-
摘要:
冻结步态(freezing of gait, FOG)为帕金森病病程中晚期常见的运动表现, 亦是患者跌倒的主要原因, 并可能导致患者残疾, 因此有效识别并治疗FOG具有重要意义。本文就目前临床及研究中常见且实用的FOG检测方法展开综述, 以期为临床提供参考。
Abstract:Freezing of gait (FOG) is a common motor manifestation in the middle and late stages of Parkinson's disease. It is also a major cause of falls and may lead to disability, making it important to identify and treat FOG effectively. In this paper, we review the common and practical methods of FOG detection in clinical and research studies, with a view to provide clinical reference.
-
Keywords:
- Parkinson's disease /
- freezing of gait /
- assessment /
- gait monitoring
-
帕金森病(Parkinson's disease,PD)是一种神经退行性疾病,主要运动表现为肌强直、运动迟缓、静止性震颤和姿势异常。2020年数据显示,中国PD患者已达362万且患病率不断攀升,给患者家庭带来了沉重的经济负担,并对快速老龄化社会中的老年人护理和服务带来严峻挑战[1]。冻结步态(freezing of gait,FOG)是PD常见的运动症状之一,主要出现于病程中晚期,其特征是突发短暂性运动中断或停止,无法产生有效的前进步态[2]。研究证实,FOG是跌倒、骨折的重要原因,并增加PD致残风险[3]。研究显示,FOG患病率与PD疾病程度相关,Hoehn-Yahr (HY)评分≤2.5的PD患者中FOG发生率为28.4%,而HY评分>2.5的PD患者中FOG发生率高达68.4%[4]。由于FOG的多样性和复杂性,目前尚缺乏统一的检测和评估标准,故本文对传统FOG检测方法包括自我报告问卷、评估量表进行简要总结,重点梳理FOG监测系统研究进展,以期为FOG的诊断、监测及康复计划制订提供借鉴。
1. 自我报告问卷
由Giladi等[5]于2000年开发的冻结步态问卷(freezing of gait questionnaire,FOGQ)属于患者自我报告型FOG严重程度评估方法,共包含6个问题,其中前2个问题可评估步态困难程度,后4个问题可评估FOG发作频率和持续时间。Tao等[6]研究证明,中文版FOGQ的信度为0.823,效度为0.97,是中国PD患者进行FOG筛查的实用工具。PD患者可通过该问卷主观评定是否存在FOG及其严重程度,具有方便、快捷的特点,但由于部分患者存在认知障碍等问题,存在FOG无法被识别的风险。
为解决FOGQ识别FOG特异性不足的局限性,Nieuwboer等[7]于2009年开发了新冻结步态问卷(new freezing of gait-questionnaire, NFOG-Q),其由三部分共9个问题组成,其中第一部分(第1项)为相对FOGQ的新增项,通过询问PD患者过去1个月内有无FOG的经典表现,如起步、转弯或行走时脚粘在地上的感觉,以识别FOG;第二部分(第2~6项)为通过了解患者在特定情况下FOG发作频率及其持续时间以评估FOG严重程度;第三部分(第7~9项)主要侧重于评估FOG对PD患者日常生活的影响程度。NFOG-Q可有效评估FOG严重程度,但有研究者认为该问卷易受测量误差的影响,尤其效应值变化较小时[8],故临床试验中以NFOG-Q评分作为主要结局指标时应谨慎。
2. 评估量表
统一帕金森病评定量表(MDS unified-Parkinson's disease rating scale, MDS-UPDRS)[9]可对PD严重程度进行全面评定,其共包含四部分,其中第二、三部分与FOG相关,内容涵盖患者自我报告(MDS-UPDRS第二部分第13项)及评估者观察(MDS-UPDRS第三部分第11项)的FOG相关状况。MDS-UPDRS评估PD严重程度的信度与效度良好,第二部分信度为0.90、效度为0.92,第三部分信度为0.93、效度为0.93。但受FOG严重程度及发作频率的影响,临床就诊期间通常难以观察到FOG的存在,因此MDS-UPDRS评估结果很难准确反映患者日常生活中的FOG情形。
2023年由Scully等[10]开发的FOG严重程度工具-修订版测试内容包括患者根据提示开始行走,以正常速度向前行走6 m,然后尽可能快速、安全原地顺时针与逆时针旋转720°,并最终通过宽50 cm的狭窄空间。上述测试分别在单任务和认知双任务条件下进行,要求评估者使用秒表记录患者原地震颤或完全不能运动的步数和时间,完整的评估过程将被录像并用于测试后分析。经验证,FOG严重程度工具-修订版测试量表的信度为0.96,效度为0.73,可考虑将其用于临床环境,但可靠性和有效性有待在大样本人群中验证。
3. FOG监测系统
FOG是PD病情严重程度的重要体现,对其进行监测可为PD病情评估提供诸多参考信息,并可辅助治疗效果的判定,且相较于自我报告问卷、评估量表,FOG监测系统具有测定便捷、准确、可动态观测的优势。FOG监测系统主要包括基于机器视觉的监测系统和基于传感器的监测系统。
3.1 基于机器视觉的监测系统
目前认为,基于视频观察的方式是评估FOG的可靠手段,传统方法以人工观测为主。Kondo[11]等在研究中基于21例PD患者的157个视频数据对FOG进行评分并计算FOG总持续时间、步行任务期间FOG持续时间百分比及FOG表型(小步拖曳、原地震颤和完全运动不能),以评估通过人工观看视频进行FOG检测的精度。结果显示,FOG总持续时间和FOG持续时间百分比在评估者内与评估者间的可靠性均显示出良好的测量精度,而FOG表型在评估者间的可靠性则展现出较差的测量精度;此外,由人工观察FOG事件不仅耗费大量时间且结果存在高度主观性,因此,基于机器视觉的监测系统为FOG的识别提供了新路径,可显著提升FOG监测效率和结果可信度。Sun等[12]提出了一种新的深度学习架构,即高阶多项式变换器(HP-Transformer),结合从临床评估FOG的视频中获得的外观特征序列和骨骼姿势序列实现了FOG的高效检测,经大型内部数据集验证该方法的有效性,其识别FOG的准确率为92%。Hu等[13]提出通过设计动态的结构序列图以表征PD患者的运动模式,经来自45例患者共150余个视频的测试结果,该方法识别FOG的准确率为90%。Shin等[14]基于2D视频中的步态和压力传感器测量患者足底压力,继而通过深度学习法估算足趾与足跟的3D位置并计算步态参数,发现基于2D视频的跟踪策略可客观评估PD患者的步态参数,包括步长、步速、步数、转弯时间等。整体而言,基于机器视觉进行FOG监测的方法具有客观、有效的优点,但需额外的场地和摄像设备,可能难以在临床中推广应用。
3.2 基于传感器的监测系统
3.2.1 基于惯性传感器的监测系统
随着无线通信和微电子技术的发展,可穿戴技术越来越广泛地应用于FOG监测。基于惯性传感器的监测系统由可穿戴式惯性传感器如加速度计、陀螺仪、磁力计等采集数据,可实时捕捉身体运动参数,并将采集的数据经过不同的机器学习算法处理,建立数据窗口并通过阈值判断FOG发生情况。由于FOG临床表现的高度异质性和发病机制的复杂性,以及不同研究中传感器、数据算法的差异,目前何种传感器系统的性能达到最优尚存争议[15],此外,对于监测FOG所需要的传感器数量及其所放位置亦未达成共识。O'Day等[16]研究表明,使用惯性传感器监测系统时,最佳方案是使用3个传感器并分别放置于腰部和双踝,其次为使用单个传感器并放置于腰部,而使用更多的传感器并不能提高检测的准确度。
为有效收集FOG数据,在患者穿戴传感器后需进行运动激发试验,以诱发FOG。FOG的激发点包括转弯、起步、接近运动终点、环境限制(如乘坐公共交通工具,通过门、狭窄通道、狭小或凌乱的空间)、进行双重任务或存在消极情绪。Diep等[17]基于10例PD患者的步态数据,探究原地踏步诱发的FOG通过传感器被检出的可行性,发现可穿戴式传感器检测的患者在原地踏步期间步态节律、摆动时间变异系数和摆动角范围是识别FOG的最有效指标。Bikias等[18]在研究中发现,进行一次180°和360°转弯的步行训练、在宽或窄的步道上行走以及使用障碍物可有效刺激FOG发生。O'Day等[19]认为,与向前行走相比,FOG患者在转弯和有障碍物行走路线中表现为冻结时间更长,非冻结时可出现更严重的步行节律失常;FOG特征及其影响在转弯时表现得最为突出,其次为后退和向前行走时。Bertoli等[20]对比了180°转弯和360°原地转圈时PD患者步态差异,发现360°原地转圈时表现出更明显的步态障碍。Reches等[21]在研究中以单任务、运动双重任务及认知多重任务作为FOG激发试验,通过可穿戴设备和机器学习算法实现了FOG的自动检测。近年来,多项研究显示,以双重运动任务作为激发点可提高FOG检测的可靠性和灵敏度[22-24]。综上,由于FOG临床表现的异质性,故运动激发试验的激发点亦具有多样性,建议根据临床或实验室设备、环境条件及患者活动能力等合理选择有效的运动激发试验。
由于FOG具有突发、症状持续时间短的特征,临床或实验室进行的运动激发试验可能难以完全观察到FOG的存在,因此,研究者尝试开发24 h无监督的实时家庭监测系统。Mancini等[25]将实验室检测PD患者的FOG方法在日常生活中扩展,并进行无监督的家庭监测,发现有/无FOG患者的冻结时间百分比和冻结时间变异性存在差异,有助于FOG患者的自我识别,但其准确性仍需进一步验证。Borzí等[26]提出的实时陀螺仪检测算法可在无监督条件下的独立设备中运行,该算法由一个多头卷积神经网络组成,利用不同的空间分辨率对惯性数据进行分析,在主数据集中可提前3.1 s预测超过50%的FOG发生,识别FOG的特异度高达97.7%。May等[27]研究发现,基于传感器的方法可在无监督的家庭环境中使用,经与金标准(人工观察)比较,其检测FOG的准确率高于90%,为在真实世界中检测FOG提供了新选择。Denk等[28]基于28例PD患者的临床资料,评估了自我报告问卷、在家中进行有监督的FOG激发试验以及无监督日常监测在FOG识别中的作用,结果发现在关期状态(即症状突然加重期)下FOG激发试验与无监督日常监测的FOG冻结时间百分比呈中度相关,而开期状态(即症状缓解期)下未发现二者具有相关性,且上述检测结果与自我报告问卷结果无关,提示若完全了解FOG的严重程度,最好结合多种方法进行FOG评估。惯性传感器体积小、易携带,可在实验室环境和家庭环境连续采集步态信号且可靠性高,但部分研究证据来源于小样本研究且不同研究中采用了不同的参考指标,因此建议未来研究应提供受试者的详细疾病信息,如年龄、性别、PD严重程度、测试期间用药状态等,并明确FOG判断标准,试验与验证方法等。常见的基于惯性传感器的FOG监测系统见表 1。
表 1 基于惯性传感器的FOG监测系统Table 1. FOG detection systems based on inertial measurement unit文献 受试者人数(n) 运动激发试验 数据采集 研究结果 Diep等[17] 10 原地踏步100 s 峰值角速度,步幅,摆动角范围,摆动时间,摆动时间变异系数,步行不对称性,步行节律,冻结系数 准确率为84%,灵敏度为86%,特异度为81% Bikias等[18] 11 180°和360°转弯步行训练,在宽或窄的步道上行走及使用障碍物 冻结时间 灵敏度为86%,特异度为90% O'Day等[19] 23 向前行走、转弯和有障碍物行走 步幅,前向摆动时间,摆动角范围,峰值角速度等 准确率为75.4% Bertoli等[20] 24 单任务和双重任务下完成180°转弯和360°原地转圈 转弯时间,步数,峰值角速度,转弯加速度等 PD患者在360°度转圈时表现为需更长的转弯时间、更多的转弯步数等 Reches等[21] 71 单任务、双重任务、认知多重任务 冻结时间百分比,冻结总时间等 准确率为85.0%,灵敏度为84.1%,特异度为83.4% Mancini等[25] 40 (1)实验室环境:2 min步行及1 min步行认知双重任务;(2)家庭环境:每天佩戴8 h传感器 (1)转弯特征:转弯数目,平均转弯角度,平均转弯时间,平均转弯速度;(2)步行特征:步速,足部离地角度 实验室环境:准确率为88%,灵敏度为89%,特异度为88%无监督的家庭环境:有/无FOG患者冻结时间百分比和冻结时间变异性存在差异 Borzí等[26] 139 居家佩戴传感器 冻结持续时间 灵敏度为88.4%,特异度为88.5% May等[27] 20 (1)临床环境测试:步行和转弯试验;(2)家庭环境测试:IADL 冻结时间百分比 准确率高于90%临床环境测试准确率为90.38%无监督家庭环境测试冻结时间百分比与临床环境测试高度相关 Denk等[28] 28 1周无监督日常生活监测 冻结时间百分比 关期状态下FOG激发试验与无监督日常监测的FOG冻结时间百分比呈中度相关 PD(Parkinson's disease):帕金森病;FOG(freezing of gait):冻结步态;FOGQ(freezing of gait questionnaire):冻结步态问卷;IADL(instrumental activity of daily living):工具性日常生活活动 3.2.2 基于足底压力传感器的监测系统
基于惯性传感器的方法适用于监测行走时发生的FOG,但可能无法识别小幅度运动,而压力中心(center of pressure, COP)变化轨迹与足底压力测量参数的变化相对应,可提供有关运动意图的信息,对FOG患者小幅度运动的识别更加敏感。此外,基于足底压力的传感器还具有2个优势[29]:(1)数据收集过程简便,对环境因素的依赖性小,有助于建立更强大的机器学习模型;(2)无需特定的场地,实施较为便捷。
Zou等[30]基于足底压力传感器监测系统测量了103例PD患者和22名年龄、性别与其相匹配的对照人群的足底压力参数,发现在静态条件下,PD患者与对照组之间的足底压力评估结果较为接近;而在动态条件下,PD患者的整个足部区域及拇趾、中足区域、内侧和外侧足跟处压力时间积分均高于对照组,可作为FOG筛查的参考指标。Pardoel等[31]调查了PD患者325个基于足底压力的特征和132个基于加速度的特征,使用最大相关性最小冗余性算法对所有特征进行排序,发现根据足底压力特别是足底COP变化速度计算出的特征与踝关节加速度特征的表现相当,在FOG的识别中具有良好的应用前景。该团队进一步研究发现,足底压力模型检测FOG具有较高的灵敏度,而可穿戴式惯性传感器模型具有良好的特异度,将二者相结合的模型检出FOG的性能最佳,灵敏度为76.4%、特异度为86.2%[32]。Marcante等[33]在研究中使用基于一对配备3D加速计的压力垫进行FOG检测,并记录足底压力分布、踝加速度、足底COP变化轨迹等,发现该算法可正确检测90%的FOG事件,其中足底压力可为识别FOG提供重要参考信息,将其与可穿戴式惯性传感器相结合可实现更加准确的FOG检测。综上,足底压力特征可作为加速度特征的补充,提高FOG监测系统的准确率,未来研究可考虑将其用于家庭监测并结合其他可穿戴设备以监测PD患者步态及其他运动特征。常见的足底压力传感器FOG监测系统见表 2。
表 2 基于足底压力传感器的FOG监测系统Table 2. FOG detection systems based on plantar pressure sensors文献 受试者人数(n) 运动激发试验 数据采集 研究结果 Zou等[30] 125 静态/动态条件 足底压力:峰值压力、压力时间积分、接触面积 静态条件下,拇趾压力时间积分诊断FOG准确率为71%,灵敏度为72%,特异度为67% Pardoel等[32] 11 步行试验:90°与180°转弯、起步、止步及通过狭窄通道 惯性传感器+足底压力 灵敏度为76.4%,特异度为86.2% Marcante等[33] 20 2 min步行试验、360°转弯测试、起立-行走试验 足底压力分布,踝关节加速度,足底压力中心变化轨迹 灵敏度为96%,特异度为94% COP(center of pressure)压力中心;FOG:同表 1 3.2.3 基于可穿戴式传感器结合脑电图、肌电图等多模态信号的监测系统
为提高识别FOG的效率和准确率,越来越多的研究者将可穿戴式传感器与脑电、肌电等信号相结合以监测FOG的发生。Cao等[34]在研究中监测了自主停止与非自主停止起立-行走试验期间脑电信号变化,发现脑电信号在2种试验的人群之间存有显著差异,有助于FOG的识别。Wang等[35]将可穿戴式传感器(来自加速度计信号)与脑电信号相结合以监测FOG发生情况,发现多模态信号模型的特异度和精确度均优于单一信号模型。Mazzetta等[36]将集成在可穿戴设备中的陀螺仪、加速度计与表面肌电图信号相结合后,可同时感知PD患者腿部肌肉的运动状况和动作电位,并成功区分原地震颤和小步拖曳2种FOG亚型。此多模态信号监测系统可在FOG期间精确检测肌肉收缩和舒张情况,不仅有助于更深入地了解不同表型FOG的病理生理基础,评估患者跌倒风险,同时为FOG的自动、连续和实时分析提供了新思路。Hou等[37]开发的可穿戴式传感器可收集包括肌电图、脑电图及来自加速度计信号的运动参数,在监测FOG的同时可生成听觉警报信息,以提醒患者或照护人员预防患者发生跌倒。Zhang等[38]在研究中将包括脑电图、肌电图、加速度计信号、皮肤导电率在内的多模态数据进行不同组合以监测FOG,发现多模态数据比单模态数据在识别FOG中更具优势,且当使用脑电图参数时多模态数据的整体表现更好,其中脑电图、加速度计信号、皮肤导电率相组合是FOG的最佳检测方法。因此,多模态数据在FOG的监测中具有良好的应用前景,未来研究中可根据患者的运动特征和脑电信号、肌电信号进一步探索FOG患者功能和结构的关系。常见的多模态信号监测系统见表 3。
表 3 基于可穿戴式传感器结合脑电、肌电等多模态信号的FOG监测系统Table 3. FOG detection systems based on multi-modal wearable device combined with EEG and ECG文献 受试者人数(n) 试验设计 数据采集 研究结果 Cao等[34] 17 自主停止与非自主停止的起立-行走试验 脑电图 自主停止起立-行走试验者的脑电图特征表现出显著降低功率谱,δ波、β波明显不同 Wang等[35] 17 原地踏步、慢速和快速转圈 脑电图+加速度计 灵敏度为62%,特异度为62%,准确率为39% Mazzetta等[36] 7 起立-行走试验 肌电图+加速度计+陀螺仪 灵敏度为98%,特异度为95% Hou等[37] 12 步行试验 脑电图+肌电图+加速度计 灵敏度为81%,特异度为88% Zhang等[38] 12 通过障碍物行走 脑电图+肌电图+加速度计+皮肤导电率 脑电图+加速度计+皮肤导电率检测准确率为95.2%、灵敏感度为95.0%,特异度为95.2% FOG:同表 1 4. 小结与展望
FOG是PD患者的常见并发症,也是患者致残的重要原因,但由于临床表现多样,且具有突发性、症状持续时间短的特征,导致其临床诊断具有一定挑战。FOG检测的目的一方面是判断疾病严重程度和功能障碍程度,另一方面有助于及时进行有效干预,从而减少跌倒等不良事件发生风险。自我报告问卷是FOG的传统检测方法,且方便易行,但主观性较强且并非可识别所有类型的FOG,可用于FOG的临床初筛。基于临床医生或专家观察的方式如评估量表、视频等被认为是检测FOG的金标准,但耗时较久且存在观察不到FOG发作的可能性。基于机器视觉的监测方法具有客观、快速的优点,但需额外的场地和摄像设备等,因此可能难以在临床推广。随着人工智能技术的不断突破,基于可穿戴式传感器的监测系统可实时、连续收集机体的客观运动信息,为FOG的诊断提供了新方向,但其临床应用尚缺乏统一的实施方案。可根据临床需要并结合患者个体化情况,综合使用多种方法以提升FOG检出率。未来研究中,随着机器学习算法性能的提升,FOG检测的可靠性和精确性将会得到进一步提高,同时考虑通过听觉、视觉等外部生物反馈[39-40]信息提示FOG患者跌倒风险并提供相应的干预策略,以降低致残率,提高患者生活质量。
作者贡献:葛颖负责文献检索和论文撰写;赵沃娃、刘颖负责论文修订及审阅定稿。利益冲突:所有作者均声明不存在利益冲突 -
表 1 基于惯性传感器的FOG监测系统
Table 1 FOG detection systems based on inertial measurement unit
文献 受试者人数(n) 运动激发试验 数据采集 研究结果 Diep等[17] 10 原地踏步100 s 峰值角速度,步幅,摆动角范围,摆动时间,摆动时间变异系数,步行不对称性,步行节律,冻结系数 准确率为84%,灵敏度为86%,特异度为81% Bikias等[18] 11 180°和360°转弯步行训练,在宽或窄的步道上行走及使用障碍物 冻结时间 灵敏度为86%,特异度为90% O'Day等[19] 23 向前行走、转弯和有障碍物行走 步幅,前向摆动时间,摆动角范围,峰值角速度等 准确率为75.4% Bertoli等[20] 24 单任务和双重任务下完成180°转弯和360°原地转圈 转弯时间,步数,峰值角速度,转弯加速度等 PD患者在360°度转圈时表现为需更长的转弯时间、更多的转弯步数等 Reches等[21] 71 单任务、双重任务、认知多重任务 冻结时间百分比,冻结总时间等 准确率为85.0%,灵敏度为84.1%,特异度为83.4% Mancini等[25] 40 (1)实验室环境:2 min步行及1 min步行认知双重任务;(2)家庭环境:每天佩戴8 h传感器 (1)转弯特征:转弯数目,平均转弯角度,平均转弯时间,平均转弯速度;(2)步行特征:步速,足部离地角度 实验室环境:准确率为88%,灵敏度为89%,特异度为88%无监督的家庭环境:有/无FOG患者冻结时间百分比和冻结时间变异性存在差异 Borzí等[26] 139 居家佩戴传感器 冻结持续时间 灵敏度为88.4%,特异度为88.5% May等[27] 20 (1)临床环境测试:步行和转弯试验;(2)家庭环境测试:IADL 冻结时间百分比 准确率高于90%临床环境测试准确率为90.38%无监督家庭环境测试冻结时间百分比与临床环境测试高度相关 Denk等[28] 28 1周无监督日常生活监测 冻结时间百分比 关期状态下FOG激发试验与无监督日常监测的FOG冻结时间百分比呈中度相关 PD(Parkinson's disease):帕金森病;FOG(freezing of gait):冻结步态;FOGQ(freezing of gait questionnaire):冻结步态问卷;IADL(instrumental activity of daily living):工具性日常生活活动 表 2 基于足底压力传感器的FOG监测系统
Table 2 FOG detection systems based on plantar pressure sensors
文献 受试者人数(n) 运动激发试验 数据采集 研究结果 Zou等[30] 125 静态/动态条件 足底压力:峰值压力、压力时间积分、接触面积 静态条件下,拇趾压力时间积分诊断FOG准确率为71%,灵敏度为72%,特异度为67% Pardoel等[32] 11 步行试验:90°与180°转弯、起步、止步及通过狭窄通道 惯性传感器+足底压力 灵敏度为76.4%,特异度为86.2% Marcante等[33] 20 2 min步行试验、360°转弯测试、起立-行走试验 足底压力分布,踝关节加速度,足底压力中心变化轨迹 灵敏度为96%,特异度为94% COP(center of pressure)压力中心;FOG:同表 1 表 3 基于可穿戴式传感器结合脑电、肌电等多模态信号的FOG监测系统
Table 3 FOG detection systems based on multi-modal wearable device combined with EEG and ECG
文献 受试者人数(n) 试验设计 数据采集 研究结果 Cao等[34] 17 自主停止与非自主停止的起立-行走试验 脑电图 自主停止起立-行走试验者的脑电图特征表现出显著降低功率谱,δ波、β波明显不同 Wang等[35] 17 原地踏步、慢速和快速转圈 脑电图+加速度计 灵敏度为62%,特异度为62%,准确率为39% Mazzetta等[36] 7 起立-行走试验 肌电图+加速度计+陀螺仪 灵敏度为98%,特异度为95% Hou等[37] 12 步行试验 脑电图+肌电图+加速度计 灵敏度为81%,特异度为88% Zhang等[38] 12 通过障碍物行走 脑电图+肌电图+加速度计+皮肤导电率 脑电图+加速度计+皮肤导电率检测准确率为95.2%、灵敏感度为95.0%,特异度为95.2% FOG:同表 1 -
[1] Qi S G, Yin P, Wang L H, et al. Prevalence of Parkinson's disease: a community-based study in China[J]. Mov Disord, 2021, 36(12): 2940-2944. DOI: 10.1002/mds.28762
[2] Nutt J G, Bloem B R, Giladi N, et al. Freezing of gait: moving forward on a mysterious clinical phenomenon[J]. Lancet Neurol, 2011, 10(8): 734-744. DOI: 10.1016/S1474-4422(11)70143-0
[3] Castro I P R, Valen a G T, Pinto E B, et al. Predictors of falls with injuries in people with Parkinson's disease[J]. Mov Disord Clin Pract, 2023, 10(2): 258-268. DOI: 10.1002/mdc3.13636
[4] Ge H L, Chen X Y, Lin Y X, et al. The prevalence of freezing of gait in Parkinson's disease and in patients with different disease durations and severities[J]. Chin Neurosurg J, 2020, 6: 17. DOI: 10.1186/s41016-020-00197-y
[5] Giladi N, Shabtai H, Simon E S, et al. Construction of freezing of gait questionnaire for patients with Parkinsonism[J]. Parkinsonism Relat Disord, 2000, 6(3): 165-170. DOI: 10.1016/S1353-8020(99)00062-0
[6] Tao P, Shao X R, Zhuang J, et al. Translation, cultural adaptation, and reliability and validity testing of a Chinese version of the freezing of gait questionnaire (FOGQ-CH)[J]. Front Neurol, 2021, 12: 760398. DOI: 10.3389/fneur.2021.760398
[7] 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 Posture, 2009, 30(4): 459-463. DOI: 10.1016/j.gaitpost.2009.07.108
[8] Hulzinga F, Nieuwboer A, Dijkstra B W, et al. The new freezing of gait questionnaire: unsuitable as an outcome in clinical trials?[J]. Mov Disord Clin Pract, 2020, 7(2): 199-205. DOI: 10.1002/mdc3.12893
[9] Goetz C G, Tilley B C, Shaftman S R, et al. Movement disorder society-sponsored revision of the unified Parkinson's disease rating scale (MDS-UPDRS): scale presentation and clinimetric testing results[J]. Mov Disord, 2008, 23(15): 2129-2170. DOI: 10.1002/mds.22340
[10] Scully A E, Tan D, De Oliveira B I R, et al. Scoring festination and gait freezing in people with Parkinson's: The freezing of gait severity tool-revised[J]. Physiother Res Int, 2023, 28(4): e2016. DOI: 10.1002/pri.2016
[11] Kondo Y, Mizuno K, Bando K, et al. Measurement accuracy of freezing of gait scoring based on videos[J]. Front Hum Neurosci, 2022, 16: 828355. DOI: 10.3389/fnhum.2022.828355
[12] Sun R F, Hu K, Martens K A E, et al. Higher order polynomial transformer for fine-grained freezing of gait detection[J/OL]. IEEE Trans Neural Netw Learn Syst: 1-14. https://doi.org/10.1109/TNNLS.2023.3264647. DOI: 10.1109/TNNLS.2023.3264647.
[13] Hu K, Wang Z Y, Wang W, et al. Graph sequence recurrent neural network for vision-based freezing of gait detection[J]. IEEE Trans Image Process, 2020, 29: 1890-1901. DOI: 10.1109/TIP.2019.2946469
[14] Shin J H, Yu R, Ong J N, et al. Quantitative gait analysis using a pose-estimation algorithm with a single 2D-Video of Parkinson's disease patients[J]. J Parkinsons Dis, 2021, 11(3): 1271-1283. DOI: 10.3233/JPD-212544
[15] Huang T H, Li M, Huang J W. Recent trends in wearable device used to detect freezing of gait and falls in people with Parkinson's disease: a systematic review[J]. Front Aging Neurosci, 2023, 15: 1119956. DOI: 10.3389/fnagi.2023.1119956
[16] O'Day J, Lee M, Seagers K, et al. Assessing inertial measurement unit locations for freezing of gait detection and patient preference[J]. J Neuroeng Rehabil, 2022, 19(1): 20. DOI: 10.1186/s12984-022-00992-x
[17] Diep C, O'Day J, Kehnemouyi Y, et al. Gait parameters measured from wearable sensors reliably detect freezing of gait in a stepping in place task[J]. Sensors (Basel), 2021, 21(8): 2661. DOI: 10.3390/s21082661
[18] Bikias T, Iakovakis D, Hadjidimitriou S, et al. DeepFoG: an IMU-based detection of freezing of gait episodes in Parkinson's disease patients via deep learning[J]. Front Robot AI, 2021, 8: 537384. DOI: 10.3389/frobt.2021.537384
[19] O'Day J, Syrkin-Nikolau J, Anidi C, et al. The turning and barrier course reveals gait parameters for detecting freezing of gait and measuring the efficacy of deep brain stimulation[J]. PLoS One, 2020, 15(4): e0231984. DOI: 10.1371/journal.pone.0231984
[20] Bertoli M, Croce U D, Cereatti A, et al. Objective measures to investigate turning impairments and freezing of gait in people with Parkinson's disease[J]. Gait Posture, 2019, 74: 187-193. DOI: 10.1016/j.gaitpost.2019.09.001
[21] Reches T, Dagan M, Herman T, et al. Using wearable sensors and machine learning to automatically detect freezing of gait during a FOG-provoking test[J]. Sensors (Basel), 2020, 20(16): 4474. DOI: 10.3390/s20164474
[22] D'Cruz N, Seuthe J, De Somer C, et al. Dual task turning in place: a reliable, valid, and responsive outcome measure of freezing of gait[J]. Mov Disord, 2022, 37(2): 269-278. DOI: 10.1002/mds.28887
[23] Nóbrega L R, Rocon E, Pereira A A, et al. A novel physical mobility task to assess freezers in Parkinson's disease[J]. Healthcare (Basel), 2023, 11(3): 409.
[24] Krasovsky T, Heimler B, Koren O, et al. Bilateral leg stepping coherence as a predictor of freezing of gait in patients with Parkinson's Disease walking with wearable sensors[J]. IEEE Trans Neural Syst Rehabil Eng, 2023, 31: 798-805. DOI: 10.1109/TNSRE.2022.3231883
[25] Mancini M, Shah V V, Stuart S, et al. Measuring freezing of gait during daily-life: an open-source, wearable sensors approach[J]. J Neuroeng Rehabil, 2021, 18(1): 1. DOI: 10.1186/s12984-020-00774-3
[26] Borzì L, Sigcha L, Rodríguez-Martín D, et al. Real-time detection of freezing of gait in Parkinson's disease using multi-head convolutional neural networks and a single inertial sensor[J]. Artif Intell Med, 2023, 135: 102459. DOI: 10.1016/j.artmed.2022.102459
[27] May D S, Tueth L E, Earhart G M, et al. Using wearable sensors to assess freezing of gait in the real world[J]. Bioengineering (Basel), 2023, 10(3): 289. DOI: 10.3390/bioengineering10030289
[28] Denk D, Herman T, Zoetewei D, et al. Daily-living freezing of gait as quantified using wearables in people with Parkinson disease: comparison with self-report and provocation tests[J]. Phys Ther, 2022, 102(12): pzac129. DOI: 10.1093/ptj/pzac129
[29] Hu K, Mei S H, Wang W, et al. Multi-level adversarial spatio-temporal learning for footstep pressure based FoG detection[J]. IEEE J Biomed Health Inform, 2023, 27(8): 4166-4177. DOI: 10.1109/JBHI.2023.3272902
[30] Zou Y F, Lai Y R, Chiu W C, et al. Clinical utility of plantar pressure measurements as screening in patients with Parkinson disease with and without freezing of gait history[J]. Arch Phys Med Rehabil, 2023, 104(7): 1091-1098. DOI: 10.1016/j.apmr.2023.02.019
[31] Pardoel S, Shalin G, Nantel J, et al. Selection of plantar-pressure and ankle-acceleration features for freezing of gait detection in Parkinson's disease using minimum-redundancy maximum-relevance[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2020, 2020: 4034-4037.
[32] Pardoel S, Shalin G, Nantel J, et al. Early detection of freezing of gait during walking using inertial measurement unit and plantar pressure distribution data[J]. Sensors (Basel), 2021, 21(6): 2246. DOI: 10.3390/s21062246
[33] Marcante A, Di Marco R, Gentile G, et al. Foot pressure wearable sensors for freezing of gait detection in Parkinson's disease[J]. Sensors (Basel), 2020, 21(1): 128. DOI: 10.3390/s21010128
[34] Cao Z H, John A R, Chen H T, et al. Identification of EEG dynamics during freezing of gait and voluntary stopping in patients with Parkinson's disease[J]. IEEE Trans Neural Syst Rehabil Eng, 2021, 29: 1774-1783. DOI: 10.1109/TNSRE.2021.3107106
[35] Wang Y, Beuving F, Nonnekes J, et al. Freezing of gait detection in Parkinson's disease via multimodal analysis of EEG and accelerometer signals[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2020, 2020: 847-850.
[36] Mazzetta I, Zampogna A, Suppa A, et al. Wearable sensors system for an improved analysis of freezing of gait in Parkinson's disease using electromyography and inertial signals[J]. Sensors (Basel), 2019, 19(4): 948. DOI: 10.3390/s19040948
[37] Hou Y H, Ji J, Zhu Y, et al. Flexible gel-free multi-modal wireless sensors with edge deep learning for detecting and alerting freezing of gait symptom[J]. IEEE Trans Biomed Circuits Syst, 2023, 17(5): 1010-1021. DOI: 10.1109/TBCAS.2023.3281596
[38] Zhang W, Yang Z K, Li H T, et al. Multimodal data for the detection of freezing of gait in Parkinson's disease[J]. Sci Data, 2022, 9(1): 606. DOI: 10.1038/s41597-022-01713-8
[39] Mikos V, Heng C H, Tay A, et al. A wearable, patient-adaptive freezing of gait detection system for biofeedback cueing in Parkinson's disease[J]. IEEE Trans Biomed Circuits Syst, 2019, 13(3): 503-515. DOI: 10.1109/TBCAS.2019.2914253
[40] Geerse D J, Coolen B, Van Hilten J J, et al. Holocue: a wearable holographic cueing application for alleviating freezing of gait in Parkinson's disease[J]. Front Neurol, 2021, 12: 628388.
计量
- 文章访问数: 232
- HTML全文浏览量: 77
- PDF下载量: 51