分類的特征在輸入分類模型之前都進行了歸一化處理，包括 PSD+PLV 混合特征。

分類模型：運用支持向量機（SVM）和提出的多尺度卷積神經網絡（MCNN）模型對PD患者（包括服用藥物和未服用藥物的PD患者）和HC進行分類。MCNN模型基于傳統CNN網絡LeNet-5改進，增加了網絡層數并引入殘差學習思想，通過兩個不同子網絡分別提取輸入特征矩陣的一維和二維尺度信息，以實現多模式和多尺度信息的融合。

SVM分類：基于PSD特征的分類準確率在β和γ頻段高于70%，基于PLV特征的分類準確率在β和γ頻段高于80%（其中HC vs.PD的最高準確率為94.36%）。將PSD特征和PLV特征組合形成的PSD+PLV混合特征用于分類，可進一步提高分類準確率、敏感性和特異性，尤其在γ頻段的HC vs.PD分類中，準確率、敏感性和特異性均超過90%。

MCNN模型分類：在兩個數據集上的二分類和三分類任務中均表現出色，基于γ頻段的PSD+PLV特征對HC vs.PD（Iowa數據集）的分類準確率、敏感性和特異性均超過99%，在PD_OFF vs.PD_ON（γ頻段）的分類中，準確率、敏感性和特異性分別提高了7.87%、7.37%和8.16%。在UC San Diego數據集上的三分類實驗中，基于γ頻段的PSD+PLV混合特征的準確率達到95.50%。與SVM模型相比，MCNN模型在所有情況下均展現出更好的分類性能，其ROC曲線下的AUC值也均高于SVM模型。

通過基于腦激活和腦功能連接的多模式分析，發現PD患者在靜息態EEG的β和γ頻段的PSD和PLV特征與HC存在顯著差異，這些特征可用于有效檢測PD（包括服用和未服用藥物的患者），且將腦激活模式和功能連接模式相結合可有效提升PD檢測性能。
提出的MCNN模型在兩個獨立數據集上均顯示出對PD的高精度檢測潛力，其交叉驗證的準確率、敏感性、特異性和ROC曲線下面積均超過99%，有望為基于自發EEG活動的未來PD診斷提供新思路。