使用可穿戴传感器评估帕金森病患者的步态和震颤

⃝⃝可在www.sciencedirect.com在线获取ScienceDirectICT Express 2（2016）168www.elsevier.com/locate/icte使用可穿戴传感器评估帕金森病患者的步态和震颤Shyam V. Perumala，Ravi Sankarb，a美国佛罗里达州坦帕市南佛罗里达大学生物医学工程系b美国佛罗里达州坦帕市南佛罗里达大学电气工程系接收日期：2016年8月31日;接收日期：2016年10月12日;接受日期：2016年10月13日2016年10月27日在线发布摘要通常，患有帕金森病（PD）的受试者在这项研究中，我们研究了使用步态和震颤特征早期检测和监测PD的效果从可穿戴传感器收集的数据中提取各种特征，并使用统计分析和机器学习技术进行进一步分析，以找到最能区分两组的最重要特征：PD受试者和健康对照受试者。我们的研究结果的分析表明，步长，站立和摆动阶段，脚跟和归一化脚跟力的功能更显着，以实现更好的分类与其他功能相比，两组此外，震颤分析的基础上的频域特征的信号，包括幅度，功率分布，频散，和中位频率进行识别PD震颤从非典型帕金森震颤。c2016韩国通信信息科学研究所。出版社：Elsevier B.V.这是一篇开放获取的文章，CC BY-NC-ND许可证（http：//creativecommons. org/licenses/by-nc-nd/4. 0/）。关键词：步态和震颤特征;线性判别分析;帕金森1. 介绍帕金森病（Parkinson帕金森病基金会[1]估计全世界有近700万至1000万人患有PD。大脑中产生多巴胺的神经元的退化是PD的主要原因，其中多巴胺是控制平滑肌和协调肌肉功能的基本神经递质[1]。PD的主要运动症状包括静息时震颤、运动迟缓、僵硬和姿势平衡受损[2]。PD的诊断可能是困难的，特别是在其早期阶段，目前，没有特异性测试或生物标志物可用于诊断PD。大多数情况下，目前的诊断是*通讯作者。电子邮件地址：shamvignesh@mail.usf.edu（S.V.Perumal），sankar@usf.edu（R. Sankar）。同行评审由韩国通信信息科学研究所负责。本文是题为《新兴市场医学诊断技术由Ki H.Chon，Sangho Ha，Jinseok Lee，Yunyoung Nam，Jo Woon Chong and Marco DiRienzo.基于临床医生/神经病学家从视觉观察得出的主观测量，以从CRISPR生成评分。通常，神经科医生会分析患者的完整病史，并进行大量临床评估，以确认该受试有时，经过仔细考虑，可能需要长达一年的时间才能诊断出PD 受试者的神经系统病史和临床评估。此外，由于缺乏客观的措施，也有很大的可能性误诊PD。研究发现，PD的误诊率约为25%，约40%的PD病例因其他神经系统疾病而被忽视[1，3]。据专家介绍，PD的诊断需要存在四种主要PD运动症状中的一种或多种。PD症状的进展因受试者而异。例如，在疾病发作期间，仅70%的PD患者发生静息震颤，而其他患者可能在PD的初始阶段发生步态障碍甚至动作震颤[1，3]。因此，需要早期和准确的诊断PD，以便更好地治疗和更有效地控制症状的影响。http://dx.doi.org/10.1016/j.icte.2016.10.0052405-9595/c2016韩国通信信息科学研究所。Elsevier B. V.的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4. 0/）。S.V. 佩鲁马尔河Sankar/ICT Express 2（2016）168169随着时间的推移，许多类型的研究已经发展到使用不同类型的传感器、特征集和分析方法来对PD监测系统进行去噪。在用于获取生物信号的许多可穿戴传感器中，包括加速度计、力传感器、陀螺仪和磁力计[4]的传感器很少。Patel等人[5]致力于开发一种系统，该系统使用可穿戴传感器平台测量震颤、运动迟缓（运动缓慢）和运动障碍（运动波动）的严重程度静息震颤发生在PD的早期阶段，也是诊断PD的基本标准，其中加速度计被广泛用于检测和记录其发生[6，7]。Salarian等人[8]提出了一种检测和量化震颤的算法，并将测得的震颤幅度与相应的ESTRS评分进行了比较。此外，Edwards和Beuter [9]利用震颤特征（如振幅、频率和频谱功率）来识别PD震颤。然后，他们将这些特征组合成一个单一变量，以有效地从异常震颤中识别PD [9]。此外，监测患者的步态障碍，在早期阶段检测PD是至关重要的在Salarian等人[10]进行的实验帕金森病患者的站立时间明显高于健康人。此外，Okuno等人使用受试者佩戴的力传感器获得了类似的结果[11]。此外，Tahir和Manap [12]基于力测量提取了基本的然后，通过统计分析，发现步长、步行速度和VGRF是区分帕金森病患者与健康对照受试者的显著特征Barth等人[13]提取了各种步态特征，并使用多个分类器进行分类，并研究了其各自的性能。在所使用的分类器中，LDA（线性判别分析）提供了最好的分类精度。在[14]中，Frenkel-Toledo等人研究了PD和健康对照受试者的步行速度和步态变异性之间的关系。同时，研究者对两组进行了统计学分析（t检验）。从结果中可以得出结论，与健康对照受试者相比，PD患者的步幅时间和摆动时间的变异性增加。本研究的目的是分析这些特征，在疾病的初始阶段，PD受试者会发出警报，这将使我们能够在发病时检测PD的存在在这项研究中，我们使用来自在线数据库（Physionet）的数据提取动力学和时空特征，并找到了一组最能区分PD受试者（H Y阶段2，2.5和3）和健康受试者的数据。此外，提取震颤特征，并使用先进的信号处理和机器学习技术对前震颤和步态参数进行各种分析，以比较和区分PD受试者和健康受试者。大多数研究利用步态或震颤特征进行PD监测。在这里，我们研究了步态和震颤特征的使用，并分析了它们对PD早期检测和监测的影响2. 数据收集对于步态分析，使用了来自Physionet在线数据库[15]的数据，包括对93名患有中度疾病严重程度（HY 2-3期）的特发性PD患者（平均年龄：66.3岁）和73名健康对照进行的 实 验 的 读 数 ， 以 100 Hz 的 速 率 采 样 。 该 数 据 库 由Frenkel-Toledo等人进行的3个不同实验组成。（Group 分析了足跟、趾下（跖趾关节）和足趾区的受力情况为了减少受试者体重对力的影响对于震颤分析，使用了来自Physionet数据库的数据，这些数据来自对一组16名PD患者进行的实验 [18]。在研究时，患者处于诱导震颤的最低药物治疗下，记录60秒的时间段的数据（取决于受试者发生震颤的持续时间），并以100Hz采样。3. 特征提取3.1. 步态特征步态周期开始于脚跟着地点，称为初始接触，标志着站立阶段的开始。站立阶段在脚趾离地阶段结束，并且摆动阶段在下一个脚跟撞击事件结束。 健康对照受试者的站立和摆动周期与PD患者不同。站立和摆动相位值对于从健康受试者中识别PD个体至关重要[19]。其他时空参数包括步长、相对脚的脚地板接触的两个连续点之间的行进平面中的线性距离。此外，踏步时间是相对脚的脚地板接触的连续瞬间之间的时间间隔。最后一个特征是动力学特征，其主要关注在初始接触和脚趾离地位置期间作用在地面上的力[20]。3.2. 步态检测算法最初，使用截止频率为0.8 Hz的切比雪夫 II型高通滤波器对原始力数据进行滤波，以去除测量期间受试者身体方向变化和其他因素引起的噪声滤波后的数据用于提取各种步态特征，使用峰值检测和脉冲宽度测量技术。步态检测算法的阈值被调整到个人主题。从峰值检测算法，各种动力学特征，包括脚跟，脚趾下，脚趾的力量，和他们的归一化值。脉冲持续时间算法被开发用于提取不同的空间和时间特征，包括步长、站立和摆动相位以及步幅时间。在图1中，针对受试者的左脚绘制了力读数与时间的关系。从该图中，标记了点P1170S.V. 佩鲁马尔河Sankar/ICT Express 2（2016）168≤9008007006005004003002001000Fig. 1. PD患者的力读数与时间的关系图。点P1至P4表示一个步态周期。以表示一个步态周期。P1和P4之间的时间段定义步幅时间。另外，从位置P1到达P3所花费的时间是站立周期。同样地，将从点P3到点P4所花费的时间定义为摆动周期。因此，可以计算摆动/站立比。进一步，提取的步态特征被用来训练分类器，分类的准确率作为输出。3.3. 震颤特点人类有两种不同类型的震颤：病理性和生理性震颤[21]。中枢神经系统和周围神经系统疾病可能导致病理性震颤。病理性震颤的相关示例是帕金森震颤，其进一步分类为静止性震颤、姿势性震颤和运动性震颤。为了详细说明，当身体不执行自主动作时发生静止震颤，当保持身体部位（例如手臂、腿）抵抗重力而没有任何运动时发生姿势震颤，并且当受试者执行任何特定任务（例如手指到鼻子测试或书写）时可以看到动力震颤。然而，PD震颤主要发生在休息时，以4-6 Hz的频率振荡与PD震颤相比，生理震颤典型地存在于所有人中，并且被认为是伪影。它通常发生在8-12赫兹的频率，有时取决于测量的位置，以甚至更高的频率[21]。此外，由非典型帕金森综合征引起的震颤类似于PD震颤，并且由于各种因素而发生，包括某些药物的使用、血管问题、进行性核上性麻痹（PSP）、多系统萎缩（MSA）、路易体痴呆（DLB）等[3]。有助于我们检测PD震颤的频域中的各种震颤特征[22，23]包括振幅、功率分布、频率分散和中值频率。4. 数据分析和结果4.1. 统计分析使用MinitabWARR 17.2.1进行统计分析[24]。据观察，从图像所有研究组受试者的左脚和右脚高度相关，因此仅左脚的力数据用于分析目的。使用单因素方差分析（ANOVA）检验确定两组（PD组和健康对照组）的平均值之间是否存在任何显著差异，结果见表1。在95%置信区间下进行，观察值p值0。05被认为是有意义的。研究中的步态参数为步距、步幅时间、站立和摆动阶段、脚跟、跖趾关节（脚趾下方）和脚趾力，以及脚跟、脚趾下方和脚趾力的归一化值。从表1中可以明显看出，来自所有三个组的PD患者具有比健康对照受试者更短的平均步距，以及略高的平均步幅时间。此外，与健康对照受试者相比，PD患者的平均摆动阶段减少，平均站立阶段增加。此外，我们可以注意到，与PD患者相比，健康受试者中由脚的脚跟区域施加的垂直力和标准化脚跟力更高，因此表明更好的稳定性和控制。由于垂直力表明身体控制稳定性，这证明参与研究的健康对照受试者与PD患者相比具有更好的身体控制。4.2. 地面反作用力（GRF）图在图2（a）中，健康受试者的地面反作用力值已经相对于步态周期的百分比绘制。从图中可以看出，在步态周期中产生了两个峰值，第一个峰值出现在脚跟撞击地板时，第二个峰值出现在脚趾离地期间，这是由来自地面的推离力产生在PD的早期阶段，在初始接触和脚趾离地阶段的力值减小。此外，在后期阶段，力图的特征在于单个窄峰[25]，如图2（b）所示。这是由于PD患者和健康受试者之间的行走解剖结构差异所致。在正常的步态中，脚跟首先着地，然后是脚趾，这被称为脚跟到脚趾行走。相比之下，PD步态的特征在于扁平足着地：整个脚同时着地。此外，在后期阶段，脚趾在脚跟之前接触地面，称为脚趾到脚跟行走[26]。4.3. LDA模式分类模式分类在Matlab中进行[27]。线性判别分析（LDA）分类器被用来研究提取的步态参数的性能。该算法和它的规格已被选择的基础上，其更好的性能相比，其他算法，包括支持向量机（SVM）和人工神经网络（ANN）。每组共使用40个观察结果进行分类，在PD和健康对照受试者之间各分配20个观察结果。使用五折交叉验证方法，将数据分为五组或五折。每一次折叠，S.V. 佩鲁马尔河Sankar/ICT Express 2（2016）168171表1“Si”、“Ju”和“Ga”组步态特征的平均值、标准差和p步态特征组组“Ga”组PD受试者ANOVAp值PD受试者ANOVAp值PD受试者ANOVAp值≤0。05,≤0。05,≤0。05,显著差异显著差异显著差异平均值±SD平均值±SD平均值±SD平均值±SD平均值±SD平均值±SD步距（m）跨步时间（sec）站立阶段（%）摆动阶段（%）脚跟力（N）低于脚趾力（N）脚趾力（N）足跟的标准化力（%体重）脚趾以下的标准化力（%体重）脚趾的标准化力（%体重）0。70±0。040。58±0。07<0。001<0。0010.0880.141<0。0010.7930.844<0。0。679±0。060。498±0。09<0。0010.537<0。001<0。001<0。0010.4910.8710。676± 0。0840。467± 0。079<0。0010.098<0。001<0。0010.0150.4030.1570.0031 .一、05±0. 061 .一、16±0。081 .一、106±0。0871 .一、131±0。1631 .一、127±0。0831 .一、240±0。26964岁49±2。3565岁74±2。1664岁08± 1。45366岁61± 2。47763岁66± 1。95569岁05± 4。48134个月。42± 2。5133号。32±2。0735岁。90±1。45433号。27±2。74135岁。54±1。894第二十九章。80± 4。351. 35± 8362229. 03± 86。20348. 13± 8030227. 98± 885三百一十五0± 94。28二百三十8±102。1287. 92± 9514295. 58± 8771248. 二十五±五十。92235. 38 ±6532267. 8± 71。46249. 9± 54。68171. 91± 8435167. 00± 72。11169. 27± 6819173. 15 ±8171187. 7± 88。36一百五十二9± 51。3551. 83± 11。4234个月。79±11。3852. 十五±十三。7932号。58±120945岁。二十±十二。8231号。77±11 6540岁。08±10。32四十二。93± 8。8536个。6±7。2534个月。48±10。22第四十一章。39±36个。43±10。63二十五67±11 77二十五66±1004二十五04±9。98二十五88±132628岁。75±124123岁03±8。25172S.V. 佩鲁马尔河Sankar/ICT Express 2（2016）168图二、（a）在步态周期期间作用在一组“Ga”健康对照受试者上的垂直地面反作用力（b）作用在来自组“Ga”的PD患者上的垂直地面反作用力0.80.60.40.20图三.使用PD组和对照组的所有步态特征绘制ROC曲线。它训练模型并评估其性能。此外，它计算所有折叠的平均测试误差[28]。步距、站立和摆动相位、脚跟和标准化脚跟力等参数的平均值的准确率优于其他特征。因此，这些特征显示PD组和健康对照组之间存在显著差异。此外，当所有特征组合时，对于组“Si”中的受试者，准确率约为87.5%，对于组“Ju”和“Ga”中的受试者，分别为我们决定将最明显的特征：步距，站立相，摆动相，脚跟和标准化脚跟力组合在一起，“Si”组的准确率为90.0%，其次是“Ju”和“Ga”组分别为92.5%和92.25%。另一方面，其余的较难区分的特征，包括步幅时间，脚趾下的力，脚趾力和脚趾下和脚趾区域的归一化力，组合起来具有较低的准确率。在图3中，我们可以看到使用所有步态特征的PD和对照受试者之间的ROC图。ROC曲线绘制真阳性率（灵敏度）与假阳性率（1-特异性）之间的值在下面的图中，我们选择了一个最佳的临界点，在灵敏度和特异性之间取得了最佳平衡在ROC曲线中，分类器将灵敏度为0.72且特异度为0.81的点作为最佳值此外，曲线下面积达到96%，这量化了算法区分PD受试者和健康受试者的总体能力。4.4. 震颤分析使用快速傅立叶变换（FFT）将时域信号变换到频域[29]。在进行变换之前，所有信号均以0.5 Hz的截止频率进行高通滤波（二阶巴特沃斯滤波器），以去除由于呼吸和心脏振荡引起的低频噪声。此外，表示每单位带宽存在的信号量的信号的谱密度被绘制以获得信号的功率。观察到的震颤特征提供了PD震颤和非典型帕金森综合征引起的震颤之间的区别[30]，如下所示，(1) 振幅峰值RMS（均方根）值被定义为所有输入平方值的平均值的平方根，并且被发现为0.0749。它也被称为信号的平均平均功率，这对于与通常具有低幅度值的其他非典型震颤进行比较是有用的。(2) 配电在4-6 Hz间隔之间测量峰值幅度，其中可以看到单个大峰值。在典型的PD震颤中，大量的功率集中在4-6 Hz之间的区域中，从而在该区域中形成显著的峰值，如图2所示。四、在4-6 Hz范围内分布的功率量约占频谱中总功率的91.92%。(3) 频散输入信号的功率谱密度（PSD）估计显示了各个频率处的功率分布在应用窗口技术之前的PSD图由频谱泄漏组成最 常 用 的 一 些 窗 口 包 括 矩 形 （ 平 顶 ） ， Hamming 和Hann，并根据应用程序进行选择。在我们的情况下，我们需要一个窗口以提高频率分辨率并减少频谱泄漏，其中Hann窗口是理想的[29]。此外，分散的频率值被测量为大约15.418π毫拉德/样品，占光谱具有窄带宽的功率，这在PD震颤中是典型的。(4) 中值频率在图5中，在应用500个样本长度的汉恩窗口之后，可以看到具有减少的频谱泄漏和增加的分辨率的PSD。中位频率是70060050040030020010009008007006005004003002001000力（N）S.V. 佩鲁马尔河Sankar/ICT Express 2（2016）168173见图4。显示输入时域信号的FFT输出的图，信号的幅度以单侧频谱绘制。图五.显示使用500个样本的Hann窗口长度的信号的功率谱密度（PSD）估计。它还指定信号的中值频率。功率在光谱的上部分和下部分之间相等划分的点被确定为有价值4.96 Hz.此外，从图中可以明显看出，中值频率与频谱中的单个大峰一致，并且在PD受试者中大多数情况下可以看到类似的频谱。5. 讨论在这项工作中，对PD受试者表现出的运动症状的各个方面(a) 步态特征包括（i）时空参数，包括步距、跨步时间、站立和摆动阶段，以及（ii）动力学参数，包括脚跟力、脚趾下力、脚趾力以及脚跟、脚趾下力和脚趾力的归一化值。(b) 震颤信号的频域特征，包括振幅、功率分布、频率扩展和中值频率。本研究的假设是，震颤和步态特征在设计监测系统以检测在发病时监测PD并跟踪其进展。在这项研究中，开发了一种算法来提取不同的步态和震颤特征，并进行了分析，以获得最显着的特征，将最好地区分与PD的受试者， 健康的实验对象因此，具体的步态特征，包括步距，站立和摆动阶段，脚跟和归一化脚跟力被发现是更显着的比其他的歧视。在震颤分析中，所有16例PD受试者数据的结果在可用的在线数据库中，步态和震颤数据来自在不同实验室收集的不同患者然而，为了开发一个集成的PD监测和管理系统，我们必须使用来自相同受试者的多个传感器进行更统一用于震颤监测的加速度计和用于步态监测的力/压力传感器的集成以及改进的算法需要被开发成单个工具，以便于临床医生此外，通过个体化研究PD患者的步态模式，可以帮助治疗师或临床医生设计物理治疗和其他康复计划。此外，由于姿势不稳定，PD患者中常见跌倒，了解患者行走时的姿势平衡可能有助于更好地管理他们。6. 结论患有PD的个体在疾病的各个阶段显示震颤发生和步态障碍。由于PD的诊断缺乏客观指标，误诊率高，因此需要早期准确诊断，以便更好地治疗和更有效地控制症状的影响。在这里，我们研究了运动症状在早期阶段检测PD的作用，以及作为早期诊断PD的生物标志物的潜力。预计它将作为医院使用的标准方法的补充测试方法在这项研究中，我们研究了使用步态和震颤特征早期检测和监测PD的效果从可穿戴传感器收集的数据中提取各种特征，并使用统计分析和机器学习技术进行进一步分析，以找到最能区分两组的最重要特征：PD受试者和健康对照受试者。从结果中，据观察，一组步态特征，包括步距，站立和摆动阶段，脚跟和归一化的脚跟力提供了更好的性能（功能歧视）比别人。在PD患者和健康对照受试者之间分类的平均准确率为86.9%类似地，进行震颤分析，其中我们提取信号的频域特征以从由于非典型帕金森症引起的震颤中识别PD震颤。 患有PD的受试者在4-6 Hz之间的频率处具有大的峰值窄带宽是174S.V. 佩鲁马尔河Sankar/ICT Express 2（2016）168在功率谱中观察到，中值落在4至6 Hz区域。这提供了PD震颤与由于在该频带之外发生的非典型帕金森症引起的其他震颤之间的区别。致谢这项研究得到了USF学院的部分支持。工程跨学科奖学金计划和富布赖特美国学者计划赠款。作者要感谢他们在USF神经病学系和USP-EESC巴西的研究合作者。引用[1] 帕金森病基金会（n.d.），检索自http：//www. PDF. org/.[2] P. Nausieda，G.帕金森病 ： 你 和 你 的 家人国家帕金森基金会（National Parkinson Foundation Inc.）一九九九年。[3] 国家 帕金森 基金会 （未注明） 检索 来自http：//www.帕金森。org.[4] A. 穆罗德拉埃朗湾Garcia-Zapirain，A. Menald-Zorrilla，步态分析方法：可穿戴和非可穿戴系统概述，突出临床应用，传感器14（2014）3362-3394。[5] S. P atel等人，使用可穿戴传感器监测帕金森病患者的运动波动，IEEE Trans. INF. Technol. BioMed. 13（6）（2009）864-873。[6] G. Rigas等人，静息震颤的实时定量，帕金森2009年2[7] B.K. Scanlon等人，帕金森病患者下肢和上肢震颤的加速度计研究。Clin. Neurosci. 20（2013）827[8] A. Salarian等人， 震颤和运动迟缓的量化帕金森氏病使用一种新的动态监测系统，IEEE Trans.生物医学。Eng.54（2）（2007）313-322。[9] R. Edwards，A. Beuter，Indexes for identification of abnormal tremorusing computertremor evaluation systems，IEEE Trans. BioMed. Eng.46（7）（1999）895-898。[10] A. Salarian等人，帕金森病患者的步态评估：长期监测的环境监测系统，IEEE生物医学学报。Eng. 51（8）（2004）1434-1443。[11] R. Okuno等人足底压力的时空分布特征分析帕金森氏病步态期间，在：Proc.30th IEEE EMBS Annu.国际会议，2008年，第1765[12] N.Md. Tahir，H.H. Manap，基于机器学习方法的帕金森病步态分类，J. Appl. Sci. 12（2012）180-185。[13] J. Barth，et al.用于早期诊断的生物特征和移动步态分析帕金森病的治疗监测医学与生物工程会议，波士顿，马萨诸塞州，美国，8月。302011年3月[14] S. Frenkel-Toledo等人，帕金森病患者步速对步态节律性的影响：步幅时间和摆动时间反应的变异性不同地，J. Neuroeng.康复中心2（23）（2005）。[15] J.M. Hausdorff等人帕金森病的步态http://www.physionet.org网站。[16] J.M. Hausdorff等人，节律性听觉刺激可调节帕金森病患者的步态变异性。神经科学杂志26（8）（2007）2369-2375。[17] G. Yogev等人，双重任务、步态节律性和帕金森病：步态的哪些方面需要注意？EUR.神经科学杂志22（5）（2005）1248-1256。[18] A. Beuter等人脑深部电刺激治疗帕金森病震颤的疗效观察[在线]，可访问：http://www.physionet.org。[19] 李志荣，步态分析：正常与病理功能，台北市，国立成功大学，1992。[20] C.L. Vaughan，B.L.戴维斯，J.C. O'Connor，Dynamics of HumanGait，第二版，Kiboho出版社，南非开普敦，1999年。[21] M. Mario等人，生 物 信息学方法在人体建模中的 应用震颤，Curr.生物信息。4（2）（2009）。[22] A. 伯伊特河Edwards，使用频域特征区分生理性震颤和帕金森病震颤，J。Clin. 神经生理学 16（5）（1999）484-494。[23] H. Dai，P. 张文忠Lueth，帕金森病的定量评估基于惯性测量单元的 震颤，传感器15 （10 ）（2015 ）25055-25071。[24] Minitab 17统计软件，Minitab，Inc.（www.minitab.com），PA，2015.[25] S.H. Koozekanani等人，帕金森病患者截肢时的地面反作用力：初步研究，Arch.Phys.Med.Rehabil。68（1987）28-30。[26] J.R. 休斯， et 例如， 帕金森 异常 的 脚 罢工：A衰老现象和/或对左旋多巴治疗有反应？Br. 《临床药理学杂志》29（1990）179-186。[27] MATLAB 8.6，MathWorks Inc.，Natick，MA，USA，2015.[28] R.O. Duda，P.E. 哈特，D.G.Stork，模式分类，第二版， JohnWiley& Sons，2001年。[29] S.W. 史密斯，《数字信号科学家与工程师加工，加利福尼亚技术出版社，1999年。[30] T. Heida，E.C. Wentink，E. Marani，脑深部电刺激治疗帕金森病患者的生理、静息和动作震颤的功率谱密度分析，J。神经工程康复中心10（70）（2013）。