Longitudinal Prognosis of Parkinsons Outcomes using Causal Connectivity
帕金森病(PD)是一种运动障碍和第二常见的神经退行性疾病,但尽管其相对丰富,但没有临床上接受的神经影像学生物标志物来进行预后预测或区分类似的非典型神经退行性疾病多系统萎缩和进行性核上性麻痹。包括运动回路和基底神经节在内的回路中的异常连接先前已被证明是神经退行性变的早期标志。因此,我们假设跨大脑的区域间连接障碍的组合模式可用于形成PD疾病状态和进展的患者特异性预测模型。这些模型采用从非侵入性测量的功能性MRI计算的连接性,在PD和非典型外观之间进行差异预测,在疾病特异性量表上预测进展,并预测认知下降。此外,我们确定了对疾病进展和诊断最有价值的联系。当预测运动障碍协会赞助的统一帕金森病评定量表(MDS-MSAS)和蒙特利尔认知评估(MoCA)修订版的一年进展时,预测的平均绝对误差分别为1.8和0.6个基点。当区分特发性PD与外观相似者和健康对照时,达到0.68的平衡准确度。我们还发现了与预后和诊断任务密切相关的网络组件,特别是将深核,运动区和丘脑内的连接。这些预测,使用MRI模式在大多数临床环境中容易获得,证明了功能磁共振成像连接作为帕金森病预后生物标志物的强大潜力。
2022-06-21 q-bio.NC
Failure of Delayed Feedback Deep Brain Stimulation for Intermittent Pathological Synchronization in Parkinson's Disease
抑制大脑中过度同步的β带振荡活动被认为可以抑制帕金森病的运动功能减退症状。最近,很多人的兴趣已经致力于消除延迟反馈脑深部电刺激(DBS)。这种类型的同步控制被证明是不稳定的简单模型振荡器的网络中的同步状态,以及在网络中的耦合模型神经元。然而,在帕金森氏病的神经活动的动力学表现出复杂的间歇性同步模式,远离理想的同步动力学用于研究延迟反馈刺激。本研究探讨了延迟反馈刺激对部分同步振荡动力学的作用,类似于帕金森病患者的实验观察。我们采用的基底神经节网络的模型,再现实验观察到的精细的时间结构的同步动态。当我们的模型的参数是这样的同步性是非生理性强,反馈施加一个去同步化的行动。然而,当网络被调整以再现实验观察到的高度可变的时间模式时,相同类型的延迟反馈实际上可能会增加同步性。随着网络参数从产生完全同步的范围改变到有利于不太同步的动态的范围,去同步化延迟反馈可能会逐渐变成同步刺激。这表明,延迟反馈DBS治疗帕金森病可能会促进而不是抑制同步,并且不太可能在临床上成功。该研究还表明,延迟反馈刺激可能不一定表现出去极化效应时,作用于生理上现实的部分同步动力学,并提供了一个例子,如何估计的刺激效果。
2013-02-07 q-bio.NC
Unveiling the shared grey matter signature between Alzheimer's and Parkinson's Disease
QIMR Berghofer Medical Research Institute(昆士兰临床研究所伯格霍费尔医学研究所);University of Queensland(昆士兰大学);Sorbonne University(索邦大学);Queensland University of Technology(昆士兰科技大学)
本研究利用大型MRI数据集和高分辨率脑图,首次量化了阿尔茨海默病与帕金森病在顶点水平的灰质关联,发现两者存在显著的正相关(rGM=0.24),并定位了9个贡献显著的顶点簇,提示共享的神经解剖特征在神经退行性早期出现。
2026-06-01 q-bio.NC
Coupled effects of channels and synaptic dynamics in stochastic modelling of healthy and Parkinson's-disease-affected brains
我们的大脑是一个复杂的信息处理网络,其中神经系统接收来自环境的信息,以快速对传入的事件作出反应,或从经验中学习以提高我们的记忆力。在神经系统中,大脑状态翻译通过突触连接互连的神经元的集体活动。在本文中,我们研究了健康脑细胞随机影响下的通道和突触动力学的耦合效应,并将其应用于帕金森病(PD)。特别是,我们调查的随机输入的影响,在丘脑底核(ESTA)细胞膜电位模型。神经元爆发现象和帕金森病运动功能减退症状密切相关,因为调节神经元爆发的电和化学操作足以改善或模拟帕金森病运动缺陷。脑深部电刺激(DBS)是一种重要的手术技术,用于治疗PD症状。我们的数值计算结果表明,随机输入强烈影响的尖峰活动的神经元不仅在健康的细胞的情况下,但也在存在DBS治疗的PD细胞的情况下。具体地,系统中随机不应期与随机输入电流一起的存在可以显著地影响输出神经元的脉冲序列的增加的不规则性。
2022-06-16 q-bio.NC
Modeling Basal Ganglia for understanding Parkinsonian Reaching Movements
我们提出了一个计算模型,强调基底神经节(BG)在产生简单的达到运动的作用。该模型在强化学习(RL)框架内进行铸造,RL组件和神经解剖学之间的对应关系如下:黑质多巴胺信号作为时间差误差,纹状体作为Critic的基底,运动皮层作为Actor。这种神经生物学解释的一个关键特征是我们的假设,即间接途径是探索者。混沌活动,起源于模型的间接路径部分,驱动着手臂的游荡和探索运动,因此直接路径有利于开发,而间接路径有利于探索。随着训练的进行,运动皮层变得越来越独立于BG的校正影响。到达轨迹显示出随着训练而减少的可变性。与帕金森病(PD)相关的到达运动是通过(a)减少多巴胺和(b)通过将其从混沌切换到周期性行为来降低间接通路动力学的复杂性来模拟的。在模拟PD条件下,手臂表现出PD运动症状,如震颤、运动迟缓和下冲。该模型反映了PD是一种动态疾病的概念。
2010-09-23 q-bio.NC
Wirelessly transmitted subthalamic nucleus signals predict endogenous pain levels in Parkinson's disease patients
本研究利用无线传输的丘脑底核(STN)信号与可解释机器学习算法,预测帕金森病患者的二元疼痛水平,发现双侧STN不同频段活动对内源性疼痛波动具有显著影响。
2025-06-27 q-bio.NC
PhoneMD: Learning to Diagnose Parkinson's Disease from Smartphone Data
Institute of Robotics and Intelligent Systems(机器人与智能系统研究所);ETH Zurich(苏黎世联邦理工学院)
帕金森氏病是一种神经退行性疾病,可以影响一个人的运动,言语,灵巧和认知。临床医生主要通过对症状进行临床评估来诊断帕金森病。然而,误诊是常见的。导致误诊的一个因素是,在进行临床评估时,帕金森病的症状可能并不突出。在这里,我们提出了一种机器学习方法,使用基于智能手机的步行,语音,敲击和记忆测试的长期数据来区分患有和没有帕金森病的人。我们证明了我们的专注深度学习模型在来自1853名参与者的队列数据中的强基线(接收器操作特征曲线下的面积= 0.85)上实现了预测性能的显着改善。我们还表明,我们的模型可以识别输入数据中有意义的特征。我们的研究结果证实,在很长一段时间内收集的智能手机数据在未来可能被用作诊断帕金森病的数字生物标志物。
2018-11-14 cs.LG q-bio.NC
The Neural Basis of Groove Sensations: Implications for Music-Based Interventions and Dance Therapy in Parkinson's Disease
本研究通过 fMRI 探讨了低频律感背后的神经机制,发现放大低频成分能激活感觉运动与执行等脑网络,据此提出用于帕金森病的增强型节律听觉刺激范式以改善步态。
2025-03-04 q-bio.NC
A Metric for Evaluating and Comparing Closed-Loop Deep Brain Stimulation Algorithms
目的:闭环脑深部电刺激(DBS)可能会改善目前神经运动障碍的临床DBS治疗,但控制算法可能会因患者而异。需要新的指标来比较和评估闭环算法性能,以满足闭环神经调节控制器的特定需求。方法:针对系统性能提出了一个指标,其中包括可用于比较患者算法性能的归一化项。使用两种闭环控制算法对该指标进行了评估,这些算法在经历静息震颤的帕金森病(PD)患者中进行了测试。主要结果:该指标在震颤治疗和节能之间的平衡因患者和算法而异。考虑到与开环刺激相比,每次试验如何以患者额外震颤为代价导致刺激功率的可变降低,这是预期的。意义:所提出的指标将有助于新算法的临床评估,并为未来的系统设计者提供基准。考虑到动态调整神经刺激的潜在应用日益增长,这将是重要的。ClinicalTrials.gov标识符:NCT 02384421。
2016-05-19 q-bio.NC
Risk and Protective Factors in Parkinsons Disease
本文综述帕金森病的风险与保护因素及其生物学机制,并提出标准化生物标志物、基因-环境研究和改进动物模型等未来方向及分层预防管理建议。
2025-03-10 q-bio.NC
Computational modelling of Parkinson's disease: A multiscale approach with deep brain stimulation and stochastic noise
University of Manitoba(曼尼托巴大学)
本研究提出一种统一微观与宏观尺度的协同仿真多尺度建模方法,结合脑深部刺激与随机噪声,揭示了丘脑脉冲活动特征及噪声对神经变异性的主要贡献,为帕金森病动态机制及临床应用提供新见解。
2025-09-16 q-bio.NC
A reaction-diffusion model for the progression of Parkinson's disease
帕金森病的时间和空间发展特征为通过易感神经元通路进行性形成α-突触核蛋白聚集体。本文描述了一种新的模型,这种进展机制中,帕金森氏症的损害随着时间的推移,通过神经系统的发病机制和分子扩散的反应动力学的综合作用。在反应扩散模型中,从健康状态到疾病状态的变化作为帕金森病损伤的波前通过神经系统推进,通过受损α-突触核蛋白和氧化物质的神经毒性水平的积累来标记其路径。根据该模型的进展遵循Braak分期理论所描述的通过神经系统的最脆弱路线,并预测损害将根据风险因素的水平和数量以不同的速度进展,以一种对帕金森病发展变化的新见解的方式。
2017-02-17 q-bio.NC q-bio.TO
Preliminary Results of Neuromorphic Controller Design and a Parkinson's Disease Dataset Building for Closed-Loop Deep Brain Stimulation
本研究提出基于LIF神经元的神经形态控制器以调整DBS电信号强度,显著降低了闭环深部脑刺激系统的功耗并提升抑制效率,同时构建了包含丘脑底核beta振荡的帕金森病数据集。
2024-07-25 cs.NE q-bio.NC
Electrostimulation of Brain Deep Structures in Parkinson's Disease
该研究涉及56名晚期和晚期帕金森病患者,这些患者可能需要神经外科治疗-对脑深部结构进行电刺激。已经开发了一种算法,用于选择晚期和晚期帕金森病患者进行神经治疗-在远程神经外科中心植入用于脑深部结构电刺激的系统,其中包括两个阶段,用于行动受限的患者-门诊和住院。转诊到神经系统治疗的算法的开发缩短了从综合医院到神经系统中心的移动性有限的患者的路径。电刺激帕金森病患者的脑深部结构显著改善了患者的状况-使功能活动增加了55%,运动障碍的严重程度降低了55%,左旋多巴药物的剂量减少了一半。
2021-09-18 cs.NE physics.med-ph q-bio.NC
Oscillatory Signatures of Parkinson's Disease: Central and Parietal EEG Alterations Across Multiple Frequency Bands
本研究通过深度学习分析31名受试者的静息态脑电图,去除震颤伪迹后识别出帕金森病相关的中央-顶叶多频段振荡特征,为帕金森病早期诊断提供潜在生物标志物。
2025-03-22 cs.LG q-bio.NC
Signatures of Parkinson's disease in complexity of low-frequency fluctuations of postural sway velocity
姿势描记术通常用于定性评估帕金森病的主要症状之一-姿势不稳定。虽然平衡控制的大多数措施是从压力中心的位移,有证据表明,这种控制更可能是基于速度。我们对30例帕金森病(PDP)患者在ON状态下进行了静态姿势图测试(睁眼和闭眼),并将结果与30例年龄匹配的老年对照(HSC)和60例年轻对照(HYC)进行了比较。我们使用微分滤波器产生摇摆速度低频波动的时间序列,并计算其Lempel-Ziv复杂度(LZC)。闭眼时,HSC 0.21(0.02)的中外侧LZC显著高于HYC 0.19(0.02)和PDP 0.18(0.02)。因此,衰老和PD对中外侧LZC具有相反的影响,这在HSC和PDP之间有很大的区别(92%的灵敏度和87%的特异性)。
2017-10-20 physics.bio-ph q-bio.NC
A Data-Driven Biophysical Computational Model of Parkinson's Disease based on Marmoset Monkeys
University of Sao Paulo(圣保罗大学);Heriot-Watt University(赫瑞-瓦特大学);University of Campinas(坎皮纳斯州立大学);Federal University of Espirito Santo(圣灵联邦大学);Federal University of Rio Grande do Norte(北里奥格兰德联邦大学)
在这项工作中,我们提出了一个新的生物物理计算模型的大脑区域相关的帕金森氏病的基础上收集的局部场电位数据从绒猴的大脑。帕金森病是一种神经退行性疾病,与黑质丘脑部多巴胺能神经元的死亡有关,其影响大脑的基底神经节-丘脑-皮质神经元回路的正常动力学。虽然有多种机制的疾病,这些机制和分子发病机制的完整描述仍然缺失,仍然没有治愈。为了解决这一差距,已经提出了类似于动物模型中发现的神经生物学方面的计算模型。在我们的模型中,我们执行了一种数据驱动的方法,其中使用差分进化优化了一组生物约束参数。进化的模型成功地类似于单神经元的平均放电率和光谱特征的局部场电位从健康和帕金森氏症的绒猴大脑数据。就我们而言,这是第一个帕金森病的计算模型,基于对绒猴七个大脑区域的同时电生理记录。结果表明,所提出的模型可以促进调查的机制,PD和支持的技术,可以指示新的治疗方法的发展。它也可以应用于其他计算神经科学问题,其中生物学数据可以用来拟合大脑回路的多尺度模型。
2021-09-01 cs.AI q-bio.NC
Interpretable Classification of Early Stage Parkinson's Disease from EEG
University of Bristol(布里斯托大学);Torbay Hospital(托贝医院)
本文提出将EEG表示为15变量频带功率与峰值频率序列,并用可解释Decision Tree和AdaBoost进行早期帕金森病分类,发现N1睡眠数据具有显著预测力且性能超过80%。
2023-12-08 cs.LG q-bio.NC
Cortical Geometry Network and Topology Markers for Parkinson's Disease
神经变性影响皮质灰质,导致皮质套体积损失。作为这种体积损失的结果,与健康大脑相比,预期皮质表面上区域的几何排列会改变。在这里,我们提出了一种新的方法来研究大脑皮层表面几何形状的变化在帕金森病(PD)的主题与\emph{Geometry Networks (GN)}框架。皮质表面的局部几何布置被捕获为表面上解剖学定义的包裹的质心的3D坐标。皮层块之间的区域间距离是感兴趣的信号,并被捕获为几何网络。我们研究其拓扑结构,通过计算的维数诱导的二进制无向网络的过滤每个几何网络的单纯复形。在排列统计检验中,在PD组和健康对照组之间的同源性特征中观察到统计学显著($p<0.05$)差异,突出了其区分各组的潜力及其在疾病诊断中的潜在效用。
2016-11-14 q-bio.NC stat.AP
EEG changes and motor deficits in Parkinson's disease patients: Correlation of motor scales and EEG power bands
多年来,帕金森病(PD)患者的运动障碍被大量研究,然而,没有一致的模式之间的关系定量脑电图(qEEG)和运动量表出现。有一个普遍缺乏的信息之间的关系脑电图的变化和规模有关的具体运动缺陷。因此,本研究旨在探讨脑振荡活动改变(EEG功率带)和最常用的PD相关运动缺陷量表之间的关系。在步态问卷(FOGQ)冻结和δ谱功率带(rho=0.67; p=0.008)之间发现了正相关性,而在α谱功率带中观察到与相同尺度的负相关性(rho=-0.59,p=0.027)。此外,通过统一帕金森病评定量表(UMRS)运动部分测量的运动评分与θ(rho=0.55,p=0.040)直接相关,与β EEG功率带(rho=-0.77,p=0.001)呈负相关。光谱功率与Hoehn和Yahr(H&Y)、BERG(Berg K. et. 1995)、改良帕金森活动量表(MPAS)、六分钟步行试验(6 MWT)和定时起身和行走试验(TUG)。总之,我们的研究支持了早期的研究结果,表明EEG减慢和运动衰退之间的联系,提供了更多的洞察EEG改变和不同运动领域的缺陷之间的关系。这些研究结果表明,EEG评估可能是一个有用的生物标志物,用于客观监测PD的进展和康复方法的神经生理作用。
2021-06-04 eess.SP q-bio.NC
Interpretable Electrophysiological Features of Resting-State EEG Capture Cortical Network Dynamics in Parkinsons Disease
研究通过可解释的脑电图特征区分帕金森病神经状态,发现标准特征在区分用药状态上表现最佳,动态特征在区分患者与健康对照方面具有竞争力,揭示了疾病和用药状态下的脑电特征变化。
2026-06-08 q-bio.NC q-bio.QM
Parkinsons Disease Detection via Resting-State Electroencephalography Using Signal Processing and Machine Learning Techniques
Leland High School(利兰高中)
本研究针对帕金森病缺乏一致生物标志物的挑战,采集15名PD患者和16名健康对照者的静息态EEG数据,通过信号预处理、特征提取及多种机器学习算法进行分类,发现随机森林模型取得97.5%准确率,为临床自动化诊断PD提供了有效方法。
2023-03-29 cs.CV q-bio.NC
Early Disease Stage Characterization in Parkinson's Disease from Resting-state fMRI Data Using a Long Short-term Memory Network
Yale University(耶鲁大学)
帕金森病(Parkinson's disease,PD)是一种常见而复杂的神经退行性疾病,根据Hoehn-Yahr分级标准分为5个阶段。鉴于PD的异质性,对早期1期和2期进行分类并检测脑功能改变具有挑战性。功能磁共振成像(fMRI)是一种很有前途的工具,在揭示功能连接(FC)的差异和开发生物标志物在PD。支持向量机和逻辑回归等机器学习方法已成功应用于基于功能磁共振成像数据的帕金森病早期诊断,其性能优于基于人工选择形态学特征的分类器。然而,FC变化的早期表征尚未得到充分研究。鉴于fMRI数据的复杂性和非线性,我们建议使用长短期记忆(LSTM)网络来表征PD的早期阶段。该研究包括来自帕金森病进展标志物倡议(PPMI)的84名受试者(第2阶段56名,第1阶段28名),这是最大的公共PD数据集。在重复的10倍分层交叉验证下,LSTM模型达到了71.63%的准确率,比最好的传统机器学习方法高出13.52%,与其他机器学习分类器相比,具有更好的鲁棒性和准确性。我们使用学习的LSTM模型权重来选择有助于模型预测的顶级大脑区域,并进行FC分析来表征疾病阶段和运动障碍的功能变化,以更好地了解PD的大脑机制。
2022-02-11 cs.LG eess.SP q-bio.NC
Interpretable machine learning predicts Parkinson's disease severity using motion-corrected QSM MRI and multiband multiecho fMRI features
Lyda Hill Department of Bioinformatics(Lyda Hill 生物信息学系);Department of Biomedical Engineering(生物医学工程系);University of Texas Southwestern Medical Center, Dallas, Texas, USA(德克萨斯西南医学中心,德克萨斯州达拉斯)
利用可解释机器学习,从QSM和多波段多回波静息态fMRI衍生的ReHo特征预测帕金森病运动严重程度。提取特征进行多模型实验,结果显示不同模型表现及特征贡献,表明结构和功能成像依临床预测目标作用不同。
2026-07-07 cs.CV cs.LG q-bio.NC
Prediction of individual progression rate in Parkinson's disease using clinical measures and biomechanical measures of gait and postural stability
The University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
帕金森病(PD)是一种常见的以步态障碍为特征的神经系统疾病。PD无法治愈,开发治疗的障碍是缺乏任何可接受的方法来预测疾病进展率。本研究的主要目的是开发一种模型,使用临床测量和步态和姿势稳定性的生物力学测量来预测个人的PD进展超过两年。使用了160例PD受试者的数据。机器学习模型,包括XGBoost和前馈神经网络,是使用广泛的模型优化和交叉验证开发的。性能最高的模型是一个神经网络,它使用了一组临床指标,在识别快速进展者方面达到了71%的PPV,并解释了个体进展率在保持测试数据上的大部分(37%)方差。这证明了通过机器学习分析临床和生物力学指标来预测个体PD进展率并丰富试验的潜力。
2019-11-22 cs.LG eess.SP q-bio.NC
Early Recognition of Parkinson's Disease Through Acoustic Analysis and Machine Learning
Southern Methodist University(南卫理公会大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
本文综述了基于语音数据与机器学习的帕金森病早期识别方法,探讨了数据整理流程及多种分类算法的性能,发现特定声学特征结合先进技术能有效区分患者与健康人群。
2024-07-22 cs.LG cs.NA math.NA
GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease
Stanford University(斯坦福大学)
提出异质超图融合框架GAMMA-PD,整合影像与非影像临床数据并结合特征注意力,以提升帕金森病运动障碍预测及临床可解释性。
2024-10-01 cs.AI cs.LG eess.IV