帕金森病脑深部刺激疗法中STN靶点定位方法综述，曾雪，胡春华，脑深部电刺激（DBS）疗法近十年来成为治疗帕金森病、肌张力障碍、抑郁、癫痫等神经性疾病的重要疗法，手术能否取得成功的一个关键

脑电信号基础matlab代码波列分析 使用 2D 和 3D AUC 图，我们提高了帕金森病的检测精度 有用于分析脑电图 (EEG)、肌电图 (EMG) 和震颤图数据的 Matlab 文件。 波列电活动分析方法的思想是我们将生物医学信号视为波列的组合。 波列是信号在时间、频率和空间上局部化的功率谱密度的增加。 我们将波列检测为小波频谱图中的局部最大值。 我们不认为波列是一种特殊的信号。 我们研究了以下波列参数：波列中心频率、波列最大功率谱密度、周期中的波列持续时间和波列带宽。 我们开发了特殊的图表，称为 AUC 图，以确定哪些波列是神经退行性疾病的特征。 您可以在此处阅读我们的方法： OS Sushkova、AA Morozov、AV Gabova、AV Karabanov。 使用基于波列的电活动分析方法研究帕金森病患者肢体震颤的表面肌电图和加速信号 // 人工智能进展：第 16 届伊比利亚美洲人工智能会议，IBERAMIA 2018，秘鲁特鲁希略，11 月 13 日-16, 2018, Proceedings / GR Simari, F. Eduardo, F. Gutiérrez

珠三角 帕金森病分类器

帕金森氏病患者的护理，帕金森氏病患者的护理PPT，帕金森氏病患者的护理课件

基于深度学习的帕金森患者声纹识别.pdf

基于深度学习的对早期帕金森病的短时间序列进行分类 Classification of Short Time Series in Early Parkinson’s Disease With Deep Learning of Fuzzy Recurrence Plots

医药行业日报：新型治疗帕金森病药物II、III期临床成功.pdf

Parkinson_Classification（帕金森分类数据集）.7z

网格环境matlab源码Information_processing_DBS_Cortex 来自 S. Valverde、M. Vandecasteele、C. Piette、W. Derousseaux、G. Gangarossa、A. Aristieta Arbelaiz、J. Touboul、B. Degos、L. Venance 的计算模型，“深度脑刺激引导的帕金森病光遗传学拯救症状”，《自然通讯》（准备中）。 开发这种 L5 运动皮层的简化尖峰网络模型是为了测试其在不同条件下的信息处理能力（控制、帕金森、帕金森 + DBS 或皮层中间神经元的光激活）。 系统要求 网络活动模式的模拟在 Matlab R2016b 中运行。 可以使用和下载最新版本的 Matlab。 分类器准确性的模拟在专用 Anaconda 环境中的 Python 2.7 中运行。 Scikit-learn（模拟中使用的 0.19.1 版，可从 轻松下载）是运行“Classifier_results.py”代码的必要包。 模拟已在 OS.X 版本 10.9.5 和 Ubuntu Linux 16.04 上进行了

步态matlab代码可重复研究的自述文件-使用可重复研究实践进行步态分析以追踪帕金森氏病的发展 当所有研究工件（例如文本，数据，图形和代码）可供独立研究人员使用时，可以复制研究工作。 在本文中，我们提出了一种可重现的步态分析，以通过监测步行异常来追踪帕金森氏病的发展。 我们将主成分分析应用于步态数据中，以检测可能表明帕金森氏病进展的用户异常。 我们用脚部传感器数据的公共数据库[1]验证了我们的方法，该数据库包括具有健康步态和帕金森氏病患者的垂直地面反作用力记录。 计算科学，例如计算机科学，统计学，工程学的许多领域以及信号处理，都是理论上和实验上的。 这些科学是定理证明与计算机代码开发相结合的结果，以验证研究结果。 根据范德沃（Vanderwalle）[2]的观点，要进行可重复的研究，就会增加出版物在这些科学领域的影响。 如果与研究工作相关的所有信息（包括文本，数据和代码）可供独立研究人员使用，则该研究工作称为可复制的，可以重现结果。 系统总览 步态分析研究人体步态中肢体运动的力和力矩，包括VGRF的测量。 患者在脚下使用合适的力传感器，并将其连接到鞋子上以测量VGRF [3]。 该获取