帕金森预测因子 这个项目是一个教育项目，旨在加深我通过动手学习机器学习的知识。 在本笔记本中，您将看到我使用两种不同的分类策略来尝试根据存储库中也可以找到的数据集来预测某人是否患有帕金森氏病。 信息和渗透来自有关机器学习，深度学习和熊猫的公共kaggle课程。

检测帕金森病 帕金森氏病与运动障碍症状有关，例如震颤，僵硬，运动迟缓和姿势不稳。 运动迟缓和僵硬的表现通常在疾病的早期。 这些对患者的笔迹和素描能力有显着影响，显微照相术已被用于帕金森氏病的早期诊断。 虽然人的笔迹受许多因素（例如语言熟练程度和教育程度）的影响，但发现绘制形状（例如螺旋形）是一种非侵入性且独立的措施。 怎么跑 python detect_parkinsons.py --dataset dataset/spiral python detect_parkinsons.py --dataset dataset/wave

2020年中国帕金森病治疗指南（第四版）解读.pptx

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

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

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