帕金森病（Parkinson'sdisease，PD）是一种运动障碍，是继阿尔茨海默病（Alzheimer'sdisease）之后第二常见的神经退行性疾病，其特征是黑质致密部多巴胺能神经元的缺失。帕金森病的运动症状包括震颤、强直、运动障碍和运动迟缓、步态问题和姿势不稳。Kinect的已经广泛应用于包括PD研究在内的医疗实践中。除了捕捉病人的运动视频（或图像），Kinect还可以基于深度数据的处理来跟踪个人主要关节（20-25个关节）的运动轨迹。Kinect可以精确地记录健康人和PD患者的关节运动数据，用于临床相关的大体运动，特别是从坐姿到站姿再到坐姿。在本研究中，我们使用Kinect来记录PD患者和健康受试者从坐姿到站姿的关节运动数据。

kinect检测关节

57人参与本研究；轻度至中度PD患者30例和27名健康人。PD患者与健康对照组年龄差异无统计学意义（p值>0.05）。帕金森病患者的入选标准为：诊断为特发性帕金森病，无任何其他神经问题或任何可能影响步态、痴呆、视力和听力损害的严重共病（必要时戴眼镜或助听器）。此外，帕金森病患者能够在没有助行器的情况下在室内独立行走。在数据记录过程中，每个参与者被要求做5次从坐到站再到坐在Kinect前面的任务。在从坐到站再坐的过程中，参与者的手臂靠在身体两侧，背部靠在椅子的直立靠背上。本次的记录是完全非侵入式的。

参与者直接面对Kinect传感器站，距离为3米。Kinect传感器距离地面1米，镜头垂直于地面，指向参与者。记录图像的空间和深度分辨率为640×480像素。“Kinect for Windows软件开发工具包（SDK）” ，用于为Kinect硬件提供应用程序编程接口（API）。API的实现与Kinect传感器及其骨骼跟踪软件接口，以每秒30帧的速率提供20个主要关节位置（x、y和z轴）的数据。人体根据其解剖结构和功能，一般可分为六个部分（头、躯干、左上肢、右上肢、左下肢和右下肢）。在本文中， 用六种不同的颜色分别表示位于这些不同身体部位的所有主要关节。此外，为了最小化噪声和伪影，在数据预处理中，参与者每个关节位置的时间序列由截止频率为5 Hz的低通巴特沃斯滤波器进行滤波。本文目的不是在本研究中测量帕金森病的震颤。

坐-站-坐是帕金森病患者最常用的运动评估任务之一，尤其是在量化其平衡和协调能力方面。此外，在疾病的早期，帕金森综合征总是影响身体的一侧。因此，本研究首先尝试进行三种类型的多变量分析，分别为：（1）左上肢（主要关节用蓝色表示）/右上肢（主要关节用黄色表示）(2） 左下肢（主要关节用紫色表示）/右下肢（主要关节用黑色表示）(3） 身体左侧（主要关节用蓝色和紫色表示）/身体右侧（主要关节用黄色和黑色表示）。帕金森病患者的不对称运动，他们的头和躯干通常很难在坐姿到站姿的过程中保持在冠状面上。为了说明提出的人体运动分析方法的有效性，我们使用了另外三种类型的双变量分析进行比较，包括MIC、Pearson相关系数和互信息。使用四个分类器来区分两个被试群体，包括随机森林（RF）、支持向量机（SVM）、简单logistic（SL）和多层感知器（MP）。

健康受试者和PD患者Pearson相关系数的平均值 

得到了三种类型的运动数据来进行运动分析，包括速度、速度的瞬时相位和速度的瞬时相位变化。众所周知，振幅和相位都是信号的基本信息。振幅表示信号的强度，而相位则表示其谐波分量的出现时间。结果表明，瞬时速度相位和瞬时速度相位变化可以显著区分帕金森病患者和健康参与者。因此，除了运动数据的振幅信息外，其相位信息也可以作为评价运动性能的一种新型指标。两个受试者组分化的最高AUC值约为0.811。相比之下，从本文提出的方法中提取的所有参数都能显著区分两组。此外，其AUC值高达1.00，这足以证明本文提出的运动特征提取方法的有效性。其次，较大的MIEC值表明坐姿到站姿到坐姿的运动表现非常对称。众所周知，PD患者存在姿势不稳定的问题，本文的方法可以很好地表现出来，因为健康参与者的MIECes平均值都大于PD患者的MIECes平均值。

本文的研究证明了使用多元分析来研究关节运动数据的可能性，这可能有助于未来的帕金森研究。

P. Ren et al., "Multivariate Analysis of Joint Motion Data by Kinect: Application to Parkinson’s Disease," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 1, pp. 181-190