帕金森病是全球第二大最常见的老年慢性神经退行性疾病。由于人口老龄化问题逐渐严重，预计帕金森病会带来巨大的社会和经济负担。帕金森病会导致患者的运动能力逐渐下降，因此，对帕金森患者运动能力的评估是临床诊断和干预治疗的重要依据。神经病学家通常使用统一帕金森病评定量表（MDS-UPDRS）来评估帕金森患者的运动症状。然而，临床实践中的定量评估通常依赖于神经病学家的经验，因此评分存在着不一致性，并且十分耗时。其次，帕金森病常见于老年人群体中，患者难以实现经常性的随访以实现病情的定期监测。

        帕金森病运动症状的自动化评估为上述问题的解决提供了新的思路，不仅可以实现客观的评估，避免不同人员评分的不一致性，也有利于帕金森病远程医疗的实现，这在公共卫生紧急事件中（如最近的新冠肺炎疫情）尤其重要。帕金森病自动化运动评估系统的开发与应用变得非常迫切。因此，我们的根本目标在于开展帕金森病运动功能评估的核心技术研究，并挖掘在各场景中的应用。

        传统的基于传感器和光学设备的自动评估方法存在着诸多局限性。传感器的侵入性会对患者的运动产生干扰，并且需要定期标定和校准。尽管光学设备具有较小的侵入性，但它也需要较为专业的标定过程。然而，基于视觉的评估仅需要带有普通摄像头的设备（如智能手机）即可捕获视频数据，这种数据采集方式是非接触式的，并且易于在远程医疗的实现中进行普及。在视频数据中，动态的人体骨架通常传达着重要的信息，它的特征明确简单，并且可以有效提高运动识别系统的鲁棒性。因此，我们基于从视频中提取的人体关节点构成的骨架序列，使用基于图神经网络的深度学习技术，结合丰富的时空特征建模策略，实现基于视频的帕金森运动功能子任务的自动量化评估。

        基于以上背景，中心钱晓华团队实现了基于视频的帕金森功能自动检测技术，提出了新的图神经网络框架实现了对人体动态骨架序列的空间建模，设计了多种时空建模方式来对视频进行有效的时空特征建模，提出了多种特征选择策略，通过模型驱动的方式挖掘了潜在的判别性特征。中心团队拥有最大的数据集，病人数量和样本数量都是最多的，这提升了预测的可靠性，也使研究更加贴近临床的实际情况；该技术是完全无接触式的，仅需一个普通的摄像头即可完成数据采集，这避免了传感器的侵入性、定期校准的需求和光学设备的专业标定过程，为PD自动评估系统的实现与普及提供了方便；已有研究均采用从运动轨迹中根据人工定义的规则进行特征提取的方式，并且忽略了人在运动时各关节之间的连通性，而中心团队所采用的深度学习方案能够以端到端的形式从骨架序列中自动提取空间连通特征，这能够带来更加丰富的细粒度判别性特征。

        基于来自上海交通大学医学院附属瑞金医院功能神经外科提供的临床视频数据集，团队开展了回顾性研究。该数据集包含了2017-2020年341个帕金森患者在不同状态下的运动评估视频，这些状态为根据手术和服药情况划分的不同阶段。目前，团队已经实现了评估量表第三部分（运动功能检查）中僵直、对指试验、握拳试验、脚趾拍地运动、腿部灵活性、从椅子上站起来、步态、冻结步态、姿势的稳定性这些运动子任务的自动评估，并初步构建了帕金森病运动功能评估软件，将在不久之后投入临床应用中，预计在1年内完成临床落地，实现以下规划：（1）通过移动端完成帕金森病的早期筛查，推荐高风险患者就诊；（2）通过家庭端实现家庭随访，从而协助医生指导用药、调整治疗方案；（3）通过医院端实现临床诊断与评估，辅助量表评分，提高评估效率和精度，从而提升医院门诊服务质量。