摘要：帕金森病（Parkinson's Disease， PD）是一种常见的神经退行性疾病，早期诊断和精确分类对促进PD患者的早期治疗和康复至关重要。近年来，基于多模态信息融合的PD分类预测方法受到广泛关注，其能充分发挥多模态数据的优势，提高PD识别的准确性。本文对这一领域的最新研究进展进行全面综述。首先，介绍了PD的临床特征及其诊断挑战，阐述了基于多模态信息融合进行PD分类预测的重要性。接下来，详细探讨了多模态PD分类预测模型构建的关键问题，包括多模态特征提取、特征选择和融合策略等。然后，综述了基于手写动力学、量表评估和医学影像等不同模态数据的PD分类预测方法，并对其性能进行比较分析。最后，总结了该领域的研究现状和未来发展趋势，为利用多模态信息实现PD的精准分类和辅助诊断提供参考。

关键词：帕金森病; 多模态信息融合; 分类预测; 特征提取; 数据融合

基金项目：福建省自然科学基金面上项目：基于多模态信息融合的帕金森病分类预测研究（2023J01966）资助

1 引言

帕金森病（Parkinson's Disease， PD）是一种常见的神经系统退行性疾病，主要表现为运动障碍，如静止性震颤、肌肉僵硬、运动缓慢等，严重影响患者的生活质量[1]。据统计，目前全球约有670万PD患者，且发病率随着年龄的增加而不断上升[2]。PD的发病机制尚未完全阐明，目前认为其可能是由多种遗传和环境因素共同作用导致的[3]。临床诊断PD主要依赖于医生的经验判断，需要排除其他疾病，确定运动症状的起源和严重程度。由于PD的早期症状通常不明显且缺乏特异性，误诊率较高，特别是对于非神经内科专科医生，误诊率可高达25%[4]。因此，如何实现PD的早期精准诊断和分类是当前该领域面临的重要挑战。

近年来，随着医学检测技术的不断进步，PD诊断已不再局限于简单的症状评估，而是可以结合多种生理指标进行综合分析。基于手写动力学分析、量表评估和医学影像等多模态信息的PD分类预测方法受到广泛关注[5-7]。这些方法能够充分挖掘多模态数据中蕴含的关键特征，综合分析个体的生理状况，从而提高PD诊断的准确性和可靠性。此外，多模态信息融合还可以实现对PD亚型的精细化分类，为个性化治疗提供依据。

总的来说，基于多模态信息融合的PD分类预测研究是当前该领域的热点方向，对推进PD早期诊断和精准治疗具有重要意义。因此，本文拟对这一领域的最新研究进展进行全面梳理和综述，包括多模态特征提取、特征融合策略以及基于不同模态数据的PD分类预测方法等关键技术，并展望未来的研究热点和发展趋势，为相关领域的研究者提供参考。

2 帕金森病的临床特征及诊断挑战

2.1 帕金森病的临床表现

PD是一种缓慢进行的神经退行性疾病，主要病理改变包括黑质多巴胺能神经元的丢失和Lewy小体的异常蓄积[8]。PD的主要临床表现包括运动症状和非运动症状。

（1） 运动症状。PD的运动症状主要包括静止性震颤、肌肉僵硬、运动迟缓及姿势与平衡障碍等。其中静止性震颤是PD最明显和常见的症状，多出现于肢体或颈部，严重影响患者的日常生活。肌肉僵硬表现为四肢及躯干肌肉僵硬，会导致关节活动受限。运动迟缓是指执行和完成运动的速度降低，严重影响患者的活动能力。姿势与平衡障碍会导致患者容易跌倒，给生活造成极大不便[9]。

（2） 非运动症状。PD的非运动症状包括认知功能障碍、情感障碍、感觉障碍、自主神经功能障碍等，这些症状往往在PD的早期就已出现，但容易被忽视。临床上常见的非运动症状有抑郁、焦虑、失眠、便秘、嗅觉障碍、幻觉等[10]。

2.2 帕金森病的诊断挑战

目前PD的诊断主要依赖于临床症状评估，需要经验丰富的神经内科医生进行系统的病史询问和神经系统检查。但PD的早期症状往往不明显且缺乏特异性，很容易被误诊或漏诊。特别是对于非神经内科专科医生，PD的误诊率可高达25%[4]。此外，临床症状评估具有一定主观性，难以实现早期精准诊断。

近年来，随着医学检测技术的发展，PD诊断已不再仅依赖于临床表现，而是可以结合多种生理指标进行综合分析。例如，基于手写动力学分析的PD筛查[5]、基于量表评估的PD亚型分类[6]以及基于核磁共振（Magnetic Resonance Imaging， MRI）等医学影像的PD诊断[7]等方法均显示出较高的诊断准确性。

综上所述，PD的临床症状复杂多样，单一的症状评估很难实现早期准确诊断，而基于多模态信息融合的PD分类预测方法为解决这一难题提供了新思路，值得深入探讨和研究。

3 基于多模态信息融合的帕金森病分类预测

3.1 多模态信息融合的重要性

单一模态的生理信息通常难以全面反映PD的复杂病理特征，易导致漏诊或误诊。相比之下，基于多模态信息融合的PD分类预测方法能够充分发挥多源数据的优势，从而提高PD诊断的准确性和可靠性。具体来说，多模态信息融合在PD分类预测中的重要意义主要体现在以下几个方面：

（1） 增强特征表达能力。不同模态的生理信息能从不同角度刻画个体的病理特征，如手写动力学反映运动功能障碍，量表评估反映认知情绪障碍，医学影像反映脑结构和功能异常等。融合这些多样化的特征可以增强特征的区分能力。

（2） 提高分类预测准确性。单一模态数据受限于信号噪声、采集环境等因素的影响，很难实现精确的PD分类。相比之下，多模态信息融合能够利用不同数据源的互补性，弥补单一模态的局限性，从而显著提升PD分类预测的准确性。

（3） 实现PD亚型精细化分类。PD是一种复杂的神经退行性疾病，其症状和进程存在较大个体差异。基于多模态信息融合的PD分类预测方法，能够更细致地刻画PD的亚型特征，为个性化诊疗提供依据。

总之，充分利用多模态生理信息进行PD的综合分析，能够更准确地评估个体的健康状况，对于解决PD的早期诊断难题具有重要意义。因此，近年来基于多模态信息融合的PD分类预测方法成为该领域的研究热点。

3.2 多模态PD分类预测的关键技术

基于多模态信息融合的PD分类预测涉及多个关键技术环节，包括多模态特征提取、特征选择和融合策略等。下面分别对这些关键技术进行阐述。

（1） 多模态特征提取

不同模态的生理信号蕴含着丰富的病理特征信息，如手写动力学反映运动功能异常、量表评估反映认知情绪障碍、医学影像反映脑结构和功能改变等。常用的特征提取方法包括时域特征、频域特征、时频特征、统计特征等。此外，为了提高特征的可区分性，可采用主成分分析（Principal Component Analysis， PCA）等降维技术对特征进行优化选择。

（2） 特征选择

从多模态数据中提取的特征通常存在较高的冗余性和维度性，需要进行特征选择以提高分类性能。特征选择技术主要包括基于过滤的方法（如卡方检验、互信息分析等）和基于包装的方法（如递归特征消除、顺序前向/后向搜索等）。这些方法旨在提高分类模型的鲁棒性和泛化性能。

（3） 特征融合策略

针对从不同模态数据中提取的多种特征，需要设计合理的融合策略以充分发挥多模态信息的优势。常用的融合策略包括特征级融合（将不同模态的特征合并成一个高维特征向量）、决策级融合（对不同模态的分类结果进行加权融合）以及混合级融合（特征与决策的混合融合）等。此外，还可以采用深度学习技术（如多模态神经网络）自动学习特征融合的优化策略。

总之，基于多模态信息融合的PD分类预测需要解决上述几个关键技术问题，即如何从多源异构数据中提取有效特征、如何进行特征选择优化以及如何设计高效的特征融合策略。下面，将对基于不同模态数据的PD分类预测方法进行综述。

4 基于不同模态数据的帕金森病分类预测方法

4.1 基于手写动力学的PD分类预测

手写动力学反映了人体运动功能的变化，能较好地刻画PD患者的运动障碍特征，因此成为一种常用的PD筛查手段。基于手写动力学数据的PD分类预测主要包括以下步骤：

（1） 数据采集。采集PD患者和健康对照组被试的书写动作数据，如书写压力、笔尖移动轨迹、书写速度等。

（2） 特征提取。从手写动力学数据中提取各种时域、频域和时频特征，如平均书写压力、书写速度均值与方差、笔尖轨迹分形维数等，以刻画PD患者的运动功能异常。

（3） 特征选择。采用卡方检验、互信息分析等方法，从大量手写特征中挑选与PD分类任务高度相关的关键特征子集，提高模型的泛化性能。

（4） 分类预测建模。基于所选手写特征，采用支持向量机、随机森林等经典机器学习算法构建PD分类预测模型，实现对PD患者和健康个体的自动分类。近年来，也有研究者尝试采用深度学习技术进一步提高了PD分类的准确性。

总的来说，基于手写动力学的PD分类预测方法具有简单、快速和低成本的优点，为PD的早期筛查提供了有效手段。但是由于手写动力学数据主要反映运动功能障碍，对于其他非运动症状难以有效刻画，因此需要结合其他模态信息进行综合分析。

4.2 基于量表评估的PD分类预测

量表评估是目前PD诊断和分类的主要手段，能够全面反映PD患者的运动和非运动症状。常用的量表包括统一帕金森病评定量表（Unified Parkinson's Disease Rating Scale， UPDRS）、蒙特利尔认知评估量表（Montreal Cognitive Assessment， MoCA）等。基于量表评估的PD分类预测主要包括以下步骤：

（1） 数据收集。收集PD患者和健康对照组被试的量表评估数据，如UPDRS得分、MoCA评分等。这些量表评估数据能够全面反映个体的运动和认知功能状况。

（2） 特征提取。从量表评估数据中提取各项得分、评分分布、评分变化趋势等特征，以刻画PD患者的综合症状特征。

（3） 特征选择。采用Wilcoxon秩和检验、Kruskal-Wallis检验等非参数统计方法，从大量量表特征中挑选出与PD分类任务高度相关的关键特征。

（4） 分类预测建模。基于所选量表特征，采用逻辑回归、支持向量机等监督学习算法构建PD分类预测模型。近年来，也有学者利用基于决策树的集成学习方法，如随机森林，实现对PD亚型的精细化分类。

总的来说，基于量表评估的PD分类预测能够全面刻画PD患者的症状特征，但仍存在一定局限性。一方面，量表评估具有一定主观性，难以实现早期精准诊断；另一方面，单一模态的量表数据难以充分挖掘PD的复杂病理特征。因此，需要进一步探索如何利用多模态信息融合来提高PD分类预测的性能。

4.3 基于医学影像的PD分类预测

医学影像技术，如磁共振成像（MRI）、单光子发射计算机断层扫描（SPECT）等，能够反映PD患者大脑结构和功能的改变，为PD的诊断和分类提供客观依据。基于医学影像的PD分类预测主要包括以下步骤：

（1） 数据采集。收集PD患者和健康对照组被试的MRI、SPECT等医学影像数据。

（2） 特征提取。从医学影像数据中提取感兴趣区域的体积、形状、纹理、代谢etc.特征，以刻画PD患者大脑的病理改变。此外，也可以利用深度学习技术直接从原始影像数据中学习特征表示。

（3） 特征选择。采用统计显著性检验等方法，从大量影像特征中挑选出与PD分类相关性最强的特征子集。

（4） 分类预测建模。基于所选医学影像特征，采用支持向量机、神经网络等监督学习算法构建PD分类预测模型。近年来，也有研究利用基于生成对抗网络（GAN）的迁移学习方法，以增强模型的泛化能力。

与基于临床症状评估的传统方法相比，基于医学影像的PD分类预测能够提供更加客观和定量的依据。但由于医学影像数据采集成本较高，难以大规模应用。因此，如何与其他低成本模态数据进行有效融合，最大化多模态信息的优势，是未来研究的重点方向。

5 研究现状与展望

综上所述，基于多模态信息融合的PD分类预测是当前该领域的研究热点。这类方法能够充分挖掘不同生理指标中蕴含的病理特征，提高PD诊断的准确性和可靠性，为实现PD的早期精准诊断和个性化治疗提供新思路。

目前，基于手写动力学、量表评估和医学影像等不同模态数据的PD分类预测方法已取得了一定进展，并显示出较高的诊断性能。但是，这些方法仍存在一些局限性：

1） 单一模态数据难以全面刻画PD的复杂病理特征，需要进一步探索多模态信息融合的优化策略。

2） 现有研究多集中于二分类（PD vs. 健康个体）任务，对于PD亚型的精细化分类仍有待加强。

3） 大多数研究停留在模型构建和评估阶段，缺乏对临床应用效果的广泛验证。

未来，该领域的研究热点和发展趋势可能集中在以下几个方面：

1） 开发基于深度学习的端到端多模态特征学习和融合方法，进一步提高PD分类预测的鲁棒性和泛化性。

2） 探索将PD亚型划分纳入分类预测框架，实现对PD个体差异的精细化分析和个性化诊疗方案的制定。

3） 加强与临床医生的密切合作，在实际临床环境中验证多模态PD分类预测方法的应用价值，促进技术向实际应用的转化。

4） 研究基于多模态信息融合的PD早期预警机制，为临床筛查和预防提供有效手段。

总之，基于多模态信息融合的PD分类预测研究为实现PD的早期精准诊断和个性化治疗提供了新的契机，值得进一步深入探索和发展。

参考文献

[1]邹全，陈飞，孟文玉，等.步态参数与黑质强回声在帕金森病早期诊断与病情进展的关联性研究[J].中国超声医学杂志，2024，40（03）：245-248.

[2]王佳彬，沈晓明，马云枝，等.帕金森病中西医研究进展[J].中国实验方剂学杂志，2022，28（01）：241-250.

[3]孔健达，解瑛傲，马雯，等.帕金森病相关线粒体功能障碍及运动对其潜在的改善作用[J].中国组织工程研究，2024，28（27）：4413-4420.

[4]刘小璇，张朔，刘娜，等.震颤分析用于早期帕金森病的诊断价值[J].北京大学学报（医学版），2019，51（06）：1096-1102.

[5]温金玉，方美娥.基于机器学习的计算机辅助帕金森疾病分类预测研究综述[J].图学学报，2023，44（06）：1065-1079.

[6]季培琛，李晨.基于多头注意力机制的多模态帕金森病安全检测系统[J].计算机测量与控制，2024，32（03）：138-145.

[7]熊金华，席芊.基于多模态影像的机器学习与深度学习在帕金森病诊治中的应用进展[J].同济大学学报（医学版），2023，44（06）：918-924.

[8]桂建军，孙晓东，温舒，等.白藜芦醇对帕金森病模型小鼠多巴胺能神经元的保护作用：基于抑制TLR4/MyD88/NF-κB通路[J].南方医科大学学报，2024，44（02）：270-279.

[9]张铭禹.五禽戏干预帕金森病的文献综述[J].武术研究，2024，9（03）：111-115.

[10]许诺言，张臻年.新型冠状病毒对帕金森病患者非运动症状影响的研究现状[J].中国神经免疫学和神经病学杂志，2023，30（05）：349-354.