可穿戴设备在帕金森病诊断和治疗中的作用研究进展

可穿戴设备在帕金森病诊断和治疗中的作用研究进展【摘要】帕金森病作为第二大常见神经退行性疾病，面临着早期诊断困难、病情动态监测不足等问题；传统药物治疗、手术治疗和康复治疗在帕金森病治疗中起到了重要作用，但也面临着各种挑战。随着机器学习、人工智能、材料技术等的快速发展，可穿戴设备在疾病诊断、监测和治疗方面起到了一定的作用，其应用已从实验室走向临床，并在智能技术与移动网络的支持下为医生提供了更客观、更精准的疾病诊断和管理工具。文中分析了现有诊疗手段现状，探讨了可穿戴设备在帕金森病症状识别、评估和治疗中作用的最新研究进展，并指出将来的发展方向。【关键词】帕金森病；可穿戴设备；诊断；治疗帕金森病（Parkinson′sdisease）是第二大常见的神经系统退行性疾病，也是神经功能残疾的主要原因之一，其全球患病人数超过600万，预计未来患病人数还将翻倍［1］。帕金森病患者表现出运动迟缓、静止性震颤、肌强直、步态与姿势平衡障碍等运动症状，同时伴有不同程度的非运动症状，如自主神经功能障碍、睡眠障碍和认知功能损害等。帕金森病早期诊断困难，传统方法主要依赖于临床经验性评估和量表评分，存在一定的局限性，如主观性强、无法早期诊断和实时监控等。临床上广泛应用的药物治疗和手术治疗等手段虽能缓解症状，但常伴随不良反应和并发症，难以实现精准评估和个体化诊疗。因此，寻找更为客观精准的监测手段和有效安全的新型治疗方法，已成为临床医生与患者共同的迫切需求。近年来，随着机器学习、人工智能、材料技术等的快速发展，可穿戴设备具备了便携性、实时性和连续监测的特点，在帕金森病的诊断和治疗上提供了全新的解决方案并得到了广泛应用。我们以“帕金森病”“可穿戴设备”“Parkinson′sdisease”“wearabledevices”“monitoring，ambulatory”“remotesensingtechnology”“machinelearning”“artificialintelligence”“braincomputerinterfaces”作为中英文检索词，在中国知网、万方数据库、PubMed和WebofScience中进行了检索，起止年限为自建库至2025年5月10日，系统回顾了可穿戴设备在帕金森病诊断和治疗方面作用的研究进展，探讨其在症状识别、疾病监控和治疗中的应用价值。一、现有常规帕金森病诊疗手段及不足现有常规帕金森病诊疗手段面临着众多不足。一方面，帕金森病的诊断主要依赖于临床症状，需要患者定期门诊随访，并采用量表评估或参考患者日记。目前主要应用国际运动障碍协会修订的统一帕金森病评定量表（UnifiedParkinson′sDiseaseRatingScale，UPDRS）和HoehnYahr分级来对患者症状进行综合评估，但其具有主观性，存在评分者之间与评分者本身的差异，且可能受到“白大褂效应”和霍桑效应的影响［2］；量表在单一时间内的非连续性评估也无法反映运动症状波动；患者日记虽能连续评估，但极易受患者主观性和回忆偏倚的影响［3］；由于早期症状的隐匿性，上述手段易导致误诊、漏诊和延误诊断。诊断性生物标志物目前取得了一定进展，基因检测和脑成像技术也成为帕金森病常规诊断的一部分，但由于高成本和设备限制，多数患者难以被早期诊断［4］。另一方面，以左旋多巴为基础的药物治疗在疾病早期效果明显，但随着疾病发展和治疗深入，患者可能出现异动症或症状波动；脑深部电刺激（deepbrainstimulation，DBS）技术可治疗药物难治性的运动症状及运动并发症，但具有侵入性和安全性的风险，在患者选择、手术规划、编程策略和硬件设施等方面尚存在诸多问题无法解决［5］；其他的非药物手段如物理治疗、言语训练、运动训练和认知心理干预等，具有干预滞后、依从困难等问题，在非运动症状方面也缺乏针对性。总之，帕金森病的诊断和治疗尚需进一步完善。二、可穿戴设备的技术集成及优势首先，在传感监测技术支持下，设备通常集成微型化、低功耗的多元传感器，对运动学参数及生理信号等进行动态收集、记录、储存和传输。常用的传感器为惯性测量单元（inertialmeasurementunit，IMU），其中加速度计对线性运动敏感，陀螺仪对角速度敏感。因此，相较于传统诊疗手段，使用传感器具有高敏感度与特异度，可捕捉症状的细微变化，实现在空间上多角度、时间上不中断地进行客观的症状量化及信息记录［6］。然而仅通过传感监测仍需要人工额外进行数据信息分析处理。可穿戴设备是一种可直接佩戴于身体不同部位的无创便携式装置，随着时代发展，多领域技术的迭代交叉与集成推动了可穿戴设备在敏感度、特异度、效能、算力与生物相容性等多方面的逐步提升与改进，从而持续地拓展了其临床适用深度与广度。首先，在传感监测技术支持下，设备通常集成微型化、低功耗的多元传感器，对运动学参数及生理信号等进行动态收集、记录、储存和传输。常用的传感器为惯性测量单元（inertialmeasurementunit，IMU），其中加速度计对线性运动敏感，陀螺仪对角速度敏感。因此，相较于传统诊疗手段，使用传感器具有高敏感度与特异度，可捕捉症状的细微变化，实现在空间上多角度、时间上不中断地进行客观的症状量化及信息记录［6］。然而仅通过传感监测仍需要人工额外进行数据信息分析处理。于是，在传感技术的基础之上，机器学习以及人工智能等计算分析技术的进步实现了设备对传感器收集的大量、多维度原始数据进行实时处理与分析，简化了后续数据处理流程。人工智能模拟人类活动，包括决策、学习以及理解自然语言和图像，在分析神经影像数据、观察症状变化及药物反应中能够提供更深入和全面的见解，具有强大的综合分析与决策能力［7］。机器学习是人工智能系统通过给定输入数据生成输出值来执行任务的方法，相较于人工智能其更关注于算法，展现了数据驱动自主学习的优势，从而实现了按照使用者需求的持续进化，并做出准确的预测和决策［8］。当与可穿戴技术相融合时，人工智能的广泛分析能力和机器学习的预测能力之间的协同作用显著，在临床诊疗中发挥出了早期诊断、个性化治疗、优化康复进而改善预后同时预测康复结果的作用。于是，在传感技术的基础之上，机器学习以及人工智能等计算分析技术的进步实现了设备对传感器收集的大量、多维度原始数据进行实时处理与分析，简化了后续数据处理流程。人工智能模拟人类活动，包括决策、学习以及理解自然语言和图像，在分析神经影像数据、观察症状变化及药物反应中能够提供更深入和全面的见解，具有强大的综合分析与决策能力［7］。机器学习是人工智能系统通过给定输入数据生成输出值来执行任务的方法，相较于人工智能其更关注于算法，展现了数据驱动自主学习的优势，从而实现了按照使用者需求的持续进化，并做出准确的预测和决策［8］。当与可穿戴技术相融合时，人工智能的广泛分析能力和机器学习的预测能力之间的协同作用显著，在临床诊疗中发挥出了早期诊断、个性化治疗、优化康复进而改善预后同时预测康复结果的作用。如今，可穿戴设备的发展正迈向多技术深度融合的新阶段，例如：结合生物传感技术及微流控芯片技术，无创分析患者汗液、尿液等体液中的药物浓度和生理指标，实现早期预警与精准用药［910］；结合仿生技术［11］及柔性材料技术［1214］，提高生物信号采集的稳定性和精细度，贴合人体生理结构，增加佩戴舒适度。未来，脑机接口技术的集成将是可穿戴技术发展的关键方向之一。脑机接口技术的特点在于能够解码病理性脑电活动并提供直接的神经调节干预。目前，已有帕金森病相关的电生理生物标志物被确定，如非侵入式的可穿戴脑机接口设备可以实时采集α波及β波变化信号，从而进行神经信号交互，实现自适应刺激，实时跟踪疾病进展［15］。另外，可穿戴技术展现出的高粒度数据收集能力有助于降低脑机接口系统相关参数的优化和调整的负担［16］。现在的研究方向正朝着将非侵入性脑机接口系统整合到日常的可穿戴元素（如帽子、发带或智能服装）发展，以显著提高用户的接受度和依从性。技术的多样化交互共同推动了可穿戴技术的发展，使其在真实环境中实现多模式、高精度、高客观性的症状评估和监测，弥补了传统方法在连续性、生态效度及客观量化上的不足，帮助临床医生制定更具针对性的个性化治疗方案，并为研究疾病机制、验证疾病模型及开发新型干预策略提供了重要基础［17］。三、可穿戴设备对帕金森病症状的识别及评估（一）静止性震颤静止性震颤为帕金森病的主要运动症状之一，然而帕金森病患者还可同时存在姿势性震颤和运动性震颤。此外，特发性震颤以及其他可导致震颤的神经系统疾病容易与帕金森病相混淆，健康人群也可出现轻微的生理性震颤，导致约20%~30%的误诊率［18］。当前，大多数用于量化震颤的可穿戴设备均采用IMU采集振幅、频率等参数，并整合于腕带、手套等物品当中。从掌指关节和手腕的加速度、角速度数据角度来看，Ibrahim等［19］采用分离式IMU和机器学习算法捕捉自主运动和震颤信号中的非线性关系，准确估计和预测未来的自主运动和震颤信号。Gutowski等［20］利用可穿戴设备肌电臂环结合智能手机传感器采集加速度、陀螺仪等数据，构建机器学习模型，对震颤实现了较高的预测水平，展现了智能移动技术在可穿戴设备当中应用的潜能。从肌肉活动角度来看，利用IMU能够采集到不同位置的运动加速度以间接推断震颤发生时的肌肉活动，但上述提到的腕带、臂环等设备难以贴合人类皮肤捕捉细微的肌肉活动变化。为克服这一困难，Xie等［21］提出了一款超灵敏、可拉伸的可穿戴压力传感装置，可放置于皮肤表面以捕获力肌图（forcemyography）信号，并反映出不同震颤大小对应的压力模式和震颤位置，实现了99.5%的震颤评估和精准定位。类似地，Guo等［11］提出了一款高灵敏度仿生可穿戴传感器，可在0.2%~80%的形变范围内稳定识别低频变化，从而用于早期帕金森病震颤的识别和鉴别。然而，以上研究也存在一定的局限性。首先，机器学习算法模型需要大量多样的数据来提高其泛化能力，而目前受试者数量或数据集规模有限，使得模型难以在复杂情况下准确识别和评估，进而限制了实际应用。其次，部分试验包含特定运动任务，但帕金森病患者往往存在不同程度的理解能力和认知功能损害，结果易产生偏差。（二）运动迟缓同震颤评估类似，当前可穿戴设备多运用多模态传感器，从多个身体位点收集运动数据来评估患者的运动迟缓，并以UPDRSⅢ评分作为结果验证的参考标准。Marsili等［22］将节律变异性作为运动迟缓的体现形式之一，患者在智能手机应用中完成敲击测试，相较于健康人群表现出显著的节律变异性，并与UPDRSⅢ评分呈正相关。针对不同研究中传感器的数量差异探讨数据采集的高效性，Lonini等［23］评估了传感器的数量和位置，并发现单个手背传感器即可有效检测上肢震颤和运动迟缓，为简化传感器部署提供了依据。但上述研究仅探究了设备对上肢运动的捕获，且受限于可同时监测的肢体数量，未能对全身运动迟缓进行全面评估。因此，Memar等［24］提出以步行迟缓指数（walkingbradykinesiaindex）和坐立转换迟缓指数（sittostandbradykinesiaindex）作为全局评估指标，利用配备17个传感器的全身动作捕捉系统，分析帕金森病患者的躯干运动与关节角速度，证实上述指标与UPDRSⅢ评分具有显著相关性，可提供全身运动迟缓的客观评分。（三）姿势转换与步态障碍起初，步态评估通过基于摄像机的系统和仪器化的步态垫实现，但只能获取实验室环境下的瞬间行走快照视图，无法满足连续监测需求。可穿戴技术为动态捕捉步态变化提供了可能性，步态时空参数的变化可以预测跌倒、认知功能下降、痴呆等不良结局及评估治疗效果［25］。基于IMU的可穿戴设备具有高度便携性及非侵入性，是大多数研究和临床中量化客观步态特征的低成本选择，如Zadka等［26］运用单个下背部IMU在实验室环境中对患者直线行走的连续10个步长进行估计，具有较高的步长估计准确性。然而相关研究大多聚焦于下背部或下肢的单个传感器数据，关于上肢和躯干相关步态特征数据的研究有限。为此，Zhang等［27］在受试者多个部位放置轻量传感器，对步态进行了全面描述，并通过双侧上臂峰值速度等参数实现了不同帕金森病亚型与健康人群的早期鉴别与区分。针对自然环境下冻结步态（freezingofgait）的自动监测，有研究团队使用腰部传感器将步态特征以每小时为单位进行量化，敏感度和特异度分别达78%和94%，并使得每小时的步态变化与药物摄入时间、症状波动和其他相关时变因素联系起来［28］。冻结步态增加了患者跌倒的风险，其不可预测性将给患者造成伤害，进而加速病情的恶化。因此，Wang等［29］提出了一种新型多通道时间序列神经网络，能够融合来自多个可穿戴传感器的步态特征，实现在冻结步态发生前约2s发出警报，准确率达96.21%。但为了获取高准确率而融合多通道传感器的做法，加大了计算消耗及成本负担，不易于在资源受限的可穿戴设备上安装部署，从而不利于普及。近年来，步态分析相关的传感器设备正朝着轻量、简化、便捷及舒适的方向转化演变。Borzì等［30］基于机器学习算法进一步比较了传感器数量、位置及类型对冻结步态检测性能的影响，分别对双踝、下背部和腕部的传感器数据进行分析，研究结果表明仅踝部的单传感器足以实现高精度冻结步态检测，且使用陀螺仪的性能显著高于加速度计，为开发轻量化、低功耗、可穿戴的家庭监测设备提供了思路。Yi和Hwang［31］进而提出了一款内存大小仅为44.04kb的轻量级深度学习（deeplearning）模型，该模型利用最少的传感器进行实时检测，通过有效的剪枝和动态量化技术，提取关键的特征信息，显著降低了模型规模和计算成本，保证了在不损失精度的情况下实现高性能。在生物相容性以及传感范围上，Li等［12］采用水凝胶可拉伸光纤组件，结合人工智能、机器学习算法，对异常步态中特殊肢体方向和姿势产生的特定信号波形进行识别，可覆盖0~100%的人体活动范围，准确率高达96.9%，并极大地提高了穿戴舒适度。鉴于单纯使用IMU无法提供外部环境（如障碍物、人、宠物等）的信息，导致对冻结步态及跌倒风险的评估不够全面。可穿戴式相机的出现，能够提供绝对清晰的行走路径和外部因素，但通常较为笨重，并且对捕获的敏感的视觉图像或数据进行人工分析具有耗时和隐私隐患的弊端。Moore等［32］提出结合可穿戴眼动追踪眼镜与人工智能计算机视觉技术，能对视频中的敏感信息进行模糊处理，帮助区分步态异常是由于疾病本身还是环境原因导致，但该技术当前主要适用于评估平地行走的患者，不适用于上下坡、楼梯等复杂地形，未来仍有广大的研究空间。现有模型和设备仍在受控的实验室或公开的基准数据集中进行验证，真实世界场景的适用性尚待证实。在多任务条件下，其准确性也会受到一定的干扰。未来仍需在双重任务、转身和日常活动等复杂环境中对多个步态特征进行识别评估，有助于提高量化的准确性，加强设备灵活性。大多数步态分析可穿戴系统仅利用了时间序列传感器数据，未引入其他模态信息（如临床评分、视频动作、肌电图等），多模态学习仍是冻结步态预测的重要发展方向，现有方法尚未充分探索这一领域，限制了其对复杂步态变化的全面描述。（四）运动症状波动及异动症门诊随访时，医生难以判断患者处于“开”期、“关”期还是过渡状态，且患者自评疗效与临床评估常不一致，影响病情判断和治疗方案调整。Ramesh和Bilal［33］利用对抗生成网络对腰部佩戴IMU的帕金森病患者进行姿势不稳定和步态障碍评分预测，并从中成功准确区分“开/关”状态，准确率达100%。但该研究在受控的临床环境中进行，采用的2min直线行走任务并不能反映日常中患者多样、无规律的步行活动。未来仍需在不受限制的日常活动中进行深入探究。另外，虽然患者日记已用于症状波动的评估和监测，但已有研究结果表明其存在着大约35%的假阴性率和15%的假阳性率［34］，证实了可穿戴设备更能反映患者的运动状态。鉴于可穿戴技术表现出的良好客观性，Löhle等［35］使用ParkinsonKinetiGraph®（PKG）设备在真实环境下记录了63例帕金森病患者基于可穿戴加速度计数据的帕金森运动日记，对“关”期状态及异动症每日时间比例进行了监测，其结果与同期临床观察员通过家庭日记记录的“金标准”数据具有较高的一致性。以上研究样本量较小，也未充分考虑到患者的个体差异，无法明确哪些临床特征的患者更适合可穿戴设备来检测运动状态变化，今后需要更大规模的数据来确定个体化阈值，并在更广大的患者队列中及真实世界日常活动中进一步校准验证。（五）非运动症状已有研究结果表明，帕金森病的非运动症状对患者日常生活质量的损害程度可超越运动症状本身所带来的负面影响。可穿戴设备在帕金森病患者的睡眠障碍、吞咽功能障碍以及自主神经功能障碍监测上取得了显著进展。Schalkamp等［36］采用AxivityAX3腕戴式三轴加速度计，对身体活动分类并提取相应特征，发现帕金森病患者在前驱期及临床确诊阶段均呈现显著的睡眠质量下降，证实了睡眠生物标志物用于帕金森病前驱期筛查的潜在价值。该团队进一步发现数字追踪的帕金森病睡眠参数与认知功能、自主神经症状以及药物并发症之间的相关性［37］。研究还发现，数字生物标志物对非运动症状具有显著的预测效能，尤其是在认知表现和记忆上，这为利用可穿戴设备提高帕金森病的临床早期诊断和症状预测准确性提供了依据［38］。超过80%的帕金森病患者在病程中出现吞咽困难，并可导致营养不良和吸入性肺炎，成为帕金森病患者死亡的主要原因之一。Shin等［39］设计了一款佩戴于颈部的无线可穿戴系统，能够捕获吞咽过程中颈部肌肉活动以及声音数据，并利用机器学习算法对吞咽数据进行分类，准确率达89.47%，实现了家庭吞咽监测，突破了常规吞咽功能院内评估的时空限制，显著降低了仪器成本和时间成本，并降低了食物误吸和吸入性肺炎的风险。帕金森病患者通常伴有异常出汗。Nyein等［10］提出了一款用于连续监测汗液的可穿戴贴片，能够准确计算汗液的体积和出汗率，展现出较高的收集效率，实现了无创连续汗液动力学监测。其他相关研究也对帕金森病患者的自主神经功能障碍如心率变异性、血压动态波动［40］等监测结果进行了探究。然而，此类针对非运动症状的研究仍多处于早期探索阶段，相关报道远少于运动症状。四、可穿戴设备在帕金森病治疗上的具体应用（一）震颤抑制电子学和机器人技术的进步推动了可穿戴设备在震颤管理上的发展，主要为外穿式的外骨骼矫形器和外周电刺激。然而，机械外骨骼由于携带电机或气泵往往体积庞大，不便于日常使用［41］。考虑到穿戴舒适性，Fromme等［42］设计了一款仅重33g的柔性被动矫形器，降低了日常活动中74%~82%的震颤功率。肌肉电刺激（electricalmusclestimulation，EMS）通过对患者屈肌和伸肌施加低强度电刺激以抵消震颤活动，是有效抑制病理性震颤的方式。有研究团队开发了一款包含EMS模块的便捷式可穿戴手套，显著减轻了患者的震颤程度，并且在更高的脉冲幅度和更长的刺激时间下可以获得更大程度的震颤抑制［43］。然而EMS不能完全消除震颤，还有可能导致肌肉疲劳和不适感，有时会难以通过表面电极到达特定肌肉，因此需要对刺激参数进行个体化调整［44］。（二）步态治疗与康复步态障碍是严重影响帕金森病患者生活质量的症状之一，尤其是冻结步态的发生，其与大脑基底节皮质脑干神经回路的功能障碍有关，利用外部感觉刺激能够诱导神经回路的重新定向，达到恢复步态的作用。可穿戴技术能够将传感器与提示设备相结合，在行为干预中实现视觉、听觉和触觉等形式的感觉提示作用。在视觉研究方面，视觉线索主要通过佩戴眼镜或头戴式显示器提供空间提示，如投射到地面的激光线等，从而指导患者的行走。一项非劣效性临床试验结果验证了新型视觉提示系统QWalk在步态康复方面不劣于传统的地面提示效应，并具有良好的用户体验、可穿戴性及家庭适用性［45］。然而，这类可穿戴式的提示系统整合入日常生活中，可能会造成复杂环境下的感觉过载，对于认知功能受损的患者并不能展现出良好的康复效果。在听觉研究方面，听觉线索仍是目前研究最多的提示形式，利用有节奏的声音或节拍器，将步态与有规律的节奏同步，达到稳定步态的目的。Zhao等［46］通过一款智能眼镜将视觉提示与听觉提示进行了比较，展现了听觉提示的优势。但在嘈杂的公共环境当中，节拍器或节律性音乐可能被环境噪声掩盖导致患者无法感知。同时，持续的听觉提示也可能阻碍患者听到周围重要的声音，存在安全隐患。在触觉研究方面，触觉刺激是一种更为隐蔽、更具安全性的感觉提示，具有一定程度上避免感觉过载的优势，更适合于公共环境使用。Aggarwal等［47］采用了一款内置压力感受器和振动器的鞋子，证实了振动刺激可以通过增强对中枢神经系统的触觉反馈来改善步态，又利用3D打印技术将柔性传感器与触觉执行器整合，刺激外周神经系统，起到了积极作用［13］。类似地，Bowman等［48］提出一种新型可穿戴振动触觉双向接口结合压力传感器鞋垫与惯性测量单元的系统，实时提取步态信息并提供腰部振动反馈，结果观察到步态相关指标的显著提升。另外，除了感觉刺激，Ghayvat等［49］提出了一种基于功能性电刺激的人工智能预测与干预系统AiCarePWP，在检测到冻结步态即将发生时系统将自动触发电刺激，刺激患者小腿肌肉，帮助患者改善步态，降低冻结步态的发作频率。但我们仍需关注这一方法的不良反应，可能会导致局部皮肤刺激、异常感觉或短暂性肌肉抽动。出于安全可控性的考虑，需通过个体化调节刺激参数、优化电极材料与位置、避开相关禁忌人群等方法来进一步改善。尽管提示作用在帕金森病的步态康复治疗当中展现出了良好的效益，但仅在训练后短时间的干预期内具有显著的改善作用，这强调了永久性提示装置和持续性线索训练的必要性。这类基于线索提示的行为干预依赖于患者的认知功能，提示内容也在一定程度上影响患者的日常活动。继而Kim等［14］提出了一种软质的机器人服装，通过增加患者髋关节屈曲程度辅助步行并避免冻结步态的发生，揭示了以外部机械辅助的生物力学方法在步态治疗与康复中的潜力。（三）药物治疗优化与管理左旋多巴是用于治疗帕金森病患者的关键药物，但由于饮食摄入、年龄、性别和用药史等因素，需要进行个体化剂量调整。因此，帕金森病患者体内左旋多巴的监测至关重要。传统方法为对运动症状的主观评估或有创的血液采样分析，但可穿戴设备提供了无创、便利的实时监测方法。Tai等［9］设计了一款可穿戴汗液带，通过对体力活动诱导产生的汗液进行分析，可以实时跟踪药物的代谢情况，从而优化给药剂量。另有一次性智能尿布和皮肤电极贴片等设备，也能够实时监测帕金森病患者汗液与尿液中的多巴胺等物质含量［50］。在帕金森病的治疗过程中，良好的药物依从性能够确保药物在体内维持稳定的浓度，从而有效控制症状。然而，疾病本身的复杂性，如认知功能障碍、吞咽困难等，可能会导致药物依从性不佳，个体药物反应差异也很大。Powers等［51］使用智能手表对药物治疗前后运动症状情况进行自动连续记录，能准确识别未坚持服药的患者，还有助于医生识别可能发生或未被察觉的临床或药理反应。在帕金森病的治疗过程中，良好的药物依从性能够确保药物在体内维持稳定的浓度，从而有效控制症状。然而，疾病本身的复杂性，如认知功能障碍、吞咽困难等，可能会导致药物依从性不佳，个体药物反应差异也很大。Powers等［51］使用智能手表对药物治疗前后运动症状情况进行自动连续记录，能准确识别未坚持服药的患者，还有助于医生识别可能发生或未被察觉的临床或药理反应。（四）DBS术后监测与优化DBS治疗的效果与脑部刺激靶点的选择、术后患者症状变化、药物反应以及刺激参数的调整密切相关。可穿戴设备能够在家庭环境中实时监测患者的运动症状波动情况，并结合皮质下或皮质信号来为刺激水平的调整作出指导。Gilron等［52］的研究中，将家庭环境中的神经记录与可穿戴监视器配对，精确地将神经生理信号与行为数据同步，识别不同运动状态神经特征的个体差异，帮助个性化优化DBS的治疗方案。可穿戴设备也能够与脑电记录结合，分析振荡活动模式与运动状态之间的相关性，帮助医生更好地理解患者在日常活动中的神经生理变化［53］。持续且恒定幅度的神经刺激可能会引起不良反应，如构音障碍、异动症、癫痫发作和慢性疼痛等，可穿戴设备有助于识别异常脑电活动，对刺激进行实时自动调整，优化治疗效果并减少不良影响。五、挑战与展望可穿戴设备在帕金森病诊疗领域的应用取得了显著进展，为疾病的早期诊断、病情监测和治疗干预提供了新的技术支持，但仍面临着诸多挑战：可穿戴设备的适用范围有限，运动或认知功能严重损害者等并不适用；该技术大多只能监测单一症状，当患者出现其他并发症状时，不足以反映总体情况；目前患者与护理者对可穿戴技术的依从性不高，传感器的数量和穿戴部位可影响患者的舒适感，花费成本等也会影响使用体验。数据不平衡、数据隐私安全以及构建更稳定的数据传输共享平台等问题也亟待解决。今后，我们需要针对以上问题做出进一步的改进：提升传感器性能和精度，扩大样本量和数据集以加强模型泛化能力；优化设备设计，精简设备规模，降低成本，提高其可穿戴性与舒适性；加强患者教育，提高患者的依从性与参与度；建立健全的隐私保护机制。未来，多学科的交叉合作及先进技术的创新融合将进一步促进可穿戴技术的发展，使其能够更好地满足帕金森病患者和临床医生的需求。参考文献[1]TolosaE,GarridoA,ScholzSW,etal.ChallengesinthediagnosisofParkinson′sdisease[J].LancetNeurol,2021,20(5):385-397.DOI:10.1016/S1474-4422(21)00030-2.[2]Rodríguez-MartínD,CabestanyJ,Pérez-LópezC,etal.AnewparadigminParkinson′sdiseaseevaluationwithwearablemedicaldevices:areviewofSTAT-ONTM[J].FrontNeurol,2022,13:912343.DOI:10.3389/fneur.2022.912343.[3]MonjeM,FoffaniG,ObesoJ,etal.NewsensorandwearabletechnologiestoaidinthediagnosisandtreatmentmonitoringofParkinson′sdisease[J].AnnuRevBiomedEng,2019,21:111-143.DOI:10.1146/annurev-bioeng-062117-121036.[4]BurtscherJ,MoraudEM,MalatestaD,etal.Exerciseandgait/movementanalysesintreatmentanddiagnosisofParkinson′sdisease[J].AgeingResRev,2024,93:102147.DOI:10.1016/j.arr.2023.102147.[5]FrançaC,CarraRB,DinizJM,etal.DeepbrainstimulationinParkinson′sdisease:stateoftheartandfutureperspectives[J].ArqNeuropsiquiatr,2022,80(5Suppl1):105-115.DOI:10.1590/0004-282X-ANP-2022-S133.[6]ChandrabhatlaAS,PomeraniecIJ,KsendzovskyA.Co-evolutionofmachinelearninganddigitaltechnologiestoimprovemonitoringofParkinson′sdiseasemotorsymptoms[J].NPJDigitMed,2022,5(1):32.DOI:10.1038/s41746-022-00568-y.[7]SinghR,MalhotraY,ParikhJ.IntegrativeapproachforearlydetectionofParkinson′sdiseaseandatypicalParkinsoniansyndromesleveraginghemodynamicparameters,motiondata&advancedAImodels[J].ComputMethodsProgramsBiomed,2025,271:108989.DOI:10.1016/j.cmpb.2025.108989.[8]CalderoneA,LatellaD,BonannoM,etal.Towardstransformingneurorehabilitation:theimpactofartificialintelligenceondiagnosisandtreatmentofneurologicaldisorders[J].Biomedicines,2024,12(10):2415.DOI:10.3390/biomedicines12102415.[9]TaiLC,LiawTS,LinY,etal.Wearablesweatbandfornoninvasivelevodopamonitoring[J].NanoLetters,2019,19(9):6346-6351.DOI:10.1021/acs.nanolett.9b02478.[10]NyeinH,BariyaM,TranB,etal.Awearablepatchforcontinuousanalysisofthermoregulatorysweatatrest[J].NatCommun,2021,12(1):1823.DOI:10.1038/s41467-021-22109-z.[11]GuoY,GuoZ,ZhongM,etal.Aflexiblewearablepressuresensorwithbioinspiredmicrocrackandinterlockingforfull-rangehuman-machineinterfacing[J].Small,2018,14(44):e1803018.DOI:10.1002/smll.201803018.[12]LiT,WangQ,CaoZ,etal.Nerve-inspiredopticalwaveguidestretchablesensorfusingwirelesstransmissionandAIenablingsmarttele-healthcare[J].AdvSci(Weinh),2025,12(4):e2410395.DOI:10.1002/advs.202410395.[13]GlassP,RhoadesD,BohannonG,etal.Asynchronizedevent-cuefeedbackloopintegratinga3Dprintedwearableflexiblesensor-tactorplatform[J].BiosensBioelectron,2025,273:117161.DOI:10.1016/j.bios.2025.117161.[14]KimJ,PorciunculaF,YangHD,etal.SoftroboticappareltoavertfreezingofgaitinParkinson′sdisease[J].NatMed,2024,30(1):177-185.DOI:10.1038/s41591-023-02731-8.[15]Ortega-RoblesE,Carino-EscobarRI,Cantillo-NegreteJ,etal.Brain-computerinterfacesinParkinson′sdiseaserehabilitation[J].Biomimetics,2025,10(8):488.DOI:10.3390/biomimetics10080488.[16]KebaM,BachmannM,LassJ,etal.AssessingParkinson′sresttremorfromthewristwithaccelerometryandgyroscopesignalsinpatientswithdeepbrainstimulation:anobservationalstudy[J].JClinMed,2025,14(6):2073.DOI:10.3390/jcm14062073.[17]SotirakisC,SuZ,BrzezickiMA,etal.IdentificationofmotorprogressioninParkinson′sdiseaseusingwearablesensorsandmachinelearning[J].NPJParkinson′sDisease,2023,9(1):142.DOI:10.1038/s41531-023-00581-2.[18]FujikawaJ,MorigakiR,YamamotoN,etal.DiagnosisandtreatmentoftremorinParkinson′sdiseaseusingmechanicaldevices[J].Life(Basel),2022,13(1):78.DOI:10.3390/life13010078.[19]IbrahimA,ZhouY,JenkinsME,etal.ThedesignofaParkinson′stremorpredictorandestimatorusingahybridconvolutional-multilayerperceptronneuralnetwork[J].AnnuIntConfIEEEEngMedBiolSoc,2020,2020:5996-6000.DOI:10.1109/EMBC44109.2020.9176132.[20]GutowskiT,StodulskaO,ĆwiklińskaA,etal.Machinelearning-basedassessmentofParkinson′sdiseasesymptomsusingwearableandsmartphonesensors[J].Sensors(Basel,Switzerland),2025,25(16):4924.DOI:10.3390/s25164924.[21]XieQ,HanL,LiuJ,etal.Kirigami-inspiredstretchablepiezoelectretsensorforanalysisandassessmentofParkinson′stremor[J].AdvHealthcMater,2025,14(1):e2402010.DOI:10.1002/adhm.202402010.[22]MarsiliL,AbantoJ,MahajanA,etal.DysrhythmiaasaprominentfeatureofParkinson′sdisease:anapp-basedtappingtest[J].JNeurolSci,2024,463:123144.DOI:10.1016/j.jns.2024.123144.[23]LoniniL,DaiA,ShawenN,etal.WearablesensorsforParkinson′sdisease:whichdataareworthcollectingfortrainingsymptomdetectionmodels[J].NPJDigitMed,2018,1:64.DOI:10.1038/s41746-018-0071-z.[24]MemarS,DelrobaeiM,PietermanM,etal.Quantificationofwhole-bodybradykinesiainParkinson′sdiseaseparticipantsusingmultipleinertialsensors[J].JNeurolSci,2018,387:157-165.DOI:10.1016/j.jns.2018.02.001.[25]Rodríguez-MolineroA,Herrero-LarreaA,MiñarroA,etal.Thespatialparametersofgaitandtheirassociationwithfalls,functionaldeclineanddeathinolderadults:aprospectivestudy[J].SciRep,2019,9(1):8813.DOI:10.1038/s41598-019-45113-2.[26]ZadkaA,RabinN,GazitE,etal.Awearablesensorandmachinelearningestimatesteplengthinolderadultsandpatientswithneurologicaldisorders[J].NPJDigitMed,2024,7(1):142.DOI:10.1038/s41746-024-01136-2.[27]ZhangW,LingY,ChenZ,etal.Wearablesensor-basedquantitativegaitanalysisinParkinson′sdiseasepatientswithdifferentmotorsubtypes[J].NPJDigitMed,2024,7(1):169.DOI:10.1038/s41746-024-01163-z.[28]SalomonA,GazitE,GinisP,etal.Amachinelearningcontestenhancesautomatedfreezingofgaitdetectionandrevealstime-of-dayeffects[J].NatCommun,2024,15(1):4853.DOI:10.1038/s41467-024-49027-0.[29]WangB,HuX,GeR,etal.PredictionoffreezingofgaitinParkinson′sdiseasebasedonmulti-channeltime-seriesneuralnetwork[J].ArtifIntellMed,2024,154:102932.DOI:10.1016/j.artmed.2024.102932.[30]BorzìL,DemroziF,BacchinRA,etal.Freezingofgaitdetection:theeffectofsensortype,position,activities,datasets,andmachinelearningmodel[J].JParkinsonsDis,2025,15(1):163-181.DOI:10.1177/1877718X241302766.[31]YiMK,HwangSO.Anewlightweightdeeplearningmodeloptimizedwithpruninganddynamicquantizationtodetectfreezinggaitonwearabledevices[J].ComputBiolMed,2025,191:110138.DOI:10.1016/pbiomed.2025.110138.[32]MooreJ,StuartS,McMeekinP,etal.Enhancingfree-livingfallriskassessment:contextualizingmobilitybasedIMUdata[J].Sensors,2023,23(2):891.DOI:10.3390/s23020891.[33]RameshV,BilalE.DetectingmotorsymptomfluctuationsinParkinson′sdiseasewithgenerativeadversarialnetworks[J].NPJDigitMed,2022,5(1):138.DOI:10.1038/s41746-022-00674-x.[34]ErbMK,KarlinDR,HoBK,etal.mHealthandwearabletechnologyshouldreplacemotordiariestotrackmotorfluctuationsinParkinson′sdisease[J].NPJDigitMed,2020,3:6.DOI:10.1038/s41746-019-0214-x.[35]LöhleM,TimpkaJ,BremerA,etal.Applicationofsinglewrist-wearableaccelerometryforobjectivemotordiaryassessmentinfluctuatingParkinson′sdisease[J].NPJDigitMed,2023,6(1):194.DOI:10.1038/s41746-023-00937-1.[36]SchalkampAK,PeallKJ,HarrisonNA,etal.Wearablemovement-trackingdataidentifyParkinson′sdiseaseyearsbeforeclinicaldiagnosis[J].NatMed,2023,29(8):2048-2056.DOI:10.1038/s41591-023-02440-2.[37]SchalkampAK,HarrisonNA,PeallKJ,etal.Digitaloutcomemeasuresfromsmartwatchdatarelatetonon-motorfeaturesofParkinson′sdisease[J].NPJParkinsonsDis,2024,10(1):110.DOI:10.1038/s41531-024-00719-w.[38]OpheyA,VinodV,RöttgenS,etal.Accelerometry-derivedfeaturesofphysicalactivity,sleepandcircadianrhythmrelatetonon-motorsymptomsinindividualswithisolatedREMsleepbehaviordisorder[J].JNeurol,2025,272(3):201.DOI:10.1007/s00415-025-12931-6.[39]ShinB,LeeSH,KwonK,etal.Automaticclinicalassessmentofswallowingbehavioranddiagnosisofsilentaspirationusingwirelessmultimodalwearableelectronics[J].AdvSci(Weinh),2024,11(34):e2404211.DOI:10.1002/advs.202404211.[40]CaroppoA,ManniA,RescioG,etal.Movementdisordersandsmartwristdevices:acomprehensivestudy[J].Sensors,2025,25(1):266.DOI:10.3390/s25010266.[41]GongK,GuoC,GuoW,etal.ResearchontremorsuppressionstrategiesunderaconstantcurrentperipheralelectricalstimulationdeviceforParkinson′sdisease[J].IEEETransNeuralSystRehabilEng,2024,32:3071-3083.DOI:10.1109/TNSRE.2024.3435749.[42]FrommeNP,CamenzindM,RienerR,etal.Designofalightweightpassiveorthosisfortremorsuppression[J].JNeuroengRehabil,2020,17(1):47.DOI:10.1186/s12984-020-00673-7.[43]JitkritsadakulO,ThanawattanoC,AnanC,etal.Tremor′sglove-aninnovativeelectricalmusclestimulationtherapyforintractabletremorinParkinson′sdisease:arandomizedsham-controlledtrial[J].JNeurolSci,2017,381:331-340.DOI:10.1016/j.jns.2017.08.3246.[44]JitkritsadakulO,ThanawattanoC,AnanC,etal.Exploringtheeffectofelectricalmusclestimulationasa