matlab三维步态分析系统代码帕金森氏病的原发性和继发性运动症状与DREAM挑战数据集的相关性 Parth Shah2，R.Sahiti Pudota1，Miad Faezipour1，Ph.D。，Jani Macari Pallis，Ph.D.1 布里奇波特大学，221大学大道，布里奇波特，CT 06604 1，（UB校友）2 简易句 计算加速度，距离，步数，每步距离和信号能量（信号幅度的平方和），以确定如何使用帕金森氏病数字生物标记物DREAM Challenge识别出帕金森氏病的主要和次要运动症状。 1]数据集。 背景/简介 2016年初，Pallis和Faezipour从Bridgeport大学获得了种子资金，用于与两名生物医学工程研究生[2]进行研究，他们随后发表了他们的硕士论文，以创建用于步态和跌倒检测的智能手机数据收集应用程序[ 3]以及在MATLAB中使用分类方案来分析该数据以进行跌倒检测[4]。 作为该项目的一部分，该小组检查（但未分析）来自PhysioNet [5]的数据集的步态和跌倒，并认识到正在开发的Smart-Phone和MATLAB应用程序也可以扩展为识别

遗传是帕金森氏病（PD）的关键危险因素之一，患有帕金森氏病的孩子的孩子患该病的风险是两倍。 在本文中，估计了五类家庭中个体罹患帕金森氏病的机会。 也就是说，PD病史阴性的家庭（I），父母病史（II），父母其中一位（III-IV）或父母双方（V）都没有被诊断为阳性的家庭。 经过复杂的建模后，使用最大似然法和贝叶斯方法来估计在上述五种家庭类型中发展帕金森氏症的机会。 了解此类概率非常重要，因为个人可以采取预防措施来克服这种可能性。 尽管许多医师已就PD的发展机会提供了医学意见，但我们的研究是最早提供具有真实数据的统计模型和分析以支持结论的研究之一。

使用步态分析进行帕金森氏病检测 对帕金森氏病（PD）患者和对照对象的步态分析已进行分析，以显示PD患者和对照对象的差异。 使用Phisonet的Gaitpdb数据库提供的数据（已在对象的每只脚上使用8个传感器来计算垂直地面反作用力（VGRF）），已使用7个统计函数执行了数据压缩，以获得数据的代表性图像。 统计函数（最小值，最大值，均值，中位数，标准差，偏度和峰度）已用于将超过300万个元组压缩为310个元组。 最后，各种机器学习技术已应用于转换后的数据集，以执行帕金森氏病的检测。 使用Logistic回归，决策树，随机森林，SVM（线性内核），SVM（RBF内核），SVM（多核）和k最近邻居进

使用小脑灰色物质将帕金森氏病患者与正常对照患者区分开

PD数据库由训练和测试文件组成。培训数据属于20名PWP（6名女性，14名男性）和20名健康人（10名女性，10名男性），他们在伊斯坦布尔大学Cerrahpasa医学院神经系上诉。从所有主题，采取多种类型的录音（26个声音样本，包括持续元音，数​​字，单词和短句）。从每个语音样本中提取一组26个线性和时间 - 基于频率的特征。由该专家医师确定的每个患者的UPDRS（（统一帕金森氏病评分量表）分数也可用于该数据集）因此，该数据集也可用于回归。 在收集由多种类型的录音组成的训练数据集并进行实验后，根据所获得的结果，我们继续在相同条件下通过同一医生的检查过程收集来自PWP的独立测试集。在收集这个数据集的过程中，28名PD患者被要求分别只说出持续元音'a'和'o'三次，共计168次录音。从该数据集的语音样本中提取相同的26个特征。这个数据集可以作为一个独立的测试集来验证在训练集上获得的结果。