智能可穿戴设备在帕金森病步态障碍中的应用进展

智能可穿戴设备在帕金森病步态障碍中的应用进展【摘要】帕金森病是全球第二大神经系统退行性疾病，步态障碍作为其核心运动症状，是导致患者残疾与生活质量下降的首要原因。目前临床诊断主要依赖量表评估，存在主观性强、回忆偏差及灵敏度有限等缺点，难以捕捉细微变化与多维步态特征。近年来，随着智能可穿戴传感器技术的迅速发展，在帕金森病步态障碍的定量分析、远程监测与个体化管理中展现出显著优势，有望弥补传统量表的局限性。文中综述了目前智能可穿戴设备在帕金森病步态障碍的评估、治疗、预后以及远程管理等各个环节的应用进展及其尚存局限，供临床医生及研究者参考。【关键词】帕金森病；步态障碍；可穿戴设备；步态分析帕金森病（Parkinson′sdisease）是第二常见的神经系统退行性疾病，除静止性震颤、运动迟缓、僵直和姿势不稳等典型运动症状外，还会引起认知、情绪及睡眠等非运动症状，严重影响患者的生活质量［1］。据世界卫生组织2023年报告称，全球帕金森病的发病率在过去25年间呈现出约2倍的上升趋势［2］，且随着全球加速进入人口老龄化时代，帕金森病发病率呈逐年持续上升趋势［3］。步态障碍作为其核心运动症状，已成为患者致残和跌倒的首要诱因。流行病学数据显示，约70%的帕金森病患者在中晚期出现步态异常，跌倒风险较健康人增加3~5倍，骨折发生率高达20%~40%［4］。随着疾病进展，帕金森病步态障碍与认知功能障碍、抑郁等非运动症状形成恶性循环，显著缩短患者的预期寿命并加重社会经济负担［5］。因此，帕金森病步态障碍的早期识别、精准评估与动态监测，对疾病管理及干预策略制定具有重要意义。目前临床对于帕金森病患者的步态评估主要依赖临床量表以及患者日记，易受疾病异质性影响，使得量表在评估者间一致性较差；患者日记虽可提供日常症状变化信息，但易发生记忆偏差与关键事件遗漏，影响数据完整性和准确性［4］。此外，随访间隔长、门诊时间短等问题，也限制了连续、客观的疾病状态监测，制约了临床评估的实时性和精确度［6］。为弥补上述局限，近年来，国内外研究团队致力于研发基于智能可穿戴设备的新型监测系统，旨在通过惯性测量单元（inertialmeasurementunit，IMU）、陀螺仪等多种传感器，持续、客观地采集患者在真实环境中的运动参数，为辅助诊断、疗效评估、个体化治疗及长期远程监控提供可靠的数据支持［7］。一、帕金森病步态障碍特征帕金森病步态异常包括多种临床形式，国际帕金森及运动障碍协会（InternationalParkinsonandMovementDisorderSociety，MDS）姿势和步态障碍学组根据步态障碍的临床要点、预后、力学角度等特点，将步态障碍分为持续性步态障碍和间歇性步态障碍两种类型［8］。其中持续性步态障碍主要发生在疾病早期，表现为步态迟缓、拖步、上肢摆臂减少、双侧肢体不对称以及步态变异性增加。而间歇性步态障碍多发生在中晚期，主要包括临床常见的慌张步态（festinatinggait）与冻结步态（freezingofgait）。慌张步态作为是帕金森病最具标志性的步态障碍，以步频加快但步长缩短为特点，躯干前倾导致重心不稳，患者常表现出“难以停止的前冲倾向”，呈现出“追赶式”小碎步，易因平衡失控而跌倒。而冻结步态以行走时突然、短暂的运动中断为特征，表现为患者“双脚如粘在地面”，常见于起步、转弯、通过狭窄空间或遇到障碍物时，可伴随步频紊乱、重心前移及跌倒风险增加。二、智能可穿戴设备在帕金森病患者中的应用（一）早期筛查快速眼球运动睡眠行为障碍（rapideyemovementsleepbehaviordisorder，RBD）是α突触核蛋白病（尤其帕金森病）最早且显著的前驱症状之一，步态障碍作为该类疾病运动表现的重要特征，可在前驱期即表现出细微改变［9］。先前一项使用美国CIRSystems公司生产的GAITRite步态分析系统的研究结果表明，在患有RBD的患者中，就已经有部分患者表现出步速减慢、步幅缩短、节奏紊乱、双向摆动时间变异性增加等步态异常［10］。为进一步验证，Cen等［11］通过佩戴在双侧手腕、脚踝以及躯干的6个可穿戴传感器对特发性RBD（iRBD）患者进行了为期5.3年的前瞻性步态监测，发现步幅不对称与iRBD向α突触核蛋白病的转化密切相关，证实了基于可穿戴设备的步态分析有助于α突触核蛋白病处于前驱期患者的早期筛查，同时也验证了基于智能可穿戴设备的步态分析在预测帕金森病表型转化方面的潜力。除此之外，Hshehabi等［12］在一项纳入1051名参与者、历时10年的前瞻性随访研究中，使用一种油美国研发的佩戴于下背部（L4~L5）的Opal惯性传感器设备（OpalSensor，MobilityLabSystem，APDM公司，美国）采集患者转弯时的步态参数。研究共进行了5次随访，结果显示最终有23人发展为帕金森病。其中，转弯峰值角速度（peakturningangularvelocity）下降被确定为帕金森病最具预测力的运动学指标，受试者在临床确诊前平均8.8年时，即可观察到与健康对照者之间的显著差异。这一发现提示，利用智能可穿戴设备能够在帕金森病的临床前阶段识别运动功能的早期退变，为帕金森病前驱期客观标志物的建立提供了新的评估工具。尽管目前研究人员尚未发现任何阻止或逆转帕金森病进展的治疗方法，但有研究结果表明，帕金森病的早期诊断和预防性治疗可以延长患者的预期寿命，并在症状控制、疾病进展和整体生活质量方面获益［13］。在过去10年的研究中，用于早期筛查的智能可穿戴设备的核心技术主要集中于惯性测量单元、整合加速度计及陀螺仪，用于捕捉患者步态、震颤等运动症状［14］。主要用于检测帕金森病早期持续性步态障碍的5个独立功能域：步频、步速、变异性、不对称性和姿势控制。例如，Johnson等［15］利用智能手机和智能手表对早期帕金森病患者进行多领域评估，涵盖步态不对称性、震颤频谱能量（4~10Hz）、手指敲击特征等运动域指标以及语音抖动、谐波噪声比和工作记忆准确性等非运动域参数，共提取了3621个低层信号特征，采用随机森林机器学习模型进行训练与交叉验证，结果显示该模型区分早期帕金森病的准确率达92.3%，敏感度为90.0%，特异度为100.0%，且在不同环境（诊所与家庭）和不同平台（WATCHPD与mPower数据集）中均稳定且具有跨平台一致性，验证了智能可穿戴设备在远程筛查早期帕金森病患者中的可行性和可靠性。西班牙开发的STATON™腰部传感器［16］内置双三轴加速度计与微控制器，可对患者进行步态分析，监测运动迟缓、运动障碍、步态冻结、跌倒风险和运动量分析。王浩浩等［17］使用由中国科学院研制的盖力步（Gaitboter）步态分析系统，融合声音与运动传感器的步态采集设备，对双重任务下的早期帕金森病患者进行足部运动学定量分析，发现患者的步频、步幅和冠状面最小移动角度较健康对照组表现异常，进一步提示早期帕金森病患者存在运动认知双重障碍。有研究结果表明，帕金森病患者常同时出现运动和认知障碍，其中步态异常与认知功能下降密切相关，甚至可能早于其他临床症状出现［18］。当基底神经节皮质环路受损时，患者的步态变化可反映其认知功能障碍。由此，研究者们开始探索利用智能可穿戴设备，通过分析患者的步态特征来实现对早期帕金森病患者的认知状态进行预测和筛查［19］。例如，Obuchi等［20］在基于社区老年人开展的大规模步态研究中，共纳入879名无痴呆的老年人（平均年龄73.5岁），利用佩戴于骨盆与左踝的三轴加速度计与陀螺仪采集线性加速度和角速度信号，获得12302个步态周期特征，同时以MMSE评分<24评分为界判定认知障碍，构建了包含注意力机制的深度学习模型，对步态特征进行分类。研究结果显示该模型对认知障碍的平均敏感度为0.961，受试者工作特征曲线下面积为0.833，在30组测试数据中均显示出稳定性能，提示基于可穿戴惯性传感器的人工智能步态分析能够有效识别认知受损个体，有望作为一种早期、可规模化实施的数字化认知筛查工具，未来若能集成于智能手机或日常可穿戴设备中，将有助于实现对老年人认知风险的远程连续监测。然而，目前基于智能可穿戴设备对认知障碍的预测研究仍相对有限，未来仍需结合多源数据以提高该类模型的准确性和泛化能力。（二）诊断与评估除外在疾病早期筛查的应用，智能可穿戴设备更加地广泛应用于帕金森病步态障碍的评估诊断环节。根据2025年发布的中国帕金森病步态障碍管理专家共识［21］，帕金森病步态障碍的规范化评估流程为：采集病史、临床观察、临床测试、量化评估以及档案评估5个步骤，为弥补评估过程中的医生经验依赖性与患者回忆偏差，专家共识推荐在量化评估环节中加入仪器设备的应用，以辅助量表测量达到更精准的评估目的。目前智能可穿戴设备已超越“运动记录器”角色，成为帕金森病全程管理的核心组件。例如，Schifino等［22］利用AppleWatchSeries3的三轴加速度计和陀螺仪，同步采集上肢运动信号，并以实验室级IMU为对照，通过计算0~20Hz（人运动频率）和3.5~7.0Hz（帕金森病震颤频率）内功率谱密度（powerspectraldensity，PSD）重点计算3.5~7.0Hz区间的PSD积分与0~20Hz区间的PSD积分比值检测震颤，从而区分有无帕金森病及静止性或动作性震颤，重复测量可靠性良好，可量化震颤强度与运动迟缓的关系；Lu等［23］的综述则系统归纳了踝部、足背、腰部等位置的惯性传感器在帕金森病步态评估中的应用，指出通过加速度计和陀螺仪可连续量化步速、步长、节律、对称性及步态变异度等参数，不仅能在实验室和家庭环境下客观刻画步态退化轨迹，还可高敏感度地识别冻结步态和跌倒高风险。自动检测冻结步态事件有助于评估药物效果并了解特定患者症状的严重程度和类型，准确的预测还可以作为预警信号。Demrozi等［24］使用佩戴在背部、臀部和脚踝上的3个三轴加速度计传感器监测步态，使用k最近邻算法将步态分为：pre冻结步态、no冻结步态和冻结步态3类事件，准确识别冻结步态前阶段，敏感度和特异度高达94.1%和97.1%，一旦系统检测到可能发生的冻结步态事件，便向患者身体发送有节律的刺激，防止冻结发生并让患者重新开始行进。除此之外，智能可穿戴设备还可应用于围术期评估。Ghislieri等［25］利用足部智能可穿戴设备记录了30例拟行脑深部电刺激（deepbrainstimulation，DBS）手术的帕金森病患者于术前、术后3个月及12个月的5min步行任务，量化步速、转弯时间、步周期变异度及“非典型步态周期”比例，发现上述步态参数的改善与运动障碍学会统一帕金森病评定量表第三部分（MovementDisorderSocietyUnifiedParkinson′sDiseaseRatingScalePartⅢ，MDSUPDRSⅢ）评分下降程度一致，提示可穿戴步态特征可作为DBS围术期运动获益的客观生物标志物。（三）治疗尽管目前帕金森病步态障碍的发病机制尚不明确，但近年来在帕金森病步态障碍的治疗及康复上取得了诸多研究进展。其中，节律提示作为一种非药物和非侵入性治疗，是解决帕金森病步态障碍的重要补充方法。帕金森病患者由于黑质多巴胺能神经元退化，导致基底节对运动节律的调控能力下降，提示可通过激活替代性神经通路实现代偿［26］。例如，听觉节律可绕过受损的基底节直接刺激听觉皮质，从而增强小脑丘脑运动皮质通路改善步态，而节奏性音乐刺激中脑边缘系统，促进内源性多巴胺释放，增强运动动机［27］。Huang等［28］纳入了近年来38项有关节律提示的智能可穿戴设备原始研究发现，在经过节律性的舞蹈、运动、节拍器等干预后，帕金森病步态障碍患者步频、步速、步长等明显改善，尤其适合HY分期小于2.5期的早中期患者，且研究结果表明治疗周期大于10周可显著提升患者的生活质量，且依从性较高。除此之外，视觉激光提示（鞋尖激光投影）与触觉提示（振动系统）也在改善步态方面表现出巨大潜力，可通过激活顶叶运动前区网络改善步态计划与执行［29］。一项针对帕金森病冻结步态患者的足部振动触觉设备研究，通过振动鞋垫装置，在足前部与足跟施加同步节律性振动，同时用APDM惯性传感器（128Hz）采集基线与及时干预后的步态参数，结果表明振动触觉足部装置可即刻改善帕金森病患者的步幅长度，有73%的患者报告主观行走能力提升，肯定了智能鞋等足部触觉提示设备的治疗潜力［26］。随着近年来的深入研究与技术优化，智能可穿戴设备已升级为感觉运动整合的闭环反馈调节系统。在Yang等［27］所报道的IWS智能可穿戴系统中，智能鞋垫通过集成压力传感单元实时监测步态参数，基于步态将其分区为正常区、模糊区、冻结步态区等3种模型，通过冻结步态检测算法区分步态状态，一旦检测到相应状态，包含听觉提示（节奏音频）和视觉提示（激光投影步道）的多感官提示装置迅速响应，从而促进运动的启动和持续。其检测准确率达97%，响应时间仅0.2s。且用户还可通过定制化APP手动选择提示模式，可为听觉、视觉或双模式，充分实现了实时检测步态参数➝触发个性化节律提示➝形成“检测提示”闭环，重塑运动模式。除此之外，机器人辅助训练、激光导航助行走、智能提示系统、虚拟现实训练系统等多种感觉提示智能可穿戴设备已投入使用，治疗效果显著［30］。可穿戴传感器在康复治疗阶段不仅可以帮助临床医生充分了解步态障碍的进展，还可以对多巴胺能药物进行有效的滴定。Pulliam等［31］开发了基于一种手腕与脚踝运动传感器的可穿戴系统，联合步态参数及震颤、异动症、运动迟缓算法，连续定量评估帕金森病患者的左旋多巴药效反应，通过雷达图整合6项指标，直观展示个体化药效响应。结果显示可穿戴设备评估结果与专家评估结果高度一致，为个体化用药调整提供客观数据支持，有望成为居家检测及远程管理的新趋势。（四）预后及远程管理帕金森病的临床表现异质性很强，其症状的个体化监测与治疗一直是一项难题。智能可穿戴设备不仅在预测、评估及治疗环节成为有力辅助，在个体化监测及远程管理也表现出巨大潜力。首先，在运动症状远程监测方面，智能手表及智能鞋垫可持续监测震颤、运动迟缓等运动症状，通过加速度计远程量化帕金森病患者运动体征；或通过智能手表与手机应用（RochePDMobilev2）远程收集帕金森病患者的日常步态数据，实现无需依赖医院环境及医生监督的虚拟临床评估［32］；膝部角度记录的智能鞋进而结合足底压力与惯性传感器数据，预测帕金森病患者的冻结步态出现与跌倒风险，自动触发预警系统及感觉提示干预，形成无监督运动评估量化监测预警实时干预的闭环管理［33］。其次，在药物疗效动态评估方面，研究者们已经从使用视频通信方式观察调整家庭滴定的远程医疗模式，升级为联合四肢运动传感器的智能可穿戴设备连续定量评估左旋多巴药效反应，通过智能计算雷达图整合个体药物响应给予远程调整的模式，实现了高效且便捷的远程管理［31，34］。另外，Memedi等［35］报道称，触摸屏遥测设备能够量化晚期帕金森病患者发作期间的运动症状和峰值剂量运动障碍。这项研究结果表明，该设备可以客观地量化帕金森病特异性和治疗引起的运动并发症，为个性化治疗提供参考依据。除此之外，纤维传感器同步追踪药物浓度与震颤，微针电极阵列提升检测精度，肢体运动传感器量化药效反应均向帕金森病患者步态障碍的闭环个性化管理迈进［36］。除药物治疗外，神经调控在帕金森病的治疗中也发挥着关键作用。其中，DBS能够有效改善患者的运动症状，但对步态障碍的疗效存在显著个体差异。传统DBS参数调整方法多依赖于主观观察，缺乏对步态相关神经机制的客观量化，因此限制了其优化效果。在这一背景下，可穿戴设备为实现DBS参数的动态调整提供了新的技术途径。Azgomi等［37］采用了一种数据驱动的个性化调控策略：通过DelsysTrigno和XsensMVN系统组成多模态可穿戴传感网络，集成测力、肌电、关节运动与全身惯性捕捉技术，实时采集高精度步态运动学数据；同时借助植入式双向神经刺激（MedtronicSummitRC+S）同步记录运动皮质与苍白球的神经电信号，通过高斯过程回归构建数据驱动模型，个性化实时优化DBS参数（振幅、频率、脉宽）。该方法可显著提高步行性能指数，并明确步态改善与特定步态相位中苍白球β神经振荡功率的降低密切相关。该研究不仅量化了DBS对步态的神经调控机制，更实现了从经验性编程向神经信号引导的闭环精准调控转变，突出了基于可穿戴传感与计算建模的个体化DBS优化的重要价值。三、总结与展望智能可穿戴技术近年来日益普及，其适用领域不断扩展，尤其在帕金森病患者步态障碍管理中展现出广阔前景。从前驱期预测、评估诊断、治疗康复、术前评估到远程监测的疾病整个环节，多传感器可穿戴设备以被动、无创的方式实现实时、连续的数据采集，为临床研究提供了客观、量化的评估手段，助力于改善临床决策，并支持基于个性化医疗的慢性病管理与患者自我管理。据“个性化帕金森项目”（PPP）与“帕金森进展标志物计划”（PPMI）采用VerilyStudyWatch智能监测设备的追踪报告显示，目前患者对于腕戴式智能可穿戴设备表现出高依从性，总脱落率仅4%，展现出参与者对帕金森病智能可穿戴设备研究的高度积极性［38］。然而，智能可穿戴设备目前仍存在一定局限，设备稳定性、安全保护装置以及数据精确度仍有待提高。其次，对存在严重运动障碍、“关”期状态、认知障碍及老年帕金森病患者的使用仍有限制；数据依赖蓝牙或网络等无线传输，连接不稳定可能导致数据丢失；此外，数据共享平台与隐私保护问题也有待解决。未来，智能可穿戴设备的发展趋势将不仅限于步态障碍的运动症状监测，还将探索更精确的帕金森病进展生物标志物，深入评估焦虑抑郁，睡眠障碍及自主功能障碍等非运动症状［3940］，并扩展至非典型帕金森综合征的诊断与评估，助力于疾病鉴别，为帕金森病的全方位、全病程个体化管理提供重要支持。参考文献[1]MorrisHR,SpillantiniMG,SueCM,etal.ThepathogenesisofParkinson′sdisease[J].Lancet,2024,403(10423):293-304.DOI:10.1016/S0140-6736(23)01478-2.[2]McFarthingK,BuffS,RafaloffG,etal.Parkinson′sdiseasedrugtherapiesintheclinicaltrialpipeline:2023update[J].JParkinsonsDis,2023,13(4):427-439.DOI:10.3233/JPD-239901.[3]Ben-ShlomoPY,DarweeshS,Llibre-GuerraJ,etal.TheepidemiologyofParkinson′sdisease[J].Lancet,2024,403(10423):283-292.[4]MirelmanA,BonatoP,CamicioliR,etal.GaitimpairmentsinParkinson′sdisease[J].LancetNeurol,2019,18(7):697-708.DOI:10.1016/S1474-4422(19)30044-4.[5]RussoM,AmboniM,PisaniN,etal.BiomechanicsparametersofgaitanalysistocharacterizeParkinson′sdisease:ascopingreview[J].Sensors(Basel),2025,25(2):338.DOI:10.3390/s25020338.[6]刘慧菁,谢妙贤,刘玥滢,等.利用人工智能运动评估系统探索早期帕金森病步态障碍特征[J].中华神经科杂志,2025,58(9):938-945.DOI:10.3760/113694-20250507-00263.LiuHJ,XieMX,LiuYY,etal.ExploringgaitdisordercharacteristicsinearlyParkinson′sdiseaseusingartificialintelligence-assistedmotorevaluationsystem[J].ChinJNeurol,2025,58(9):938-945.DOI:10.3760/113694-20250507-00263.MagniS,BremmRP,VerrosK,etal.MachinelearningdifferentiationofParkinson′sdiseaseandnormalpressurehydrocephalususingwearablesensorscapturinggaitimpairments[DB/OL].USA:ColdSpringHarborLaboratory:2025(2025-01-07)[2025-06-30]./content/10.1101/2025.01.07.24318198v1.DOI:10.1101/2025.01.07.24318198.[8]房进平,刘永红,方伯言.帕金森病步态障碍分型及个体化康复策略[J].中华医学杂志,2020,100(43):3472-3474.DOI:10.3760/112137-20200302-00539.FangJP,LiuYH,FangBY.ClassificationofgaitdisordersinParkinson′sdiseaseandindividualizedrehabilitationstrategies[J].NatlMedJChina,2020,100(43):3472-3474.DOI:10.3760/112137-20200302-00539.[9]ZhuS,WuZ,WangY,etal.GaitanalysiswithwearablesisapotentialprogressionmarkerinParkinson′sdisease[J].BrainSci,2022,12(9):1213.DOI:10.3390/brainsci12091213.[10]McDadeEM,BootBP,ChristiansonTJ,etal.SubtlegaitchangesinpatientswithREMsleepbehaviordisorder[J].MovDisord,2013,28(13):1847-1853.DOI:10.1002/mds.25653.[11]CenS,ZhangH,LiY,etal.GaitanalysiswithwearablesensorsinisolatedREMsleepbehaviordisorderassociatedwithphenoconversion:anexplorativestudy[J].JParkinsonsDis,2024,14(5):1027-1037.DOI:10.3233/JPD-230397.[12]ElshehabiM,HansenC,HobertMA,etal.TurningslowlypredictsfuturediagnosisofParkinson′sdisease:adecade-longlongitudinalanalysis[J].AnnNeurol,2025(2025-10-21)[2025-10-30]./doi/10.1002/ana.78034.DOI:10.1002/ana.78034publishedonlineaheadofprint.[].[13]RaianoL,diPinoG,diBiaseL,etal.PDMeter:awristwearabledeviceforanat-homeassessmentoftheParkinson′sdiseaserigidity[J].IEEETransNeuralSystRehabilEng,2020,28(6):1325-1333.DOI:10.1109/TNSRE.2020.2987020.[14]GuoWH,YangXD,RuanZ,etal.EarlydetectionofParkinson′sdisease:machinelearning-basedpredictionofUPDRSPartⅢscoresindenovopatientsusingsmartphoneassessments[J].JParkinsonsDis,2025,15(6):1099-1110.DOI:10.1177/1877718X251359494.[15]JohnsonS,KantartjisM,SeversonJ,etal.Wearablesensor-basedassessmentsforremotelyscreeningearly-stageParkinson′sdisease[J].Sensors(Basel),2024,24(17):5637.DOI:10.3390/s24175637.[16]Rodríguez-MartínD,CabestanyJ,Pérez-LópezC,etal.ANewParadigminParkinson′sDiseaseEvaluationWithWearableMedicalDevices:AReviewofSTAT-ONTM[J].FrontNeurol,2022,13:912343.DOI:10.3389/fneur.2022.912343.[17]王浩浩,薛晓帆,刘东涛,等.双重任务下的早期帕金森病患者足部运动学定量分析[J].中华神经科杂志,2024,57(3):255-265.DOI:10.3760/113694-20230808-00038.WangHH,XueXF,LiuDT,etal.QuantitativeanalysisoffootkinematicsinpatientswithearlyParkinson′sdiseaseunderdualtask[J].ChinJNeurol,2024,57(3):255-265.DOI:10.3760/113694-20230808-00038.[18]SmithMD,BrazierDE,HendersonEJ.CurrentperspectivesontheassessmentandmanagementofgaitdisordersinParkinson′sdisease[J].NeuropsychiatrDisTreat,2021,17:2965-2985.DOI:10.2147/NDT.S304567.[19]LiH,ZeccaM,HuangJ.EvaluatingtheutilityofwearablesensorsfortheearlydiagnosisofParkinsondisease:systematicreview[J].JMedInternetRes,2025,27:e69422.DOI:10.2196/69422.[20]ObuchiSP,KojimaM,SuzukiH,etal.Artificialintelligencedetectionofcognitiveimpairmentinolderadultsduringwalking[J].AlzheimersDement(Amst),2024,16(3):e70012.DOI:10.1002/dad2.70012.[21]中华医学会神经病学分会帕金森病及运动障碍学组,中国医师协会神经内科医师分会帕金森病及运动障碍学组.中国帕金森病步态障碍管理专家共识[J].中华神经科杂志,2025,58(3):228-243.DOI:10.3760/113694-20240907-00611.ChineseSocietyofParkinson′sDiseaseandMovementDisorders,Parkinson′sDiseaseandMovementDisorderSectionofNeurologistBranchofChineseMedicalDoctorAssociation.ConsensusonthemanagementofgaitdisordersinParkinson′sdiseaseinChina[J].ChinJNeurol,2025,58(3):228-243.DOI:10.3760/113694-20240907-00611.[22]SchifinoGP,daCunhaMJ,MarcheseRR,etal.SmartwatchsensorsfortremorassessmentinParkinson′sdisease-algorithmdevelopmentandmeasurementpropertiesanalysis[J].Sensors(Basel),2025,25(14):4313.DOI:10.3390/s25144313.[23]LuR,XuY,LiX,etal.EvaluationofwearablesensordevicesinParkinson′sdisease:areviewofcurrentstatusandfutureprospects[J].ParkinsonsDis,2020,2020:4693019.DOI:10.1155/2020/4693019.[24]DemroziF,BacchinR,TamburinS,etal.TowardawearablesystemforpredictingfreezingofgaitinpeopleaffectedbyParkinson′sdisease[J].IEEEJBiomedHealthInform,2020,24(9):2444-2451.DOI:10.1109/JBHI.2019.2952618.[25]GhislieriM,AgostiniV,RizziL,etal.Foot-floorcontactsequences:ametricforgaitassessmentinParkinson′sdiseaseafterdeepbrainstimulation[J].Sensors(Basel),2024,24(20):6593.DOI:10.3390/s24206593.[26]CenS,MaJ,SunH,etal.VibrotactilefootdeviceforfreezingofgaitinParkinson′sdisease:apilotstudy[J].MovDisordClinPract,2024,11(10):1241-1248.DOI:10.1002/mdc3.14177.[27]YangB,LiY,WangF,etal.IntelligentwearablesystemwithaccuratedetectionofabnormalgaitandtimelycueingformobilityenhancementofpeoplewithParkinson′sdisease[J].WearableTechnol,2022,3:e12.DOI:10.1017/wtc.2022.9.[28]HuangX,DongK,GanC,etal.EffectofrhythmicallycuedexerciseinterventionsonfunctionsinpatientswithParkinsondisease:ameta-analysis[J].PhysTher,2024,104(3):pzad158.DOI:10.1093/ptj/pzad158.[29]ButterfieldA,DasJ,MorrisR,etal.VisualcueingforturningdeficitinParkinson′sdisease:freezervsnon-freezerresponse[J].Physioth,2022,114:e115-e116.DOI:10.1016/j.physio.2021.12.066.[30]BorzìL,SigchaL,Rodríguez-MartínD,etal.Real-timedetectionoffreezingofgaitinParkinson′sdiseaseusingmulti-headconvolutionalneuralnetworksandasingleinertialsensor[J].ArtifIntellMed,2023,135:102459.DOI:10.1016/j.artmed.2022.102459.[31]PulliamCL,HeldmanDA,BrokawEB,etal.ContinuousassessmentoflevodoparesponseinParkinson′sdiseaseusingwearablemotionsensors[J].IEEETransBiomedEng,2018,65(1):159-164.DOI:10.1109/TBME.2017.2697764.[32]HanY,LiuX,ZhangN,etal.Automaticassessmentsofparkinsoniangaitwithwearablesensorsforhumanassistivesystems[J].Sensors(Basel),2023,23(4):2104.DOI:10.3390/s23042104.[33]BiswasN,ChakrabartiS,JonesLD,etal.Smartwearablesaddressinggaitdisorders:areview[J].MatTodayCommun,2023,35:106250.DOI:10.1016/j.mtcomm.2023.106250.