帕金森病运动与认知功能的动态数字生物标志物

摘要

本方案对常用于评估帕金森病认知功能和运动控制的传统临床任务的部分内容进行了数字化。在将临床任务数字化的同时，还同步记录了来自神经系统不同功能层面的生物物理节律，涵盖自主、自发、自动乃至自主神经层面。

摘要

由于帕金森病（PD）是一种异质性疾病，因此迫切需要个体化医疗以优化治疗。目前，用于追踪疾病进展的传统纸笔症状评估方法所提供的标准评分过于粗糙（离散），难以在面对巨大症状多样性的情况下捕捉临床现象的精细程度。因此，传感器、可穿戴设备和移动设备正越来越多地被纳入帕金森病的研究和常规诊疗中。尽管这些数字测量手段更为精确，但其产生的数据相比传统测量方法更缺乏标准化和可解释性，因此，这两类数据在很大程度上仍处于相互隔离的状态。上述两个问题均阻碍了该领域最精确评估工具在临床中的广泛应用。本方案旨在解决这两个问题。我们采用传统任务来评估认知功能和运动控制，在对受试者进行测试的同时，利用可穿戴设备无创地同步采集生物物理信号。随后，我们将传统纸笔方法所得评分与持续记录的数字数据进行整合。我们提出了一种新型标准化数据类型及统一的统计平台，能够动态追踪个体在不同条件下的随机性特征变化，这些条件可探测神经运动控制从自主到自主神经等不同功能水平的表现。该方案及标准化统计框架提供了与已验证临床量表相对应的帕金森病患者身体与认知功能的动态数字生物标志物，同时显著提升了测量的精确性。 

引言

精准医学（PM）（图1）已发展成为一种强大的平台，可用于开发个性化的靶向治疗。在癌症研究领域，这一模式已取得显著成功，其核心理念势必将彻底改变未来几年的医学领域¹。精准医学整合了从患者自述到基因组学等多层面的知识。通过综合所有这些层面的信息，可实现个性化评估，从而对数据进行解读，并提出更精确的治疗建议，以全面考虑个体生活的各个方面。

将PM平台应用于神经系统神经精神和神经系统疾病时存在若干挑战^2,3，这些挑战最近已被提出⁴。其中一项挑战在于所获取数据的差异性，即来自基于观察的临床纸质评分方法的离散评分，与直接从神经系统输出获取的连续生物物理数据（例如，通过生物传感器）之间的差异。临床评分数据往往采用“一刀切”的静态模型，强制使用单一的（理论上的）概率分布函数（PDF）。这种a priori假设在数据上施加时缺乏充分的实证验证，因为规范性数据本身尚未被获取和表征。因此，目前尚无基于适当相似性度量的标准来描述人类神经系统在个体健康老化过程中典型的成熟状态，以及用于刻画这些参数变化的概率空间以某种速率发生迁移的情况。在缺乏规范性数据和适当相似性度量的情况下，无法度量个体生命过程中随时间动态变化的典型状态的偏离情况，也无法预测即将到来的变化所导致的感觉后果。

图 1：精准医学平台：弥合行为学与基因组学之间的鸿沟，推动神经系统神经疾病和神经精神疾病的个体化靶向治疗发展。 用于开发个体化靶向治疗的精准医学平台，可被转化应用于神经系统神经疾病和神经精神疾病的诊断与治疗。然而，在知识网络中，行为分析层需要范式转变，以整合来自生物物理数据的新兴数字结局指标与更传统的临床标准。未来的一个挑战是为此类整合提供统计学上严谨的方法和新颖直观的可视化工具，同时促进临床医生、患者和照护者使用数字结局测量指标。本图经美国科学促进会许可，改编自 Hawgood 等人¹。 请点击此处查看此图的放大版本。

目前的“总体平均”方法会将个体数据中的随机波动作为噪声进行平滑处理，即抹去了个体在自然衰老过程中、疾病进展过程中以及神经系统接受并响应治疗时所表现出的信号变异性。由于缺乏规范性数据（即对健康人群大样本横断面和纵向数据的评估），我们难以理解健康衰老过程中的典型神经动态变化。因此，当某种病理状态开始在个体中系统性显现时，我们很难普遍性地预测其后果。预测性方法对于设计再生疗法和/或减缓退行性过程的神经保护疗法至关重要。帕金森病就是一个典型例子，其疾病表现之前存在许多其他可测量的症状。如今我们已知，明显的运动障碍出现之前，往往已存在较不明显的感官问题，例如嗅觉功能减退^5,6、言语模式改变、快速眼动（REM）睡眠异常⁷，以及其他与肠神经系统功能相关的非运动症状⁸。当疾病症状显现时，系统中多巴胺能神经元的损耗已经十分严重；然而，非运动症状本可以提前预测部分目前作为主要诊断依据的可见运动功能障碍。

有必要改变当前的分析模型，重视对神经系统各个层面实证数据的准确表征，因为生物节律性运动在这些层面显现，并可作为与多种传感器同步记录的时间序列数据被动态利用。广义的运动数据不应局限于动作本身及其所反映的障碍。来自神经系统所有生物节律的数字数据（包括非运动性波形）均具有预测潜力，可能有助于我们预防或延缓快速的神经退行性病变。然而，随着我们所使用数据类型的不断扩展，应避免沿用当前用于分析此类数据的参数化线性模型在统计推断与解释中的固有假设。评估这类线性模型是否适用于研究神经系统病理中所面临的高度非线性问题——尤其是受随机波动和动态变化影响的问题——将至关重要。当前假设-分析流程中的局限性存在于所利用的两类数据中：一类来自离散的临床评分，另一类来自连续的数字化生物物理波形。在两者仍相互割裂的情况下，设计新的框架以实现这两类数据的合理整合显得尤为重要，从而将数字化结果与临床标准相统一，促进患者、照护者和临床医生对新兴数字技术的有效应用。

为了克服其中一些挑战，我们近期改进了图1中的PM平台，以实现对神经及神经精神疾病的精准表型分析³。为此，我们设计了一种新方法，将行为数据的采集、分析与解释同传统的临床评分测试相结合，以揭示认知与运动现象之间的复杂关联。更具体而言，我们对传统的纸笔测试方法进行了数字化。仅依靠此类传统方法所获得的数据过于粗糙，难以捕捉肉眼无法察觉的重要信息。然而，若将其与来自生物物理传感器的数字化数据结合使用，则为新兴数字技术与临床标准之间的衔接提供了新途径，有助于推动临床医生在未来不久采纳这些技术。

本文介绍了在临床评估背景下使用数字数据的方法。具体而言，当受试者执行临床任务时，例如在蒙特利尔认知评估（MoCA）测试中绘制钟表，其神经系统产生的生物节律会在不同的功能层面同步记录。这些层面包括脑电图（EEG）、心电图（ECG 或 EKG）、语音模式和身体运动学数据，以及受试者在数字化书写板上绘图时所用手持笔的运动学输出。同时，我们还采集受试者绘图过程中的面部视频数据，以进行可预测情绪状态的情感分析。随后，这些数据通过一种新的个体化行为分析统计平台（SPIBA）进行分析，并依据此类测试所基于的临床标准进行解读。更具体地说，利用离散评分对患者队列进行中位数排序，从而根据临床标准对群体进行分层。之后，我们可以分析由此划分出的各组所对应的连续生物物理数据，寻找能够在多个参数维度上将一组患者与另一组患者根本区分开的、由数字驱动的随机性判据。此外，通过独立地分析连续生物物理数据本身，依据队列中每个个体固有的波动特征，并在对临床标准设盲的条件下，我们可探索队列中自发形成的聚类，并比较这些聚类在多大程度上与基于临床标准所定义的亚型所揭示的聚类相吻合。

该方法为从海量生物物理数字数据中识别参数提供了一种新途径，能够最有效地捕捉不同亚型之间的差异，并将这些差异作为潜在的有效候选指标，用于在盲态下对帕金森病患者（PWP）进行分层，即在来自普通人群的随机抽样中进行分层。该方法的意义体现在两个方面：我们能够在充分整合来自生物传感器和临床标准的异质性数据类型的同时，真正实现治疗的个性化；这些数据类型包括以时间序列形式存在的连续性数字生物物理数据，以及来自传统测试的离散临床评分。

尽管这是一种适用于所有神经系统疾病的通用方法，但我们将在PWP的背景下阐述本研究工作，并提出新的统计推断方法，用于分析在实施此类临床测试过程中同步采集的连续数字数据，同时考虑离散的临床评分系统。因此，本研究使得数字结果能够被临床解读，并适用于临床环境中的实际应用。最后，我们提出了若干建议，以帮助开始设计新的可视化方式来呈现个体化结果，并将其嵌入到新的应用程序中，便于患者、照护者以及临床工作人员在家庭和临床环境中便捷使用。

方案

本文所述所有方法均已获得罗格斯大学机构审查委员会的批准。

1. 受试者与采集系统的设置

1. 获取参与者的知情同意。
   注意：参与者应被诊断为帕金森病，或未被诊断患有任何神经系统疾病，以作为健康对照参与者。健康参与者应在性别和年龄上与患者参与者相匹配。所有参与者应具备能够持续行走5分钟的活动能力。
2. 测量参与者身体尺寸（身高、足长、臂展、踝高、髋高、髋宽、膝高、肩宽、肩高；图2A），以便后续在动作捕捉系统中创建其身体虚拟形象。
   注意：该信息将用于动作捕捉系统，以准确记录参与者身体的位置数据。
3. 设置动作捕捉系统，包括17个无线运动追踪传感器及运动追踪软件。
   1. 将传感器放置于以下身体部位：头部、胸骨、骨盆、右肩、右上臂、右前臂、右手、左肩、左上臂、左前臂、左手、右大腿、右小腿、右脚、左大腿、左小腿、左脚（图2B）。使用绑带固定这些传感器，以确保运动不受干扰。
   2. 所有传感器正确放置后，校准参与者姿态以生成其虚拟形象。
      注意：校准方法的详细信息可参见Roetenberg等人的研究⁹。
4. 设置脑电图（EEG）设备及EEG记录软件。
   1. 在头皮上布置31个传感器，并将记录设备置于参与者头部后方。将通道传感器置于以下位置：P7、P4、Cz、Pz、P3、P8、O1、O2、T8、F8、C4、F4、Fp2、Fz、C3、F3、Fp1、T7、F7、PO4、FC6、FC2、AF4、CP6、CP2、CP1、CP5、FC1、FC5、AF3、PO3（图2C）。
   2. 将剩余的一个通道传感器（Oz）连接至接口，用于测量心电信号，将该连接的传感器置于参与者左侧腹部（图2C）。
   3. 在参与者左耳后方连接两个参考通道传感器，然后使用注射器向脑电帽上的传感器注入电极凝胶（图2C）。
   4. 完成后，启动记录软件，开始采集数分钟的脑电活动信号，直至信号稳定。
      注意：图2D展示了来自中枢神经系统（CNS）和自主神经系统（ANS）的脑电信号示例波形。
5. 设置麦克风以采集参与者的声音。将麦克风置于参与者前方，并连接至运行实验室流层（LSL）的计算机（参见下文LSL说明）（图2E）。

图 2： 用于将传统临床测试数字化，并整合来自无创无线可穿戴生物传感器的多种波形信号的实验设置。（A）绘图任务设置：实际患者佩戴无创可穿戴传感器，同时根据采集到的运动学数据实时渲染出虚拟化身。（B）一组小型轻量级运动追踪传感器（60 Hz）的传感器放置位置，运动数据在全身范围内同步共注册。（C）脑电图（EEG）电极分布图及参考位置。（D）来自31个导联的脑电图波形示例，以及从Oz导联提取的心电信号。（E）参与者在计数任务期间的语音信号波形示例。请点击此处查看该图的高清版本。

6. 设置 LSL 系统以同步脑电图（EEG）、运动和音频信号流，并记录鼠标点击的时间戳（图 3A）。
   1. 打开 Lab Recorder 应用程序。
   2. 打开用于鼠标的 LSL 应用程序以及内部开发的 Xsens 同步应用程序，并在“从流记录”（Record from Streams）部分中勾选 Mouse Buttons 和 Tracker Kinematics，将其连接到 Lab Recorder 应用程序。
      注：实验过程中将使用鼠标应用程序对事件进行时间戳标记。
   3. 在“从流记录”（Record from Streams）部分中勾选 AudioCaptureWin、LSL-EEG 和 Position，将 EEG、运动和音频信号流连接到 Lab Recorder 应用程序。
      注：LSL 系统能够在研究实验中实现测量时间序列的统一采集，支持时间同步、网络传输、实时访问，以及数据的集中采集、查看和磁盘记录。在本方案中，LSL 系统可在受试者自然执行传统临床任务时，同步来自中枢神经系统（CNS）、周围神经系统（PNS）和自主神经系统（ANS）的数据流。
7. 设置笔迹运动的记录，包括绘图板和平板笔以及运动分析软件（图 3B）。
   1. 将绘图板和平板笔放置在受试者前方。
   2. 将绘图板连接至运行运动分析软件的计算机。
   3. 在绘图板上放置一张白纸，并用胶带固定。
      注：请提前准备好纸张，画出一个方框以标明受试者绘图的区域。
8. 开始记录。
   1. 在 LSL、动作捕捉软件和 EEG 记录软件中点击 record 按钮开始记录。
   2. 在每个任务开始和结束时，通过点击动作捕捉软件上的时间戳按钮，用鼠标点击进行时间戳标记。
      注：这样可在 LSL 数据流和动作捕捉数据中同时记录时间戳，确保当其中一个时间戳功能在记录过程中失效时，仍有备用时间戳可用。

图3： 通过通用中央处理单元的实验室流层（Lab Stream Layer, LSL）系统实现信号数字化与同步。（A）LSL系统可同步整合运动信号（PNS）、脑电图（EEG，CNS）、心电图（ECG，ANS）、语音信号，并通过鼠标点击进行时间戳标记。（B）数字化书写板与电子笔在执行标准化认知测试绘图任务时，记录笔尖的运动学数据（位置）。请点击此处查看该图的放大版本。

2. 实验步骤

1. 执行任务1——Benson复杂图形复制（即时）¹⁰（1分钟）。
   1. 指导受试者在纸上复制Benson图形，并记住该图形的设计，因为稍后会要求其凭记忆再次绘制。
      注：该测试旨在评估受试者的视觉结构能力和视觉记忆功能（图4A）。
2. 执行任务2和任务3——连线测试A部分（3分钟）。
   1. 指导受试者将按升序编号的圆圈用线连接起来。
      注：本部分包含两个任务，第一个（任务2）为完成样例测试（包含8个数字），第二个（任务3）为完成正式测试（包含25个数字）。该测试是陆军个体测验量表¹¹的组成部分，用于评估处理速度和执行功能，依赖于视动协调和感知扫描能力（图4B）。
3. 执行任务4和任务5——连线测试B部分（5分钟）。
   1. 指导受试者将包含数字或字母的圆圈用线连接，按升序排列，并在数字与字母之间交替连接。例如，序列为：A到1；1到B；B到2；2到C。
      注：本部分包含两个任务，第一个（任务4）为完成样例测试（包含4个数字和4个字母），第二个（任务5）为完成正式测试（包含13个数字和12个字母）。连线测试B部分与A部分类似，但要求更高的认知灵活性，因为受试者需在数字和字母集合之间不断切换（图4B）。
4. 执行任务6——画钟测试（1分钟）。
   1. 指导受试者绘制一个带有数字1至12的模拟时钟，并将时间设为11点10分。
      注：该测试是蒙特利尔认知评估（MoCA）¹²的一部分，用于评估受试者的视觉结构能力（图4C）。
5. 执行任务7——Benson复杂图形复制（延迟）¹⁰（1分钟）。
   1. 指导受试者在一张空白纸上凭记忆绘制Benson复杂图形。
      注：该测试用于评估受试者的视觉结构能力和视觉记忆功能（图4A）。
6. 执行任务8和任务9——数字广度测试（顺背和倒背）¹³（10分钟）。
   1. 指导受试者重复实验者大声读出的数字。
   2. 对于任务8（顺背），要求受试者按相同顺序重复数字；对于任务9（倒背），则要求其按相反顺序重复。两项测试中，每个序列长度均进行两次试验，顺背测试的数字长度范围为3至9位，倒背测试为2至8位。持续测试，直至同一长度的两个数字串均未能正确复述。
      注：两项测试均用于测量短暂保持信息的能力，但倒背测试（任务9）还测量了对数字进行操作和逆转序列的能力。因此，在本研究方案的背景下，该任务测量了与语音生物节律输出相关的记忆和认知成分。

图4：迈向临床指导的数字生物标志物与评分卡：传统临床测试的数字化，以实现临床标准与数字生物物理数据的整合。 来自标准化认知测试的示例轨迹。(A) 向参与者提供的Benson复杂图形，要求其立即复制（中图），或在10分钟延迟后凭记忆绘制（右图）。(B) 连线测试A任务，要求用线条按升序连接数字（上图）；连线测试B任务，要求交替连接字母与数字（下图）。(C) 按照指示绘制时钟，并将时间设为11点10分。在所有示例轨迹中，灰色线条表示绘图过程中笔尖抬起的轨迹，蓝色线条表示实际的笔迹绘制轨迹。在分析中，我们同时考察这两类轨迹。请点击此处查看该图的放大版本。

7. 执行任务10、11和12——指点任务（10分钟）。
   1. 在受试者前方放置一个目标物，供其指向并触碰。
   2. 对于任务10（对照），指导受试者用惯用手以自主节奏的方式指向目标物40次。
   3. 对于任务11（节拍器），指导受试者以自主节奏的方式指向目标物40次，同时在背景中设置节拍器节律为35 bpm，但不要向受试者说明节拍器节律的相关信息。
   4. 对于任务12（节律性指点），指导受试者按照设定为35 bpm的节拍器节律，以同步节奏指向目标物40次。
      注：指点任务可将受试者的运动分为有意识运动（前向运动，即手从静止位置开始移动直至接触目标物）和自发运动（后向运动，即手接触目标物后返回至静止位置）两个阶段，从而分析受试者在施加主动控制（有意识运动）和几乎不施加控制（自发运动）时的生物物理信号（图5A）。通过引入节拍器节律并要求受试者按照节拍器节奏进行指点，可比较受试者在自主节奏运动与主动将运动节奏与外部节律同步时的生物物理信号差异。
8. 执行任务13、14和15——行走任务（25分钟）。
   1. 指导受试者在三种不同条件下自然行走5分钟。
   2. 对于任务13（对照），指导受试者在房间内自然行走。
   3. 对于任务14（节拍器），指导受试者在房间内自然行走，同时在背景中设置节拍器节律为12 bpm。
   4. 对于任务15（节律性呼吸），指导受试者在房间内自然行走，同时使其呼吸频率与设定为12 bpm的节拍器节律保持同步。
      注：通过引入节拍器节律，可比较受试者在全身运动并自主调节呼吸节奏时，以及在全身运动的同时主动控制通常为自动调节的呼吸节奏时的生物物理信号差异（图5B）。

图5：三维 (三维轨迹及其在上身自主运动过程中产生的速度-幅度时间序列输出。采用运动障碍学会统一帕金森病评定量表（MDS-UPDRS）中的动能震颤任务变体，检测目标指向行为以评估自主控制能力。 (A) 参与者与虚拟形象以坐姿完成上半身目标指向任务（顶部）；前后运动（朝向目标与返回起始位置）的三维位置轨迹（左下）；以及相应的线速度曲线，显示速度幅度（m/s）波动的时间序列和峰间间隔时间（ms），数据源自线速度矢量流（右下）。B) 参与者与虚拟形象在行走任务中的表现（顶部）；不同身体部位的三维位置轨迹（左下）及相应的速度曲线（右下）。 请点击此处以查看此图的放大版本。

9. 执行任务16和17——面部视频（10分钟）。
   1. 指导受试者舒适地坐好，并在受试者前方架设摄像头。
   2. 对于任务16（对照），指导受试者注视一个无任何刺激的区域，持续5分钟。
   3. 对于任务17（微笑），指导受试者观看一段有趣的视频，持续5分钟。
      注意：设置过程约需30分钟，整个实验流程约需60分钟，另需10分钟用于PWP。

结果

关注的参数

我们可以从人体神经系统产生的生物物理数字信号轨迹中提取多种运动参数。本文重点研究脑电图（EEG）波形（代表中枢神经系统，CNS输出）、身体运动（代表周围神经系统，PNS输出）以及心脏信号（代表自主神经系统，ANS输出）。

对于与中枢神经系统（CNS）和自主神经系统（ANS）相关的信号，我们采用脑电图（EEG）和心电图（ECG）波形的峰值幅度波动（µV），并将其转换为无量纲（标准化）的微运动尖峰（MMS）（见下文）。对于与外周神经系统（PNS）相关的信号，我们采用质心（COM）的运动轨迹及其速度剖面的时间序列（m/s），以推导出相应的无量纲MMS。在获取MMS后，我们可根据跨传感器及神经系统功能层级的成对信号分析结果，将其整合为一个加权无向图。此步骤使我们能够对整合后的信号进行网络连接性分析。随后，我们生成可解释的图谱^14,15，以描绘自组织网络拓扑结构的变化。特别是当我们比较三种指物和/或行走任务之间的图谱时，可以观察到生物物理信号如何以被动方式（即节拍器节律自发地与生物节律同步）和主动方式（即受试者有意识地尝试使手指指向或行走动作与节拍器节律保持同步）对外部节律作出响应。我们还可以研究代表中枢神经系统、外周神经系统和自主神经系统功能层级的网络节点之间的信息传递模式。

基于生物物理信号多功能层的MMS随机分析

通过分布在全身的可穿戴传感器网格采集的生物物理信号，会形成一系列高低起伏的时间序列，这些起伏在幅度和时序上各不相同。这些生物物理信号的多模态同步（MMS）¹⁶ 指的是峰谷幅度与时序的波动情况，其中幅度被归一化为介于实数区间 [0,1] 内的无量纲值，从而实现来自神经系统不同功能层（即中枢神经系统 CNS、周围神经系统 PNS 和自主神经系统 ANS）信号之间的整合与比较。这些不同的功能层需要不同水平的神经运动控制，个体间的信号幅度范围也各不相同，同时其峰间间隔的时间特征亦存在差异。MMS 归一化方法在保留原始峰点时序的同时，也捕捉了幅度的变化。该归一化通过将每个局部峰值幅度除以该峰值与其两侧相邻局部最小值之间信号采样平均值之和而获得：

这些在 [0,1] 实数区间内的连续脉冲保留了时间点和幅度波动的信息，同时使我们能够将时间序列视为随机过程进行处理。随后，我们在泊松随机过程的总体框架下采用伽马过程，该方法在计算神经科学领域常用于分析二值脉冲。

这些分析方法在其他文献中已有详细说明^3,14,17,18，另见图6，其中解释了分析流程及建议的可视化方法，以辅助临床解读。本文中，我们采用伽马参数平面，该平面由从MMS波形中经验估计得到的伽马概率密度函数（Gamma PDF）的形状参数和尺度参数所张成。此外，我们将相应伽马矩的点绘制在四维图上，其中均值、方差和偏度分别占据三个维度，而峰度则通过用于表示个体随机特征的标记大小来体现。

针对每项任务，收集由生物物理时间序列导出的MMS峰值数据，并使用最大似然估计法（MLE）将其拟合至伽马概率密度函数（Gamma PDF），并对每个伽马参数计算95%置信区间：其中形状参数表示分布的形态，尺度参数表示离散程度（噪声与信号的比率）。因此，我们能够以高置信度估计出最能描述个体神经系统在不同任务功能需求水平下生物节律波动的连续型概率密度函数族。这些功能层次涵盖从高级抽象认知能力与记忆功能，到受控的神经运动控制以及由目标导向任务引发的自发性连带动作。我们还分析了自动性动作以及系统与节拍器每分钟节拍实现物理同步的能力。

图 6：用于开发动态数字生物标志物及未来应用（APP）开发的统计分析流程。（A）个体行走时质心（COM）的三维位置轨迹。（B）COM 速度波动，其中振幅峰值以红点标出。（C）将 COM 速度峰值（红点）的波动标准化为 [0,1] 实数区间内的 MMS。（D）MMS 峰值的频率直方图（MMS 中的红点）。（E）概率密度函数（PDF）拟合随时间演化的频率直方图，从无记忆性最强、最随机的指数分布（红色），过渡到某种偏斜的中间分布（蓝色），最终达到低离散度的高斯分布（预测性分布，目标，绿色圆圈）。这种理想分布（绿色）出现在年轻运动员中，代表了高信噪比、具有预测性的目标状态。（F）采用最大似然估计（MLE）将最优 PDF（95% 置信度）拟合至实测数据。所得参数值在伽马参数平面上定位了由 COM 速度波动产生的随机特征演化轨迹（伽马过程）：“对数形状”表示分布形态，从指数型经偏斜型向对称型（理想高斯分布）过渡；“对数尺度”表示噪声与信号之比（离散度），反映了大脑（最可能）接收到的本体感觉反馈类型^22,23。颜色表示随机状态随时间的动态演化。（G）与理想目标（低噪声-信号比、低离散度、高可预测性、对称分布）之间的概率距离（Wasserstein 度量距离⁷），该理想状态见于神经典型个体；而帕金森病晚期患者^24,25,26,27、去传入神经患者、精神分裂症患者²⁸以及自闭症个体^3,18,22,29则表现出较差的反馈（接近随机噪声）。（H）基于形状参数与尺度参数之间的幂律关系，对这些随时间演化的随机状态进行简化可视化。此类可视化可用于未来应用程序开发，为帕金森病患者（PWP）及其医疗团队提供实时、易于理解的临床反馈，以提升评估与治疗规划的精准性。请点击此处查看该图的放大版本。

不同数据模式的结果

本文旨在分析三位帕金森病患者（PWP）和三位健康参与者的资料，其人口统计学信息见表1。三位帕金森病患者选自我们记录的10位患者，分别代表帕金森病轻度（统一帕金森病评定量表[UPDRS]评分为16）、中度（UPDRS评分为25）和重度（UPDRS评分为44）病例。两位健康参与者选自我们记录的15位健康个体，其年龄和性别与帕金森病患者最为匹配；另一位健康参与者选自较年轻的年龄组，作为理想的健康对照参考。

参与者	疾病状况	性别	年龄	UPDRSa
1	PWP	F	64	44
2	PWP	M	65	25
3	PWP	M	64	16
4	无	M	26	n/a
5	无	F	65	n/a
6	无	M	67	n/a
a最高得分为108。

表1：参与者的基线人口统计学特征。

在认知与记忆测试（笔移动任务）中，记录了笔移动的位置轨迹，并提取线速度以获得速度幅值的时间序列。随后，从每次绘图任务的速度幅值波动中推导出MMS。根据运动障碍协会统一帕金森病评定量表（MDS-UPDRS）的中位数排名分数对患者进行分组，其中高于队列中位数分数的最高排名表示帕金森病（PD）最严重的程度。每组中选取三位具有代表性且评分中位数排名典型的参与者，将其结果与三位代表性对照个体进行比较展示。一位对照为年轻个体（26岁男性），代表青年时期理想的神经运动控制状态；另两位为健康老年人对照，分别为65岁女性和67岁男性。图7展示了质心（COM）的运动轨迹，图8展示了由其轨迹速度谱推导出的相应伽马过程。

图 7： COM 样本轨迹，用于汇总在执行选定认知绘图测试时 17 个身体位置的运动轨迹，并附实际数字化轨迹记录。 在执行 Benson 复杂图形任务（任务 1 和 7）和连线测试（任务 2−5）期间的样本表现。（A）本方案中使用的 Benson 复杂图形。（B）数字与字母连线测试，要求受试者沿有序路径用直线按指定顺序连接数字与字母（任务 4 —— 连线 B）。（C）一名 65 岁健康女性对照组（蓝色）与一名帕金森病患者（PWP，MDS-UPDRS 评分为 44 分，红色）在 Benson 复杂图形任务中的笔迹轨迹及 COM 三维轨迹样本。左侧显示受试者立即复制图形时的结果（任务 1），右侧为受试者在延迟 10 分钟后回忆图形时的结果（任务 7）。两种情况下均记录了连续书写过程中的提笔动作，以反映犹豫等行为引起的变异。（D）对照组与帕金森病患者在连线 A（任务 3）和连线 B（任务 5）任务中的表现对比。请注意 COM 轨迹与实际绘图的变化。请点击此处查看此图的放大版本。

图8展示了健康参与者与患者参与者在95%置信度下通过最大似然估计拟合的最优Gamma概率密度函数（PDF）结果。在每一项书写任务中，患者组与对照组明显分离。此外，患者组内部也进一步分层，并依据MDS-UPDRS中位数排名得分实现区分。上方子图中，每位患者以经验估计PDF的矩形式表示，而下方子图则描绘了每位参与者的PDF曲线。通过各子图，读者可观察到每位个体在不同任务中所呈现的PDF函数族。将此方法与“一刀切”的（假设性）参数化模型进行对比。图8D展示了由笔尖轨迹（包括提笔动作）记录的时钟图形连续书写过程（任务6）。

图 8：微运动尖峰（MMS）对队列进行分层，并为认知任务构建可解释的个性化动态数字生物标志物。 在认知测试期间，从身体质量中心（COM）的三维轨迹中提取的逐时刻波动（无量纲 MMS）可将每位参与者唯一地定位在一张随机图谱上。COM 综合了身体17个部位的位置轨迹，在个体执行认知任务并在数字平板上书写时同步记录其运动。（A）在“连线测试B”（任务5，连接字母与数字）过程中，通过最大似然估计法经验性地估算了伽马矩（上图：均值为横轴，标准差为纵轴，偏度为z轴，峰度为标记大小），并标注95%置信区间。每个标记代表个体在概率空间中的唯一位置。每个点对应下图中一个独特且可区分的概率密度函数（PDF），从而对PWP组的UPDRS中位数排名分数进行分层（图例）。（B）复制复杂Benson图形的任务（任务1）。（C）画钟任务（任务6）。（D）数字化笔实际捕捉到的画钟图像，显示连续笔迹轨迹（包含提笔过程）。来自书写笔和全身运动的所有运动学数据均与脑电图-心电图（EEG-EKG，图中未显示）同步记录，以经验性地提取多层次（认知、自主、自发、自动、自主神经）的随机特征。这种个性化方法（伽马过程）不同于“一刀切”模型——后者假设一个理论上的概率密度函数，并通过总体平均将波形在幅度和时间上的重要波动平滑为“噪声”。微运动尖峰（MMS）结合伽马过程方法，能够对队列进行分层，并为认知任务构建可解释的个性化数字生物标志物。请点击此处查看该图的放大版本。

接下来我们展示身体运动（自主指向与自动行走）的结果。绘图动作并不需要与指向目标任务（即任务10−12）相同程度的目标导向性。为了评估自主控制的水平，我们接下来采用指向空间目标的任务。与之前相同，我们使用来自身体质心（COM）的轨迹，以总结17个传感器位置的运动学动作（图9）。我们首先提取速度幅值的时间序列，然后根据幅值的瞬时波动计算出MMS。 图10的左侧面板显示了基线条件下（任务10）指向任务期间的随机性分析结果。 图10的中间面板显示了在设定节拍器为35 bpm但未告知参与者其存在的情况下进行指向任务的结果（任务11）。 图10的右侧面板显示了参与者被指示按照节拍器节奏进行指向动作时的结果（任务12）。

图9：在指物任务过程中重心（COM）的三维运动轨迹，分别对应三种不同实验情境：常规指物以获取基线测量值（任务10）；在背景中以35 bpm节拍器节律下进行指物，但不告知参与者节拍器的存在（任务11）；以及在相同节拍器节律下，但明确指示参与者根据节拍器节奏调整动作速度进行指物（任务12）。(A) 对照组参与者的任务表现。(B) 根据整个队列MDS-UPDRS评分中位数排序，疾病严重程度最低组的帕金森病患者（PWP）的表现。(C) 中等严重程度组的帕金森病患者。(D) 严重程度最高组的帕金森病患者。注意随着MDS-UPDRS评分的升高，重心运动轨迹呈现退化趋势。请点击此处查看该图的放大版本。

伽马过程的结果如图10所示，可以区分每种PWP亚型，并追踪随机特征在不同上下文之间的变化。

指向任务揭示了这些分析对情境背景的敏感性。在相同的指向任务中，节拍器条件的变化在不同条件下引发了不同的随机性特征。特别是，当受试者自发地（无指令情况下）与节拍器节律同步时，与被明确指示有意识地将指向动作与节拍器节律匹配的条件相比，可以观察到重心（COM）生物节律的变化。该任务表明，在上肢运动基线状态下，不同帕金森病患者（PWP）的自主控制水平因其不同的MSD-UPDRS评分而异。具体而言，评分越低，伽马参数平面上的信噪比（尺度参数值）越低（图10A），且概率密度函数（PDF）的形状越对称。这种UPDRS评分中位数排序与数字化数据之间的有序关系，在引入节拍器后发生了改变，并进一步区分了自发（无指令）与有意识（有指令）指向条件之间的差异。

图10：三种特定指物任务的动态数字化评估。通过微运动尖峰分析（MMS）获得的重心（COM）速度时间序列波动所生成的伽马过程输出，可在帕金森病患者（PWP）与对照组之间及组内区分三类指物任务（任务10−12）的表现差异。（A）伽马参数平面展示了PWP组与对照组之间的差异。（B）在每种指物条件下，由伽马过程经验估计出的伽马矩可区分PWP组与对照组；在各组内部，随机特征将参与者分层至参数平面上的不同位置。每种任务情境都会改变个体在图上的位置。（C）概率密度函数（PDF）族同样可区分每位参与者和每个组别，并揭示在不同任务情境下目标导向指物行为的统计学差异。请点击此处查看该图的放大版本。

接下来，我们探讨了不同条件对自主指向行为的影响是否会延伸至自动化的行走动作。为此，我们采用了与上述相同的实验方案，即在参与者在房间内行走时使用节拍器，节拍器的节拍设定为12 bpm。图11展示了对照组和根据MDS-UPDRS评分中位数排序的帕金森病患者（PWP）的重心（COM）运动轨迹。图12展示了行走任务的随机性分析结果。

图11：三种特定步行任务的动态数字化评估。通过身体17个部位获取的质心（COM）三维轨迹，分析速度振幅波动的信噪比。（A）对照组受试者在自然行走（任务13）期间前后行走时的质心三维轨迹；在无指令情况下伴随节拍器行走，以测量对节拍器节律的自发同步能力（任务14）；以及按照指示，行走时有意识地将呼吸频率与节拍器节拍同步（任务15）。（B）UPDRS评分较低的帕金森病患者（PWP）。（C）UPDRS评分较高的帕金森病患者导致质心三维轨迹质量下降。（D）UPDRS评分最高的帕金森病患者显示出严重紊乱的质心轨迹。请点击此处查看该图的放大版本。

图 12：行走过程中自发性与指令性身体节律同步能力。基于 MDS-UPDRS 的步行任务数字化生物标志物。（A）根据中位数排名评分对帕金森病患者（PWP）在自然行走期间进行分层。（B）节拍器自发改变随机性特征。（C）按照节拍器节奏进行指令性节律行走再次改变特征。（D–F）伽马对数-对数参数平面根据不同的概率密度函数（PDF）形状和尺度（信噪比）对各组进行定位，帕金森病患者表现出更嘈杂且更随机的波动。（G–I）在上述 D–F 面板中经验估计的概率密度函数（PDF）构成一个随情境变化的函数族，其变化模式对每个人具有独特性。请点击此处查看该图的放大版本。

由于所有认知和记忆任务均可在计算机网络摄像头记录受试者面部的同时进行，因此可以使用 OpenPose——一种开源的机器学习软件，研究人员可公开获取³⁵——提取面部信息，进而推断与情绪或情感内容相关的信息。在帕金森病（PD）中，面部表情常会减少，因为多巴胺的耗竭最终可能导致肌张力降低。在此情况下，伽马过程也可用于确定在特定任务期间面部最活跃的区域，或通过分析跨情绪的区域转换来探究情感内容。图13展示了在任务16和17期间，利用受试者面部视频进行此类分析的一个示例。用于捕捉面部微小运动的70个点被对应至已知的三叉神经区域V1（29）、V2（14）、V3（27）⁸（图13A），以评估例如本例中从静息面部表情转变为微笑时变化最显著的区域。此类分析可系统性地用于探究帕金森病的其他非运动症状，包括抑郁及总体社交沟通能力。

为了补偿相机变焦的不确定性、自然的人体运动以及实际面部尺寸的差异，我们采用以下方式对面部进行归一化处理：假设相机处于静止状态，将每帧图像中的面部映射到一个“单位面部”，使其 x̄’、ȳ’ 坐标均值为 0，并具有单位方差。对于视频中的每一帧，我们对每个点进行归一化处理，即 x’ = x - x̄，y’ = y - ȳ，并将每个坐标值按该帧整体面部掩膜（mask）的方差进行缩放，从而使每个掩膜达到单位方差。随后，我们将面部时间序列中的每个点视为相对于前一帧掩膜的偏移量，因为我们假设在录制过程中面部不会发生塑性形变。最终得到一个包含 70 个通道的位置坐标时间序列（图 13B）。从位置流和速度流中提取的速度幅度波动被转换为 MMS 并输入伽马过程，从而揭示概率密度函数（PDF）及其随情绪转换发生的变化（图 13C）。例如，在 图 13B 中，从平静表情过渡到微笑看似难以察觉，但随机性变化揭示出区域 V2 最为敏感，使 PDF 发生最大程度的改变。

图13：利用OpenPose捕获的视频数据进行的情感分析。（A）根据三叉神经划分的面部区域，该神经传导一般躯体传入纤维（GSA）。这些纤维通过眼支（V1）、上颌支（V2）和下颌支（V3）支配面部皮肤，本研究利用这些分支来分析面部表情（中性 vs. 微笑）之间的转换。（B）使用普通商用摄像机拍摄的几分钟视频，即可通过OpenPose提取面部信息，并根据V1、V2、V3区域（颜色编码同A图）在面部渲染出70个关键点。这些时间序列的MMS随后被输入伽马过程，并为每种条件经验估计伽马分布的尺度参数和形状参数。（C）分析结果显示，对于该特定个体而言，从“中性”到“微笑”的转换过程中，V2区域受影响最大，因其概率密度函数（PDF）的变化最为显著。请点击此处查看该图的放大版本。

图14：利用加权无向图和信息理论方法整合来自神经系统多个层面的数字生物物理信号。 所有脑电信号、运动信号（磁力计）和心电信号之间成对互信息的网络连接性。（A）一名代表性健康参与者在三项行走任务期间的连接性测量结果——任务13对照（左）、任务14自发节拍器放置（中）和任务15指令性节律呼吸（右）。每个节点代表单个传感器的信号；连线颜色表示互信息（MI）水平，颜色越亮表示连接性越高；节点颜色表示该传感器信号与其他所有传感器之间的平均MI。颜色标尺在所有任务和所有参与者之间保持一致， brightest color 对应所有任务和参与者中最大的MI值，darkest color 对应最小的MI值。（B）UPDRS评分为16的帕金森病患者（PWP），采用与A图相同的示意图布局，其连接性密度低于健康参与者的网络。（C）UPDRS评分为44的帕金森病患者（PWP），采用与A图相同的示意图布局，显示出脑与身体节点间最稀疏的连接模式。请点击此处查看该图的放大版本。

接下来，我们确定这些生物节律所传递的信息量。为此，我们采用香农（Shannon）提出的信息理论方法¹⁹，计算每对传感器信号之间的互信息（MI）（即脑电图传感器、运动传感器、心电图传感器）。为此，我们提取了每种波形类型的MMS振幅。

两个传感器之间的互信息（MI）用于评估通过引入另一个传感器信号所减少的一个传感器信号的不确定性程度；当互信息值较高时，表明这两个信号之间具有高度关联性，而当互信息值较低时，则表明这两个信号基本相互独立。具体而言，互信息的计算公式如下：

其中， 是信号 X 取值分布的归一化直方图值，而 是信号 X 与 Y 联合分布的归一化直方图值。采样区间设定为以 0.05 为步长，范围从 0.5 至最大振幅值。该公式的推导细节可参见大量关于信息论及其在临床分析中应用的文献^20,21。

总体而言，健康参与者在三种步行任务中表现出更紧密的网络连接，而患者参与者的连接则较为稀疏，如图13所示。不仅在帕金森病患者（PWP）中，基于自感知生物节律计算得出的网络间信息传递（即互信息）显著降低；更重要的是，不同条件下互信息传递的模式存在根本性差异，且这种差异因患者而异。在此基础上，我们可进一步利用网络分析中的连接性指标来总结这些动态网络的拓扑特征，从而提供反映身体同步能力的额外指标，同时也揭示在与节拍器发生或未发生身体同步时，大脑、身体与心脏之间的通信水平。

讨论

本研究介绍了一种新方案，可将传统临床测试与个体执行测试时神经系统输出的生物物理信号所产生的数字数据相结合。我们引入SPIBA和MMS作为统一平台，以整合不同类型的数据，例如来自纸笔观察方法的离散评分和来自生物物理传感器的连续数字数据。本方法通过帕金森病患者队列（PWP）以及年龄和性别匹配的健康对照组进行演示，并额外纳入一名年轻健康对照个体作为理想的健康参考标准用于比较。我们表明，传统的临床测试（例如MoCA和MDS-UPDRS中可能包含的测试）可用于对队列进行中位数排序，并自动从群体评分的固有变异性中提取信息，从而根据临床定义的严重程度水平在数字领域对数据进行分层。这些分层水平与临床MDS-UPDRS评分及认知/记忆测试表现具有良好的一致性。在另一层面的应用中，我们分析了来自中枢神经系统（CNS）、周围神经系统（PNS）和自主神经系统（ANS）层面所获取的神经生物节律，进而表征不同层次的自主性与控制能力。我们提供了通过临床标准视角分析所得的示例数据及源自这些数据的随机特征。在此方法下，我们能够区分患者与健康对照个体；并通过数字生物节律进一步在PWP内部依据其临床定义的严重程度水平进行区分。

通过以这种方式将生物物理数字数据与临床标准相对应，我们提供了一套可解释的标准，能够更动态地追踪个体化结果的变化。我们将这些新的结果测量指标称为动态数字生物标志物（dynamic digital biomarkers），因为它们基于数字数据，同时依据已被广泛确立并验证的临床标准提供可解释的结果。这些指标源自神经系统过程的时间序列数据，能够捕捉此类过程的动态特性。特别是，我们能够同时利用运动和非运动标准。因此，我们可以开始量化帕金森病（PD）中现已知早于运动症状恶化的非运动方面，而这些运动症状迄今为止一直被用来定义该疾病。例如，本文所展示的面部分析可用于检查快速眼动（REM）睡眠期间自发的面部微动作，从而建立一套可预测运动功能恶化的指标。同样，我们也可利用这些方法评估日常活动中疼痛水平，并分析其与REM睡眠期间活动的潜在关联。这一点非常重要，因为REM睡眠障碍和疼痛调节异常均已被证实早于后续定义帕金森病严重程度的运动问题^5,6,7。通过对各种传统临床任务进行数字化处理，本研究还表征了嵌入在用于评估认知和记忆能力的临床任务中的其他非运动活动，并将这些活动的指标与运动症状进行了映射。这些方法有助于连接帕金森病的基础研究与临床实践，也可推广应用于其他神经系统疾病。

除了面部的运动输出外，在快速眼动（REM）睡眠期间，我们还可以通过自然社交情境中的面部动作，结合自我感知或本体感觉再反馈的框架，来评估患者大脑可能接收到的再反馈水平。在此研究中，尽管三叉神经传入区域V1、V2、V3所对应的面部微动作存在极为细微的差异，但仍能在代表性受试者中确定：在从中性状态转变为自然微笑状态时，面部哪一个区域对随机性信号特征的影响最为显著。这表明，利用SPIBA和MMS，我们将能够评估帕金森病（PD）中与来自本体感觉-触觉通道的感觉输入困难相关的其他非运动（感觉）方面问题。这些问题在PD中已被发现存在异常，甚至在疾病早期阶段即已出现²⁴。由于感觉与运动功能密切相关，此类信息可能有助于我们预测该疾病进展后期将出现的更明显的运动障碍^1,7。我们推测，面部三叉神经区域的本体感觉通道还可能帮助我们区分不同类型的疼痛调节障碍，包括与睡眠改变相关的问题^5,6。

目前的方法提供了一种在不同条件下，同步检测中枢神经系统、周围神经系统和自主神经系统所产生生物物理信号的新途径，这些条件需要不同的认知能力以及不同水平的自主性和神经运动控制。通过在标准化的MMS数据上应用SPIBA框架，结合随机分析和成对网络分析，还可以客观地表征认知活动。本实验中使用的十五项任务需要不同类型的认知技能（例如，视觉建构能力、视觉记忆、知觉扫描能力）以及不同水平的认知控制（例如，有意识地调节指点速度、按指示调节呼吸频率）。因此，这些任务过程中所表现出的中枢-周围-自主神经系统间生物物理信号传递的随机性和连接模式，可用于表征不同水平的认知负荷及其对运动输出的影响。

在强调我们新分析方法和协议优势的同时，我们也指出了在采用本记录平台进行同步数据采集时需要考虑的注意事项和实际局限性。这是因为在本实验设置中，需要在单台计算机上同时运行多种记录软件以实现数据同步，这就要求计算机具备较高的计算能力；否则可能导致数据丢失、计算机卡顿和/或产生过多噪声。在当前的设计中，脑电图（EEG）和动作捕捉两种流式软件以及LSL均在同一台计算机上运行。因此，我们必须警惕处理负荷过重和计算机可能冻结的问题。这也是我们为何利用其中一个EEG通道来提取心电图（ECG）信号的原因之一。配备更高内存容量和更快处理器的计算机或许能够同时处理独立的ECG软件，并与EEG及运动学传感器网格进行并行数据流传输。这些问题本质上属于实际操作层面的问题，与我们所提供的分析方法（SPIBA）和标准数据类型（MMS）无关。然而，我们仍认为有必要提醒最终用户，在设计多源数据同步采集方案之前，应充分评估计算机的计算能力。

我们指出的另一个注意事项是，本方案中所展示的15项任务仅是可用于开发动态数字生物标志物的任务子集。由于篇幅限制，本文仅列举了其中一部分任务，并选择了涉及不同控制水平和身体运动的任务；实际上，我们还可以添加本文未包含的其他任务。我们的目标是筛选出更小的任务子集，以减少所需的时间和精力。事实上，根据我们实验室的研究，指向任务（任务10−12）是一类能够有效且高效地表征生物节律随机特征的任务，这些特征会因自主控制程度的不同以及包括帕金森病（PD）在内的神经系统疾病而发生变化^24,30。

本研究展示的代表性结果仅是利用来自生物传感器波形和摄像头运动捕捉的MMS数据集通过SPIBA方法所能实现内容的一小部分。为便于说明，我们分析了MMS的幅值，并重点关注由个体身体重心（COM）得出的线速度幅值波动。COM信号是来自我们共同配准的全部17个身体传感器网格的综合信号。然而，我们的分析还可扩展至其他旋转参数以及其他产生波动参数时间序列的动力学变量（例如力和压力）（如我们对面部数据的处理）。此外，由于篇幅限制，我们仅以脑电图（EEG）数据的头皮幅值信息为例进行分析，但这些分析方法同样可应用于源空间导出的数据³¹。对于所有类型的数据，我们还可以分析峰间时间间隔的随机性（而非峰幅值），这些时间间隔同样可生成时间序列。其他参数的时间序列也可从此类波形中提取，其MMS可用于评估所构建网络中的协调性和连接性^32,33,34。此外，这些分析还可拓展至频域分析³⁴。除了互信息网络分析外，我们还可关注网络的其他拓扑特征，以区分帕金森病患者（PWP）与健康对照者，并对PWP进行分层。本文旨在突出这些分析方法作为工具的实用性；通过此类特征刻画，我们将获得必要的知识，以对这些分析工具所提供的数字化数据做出具有临床依据的解读。

本研究中描述的现有方法旨在介绍SPIBA和MMS在临床与数字数据整合方面的多种潜在应用方式。我们提出这一统一平台、标准化数据类型及实验方案，旨在使数字数据能够反映临床标准，同时将数字数据的更高精度反哺于传统的纸质记录方法。此类改进将实现以下目标：1）更准确地追踪治疗过程中症状的变化；2）加深对帕金森病（PD）自然进展过程的长期理解；3）促进PD症状表现的分层（这可能为不同亚组患者制定独特的临床建议提供依据）。因此，我们希望将这些方法应用于PD的进一步研究，同时也看到其在临床实践中的应用价值。通过使用商用级设备（如智能手机），可获取生物物理数据，并执行本文所展示的分析。目前，已有多个项目正致力于大规模收集此类数字数据，例如罗切斯特大学的mPower应用程序研究（https://parkinsonmpower.org）以及Kaggle平台上的相关项目。事实上，利用这些开放获取的数据资源，我们已能够基于智能手机加速度计数据区分PD患者与正常衰老个体，并自动分类本文所述临床测试中包含的各类活动³⁵。

下一步，我们计划从更广泛的帕金森病患者群体及其匹配的对照组参与者中收集更多数据，并在不同时间点进行记录，以便能够利用我们的方法同时开展横断面和纵向分析。我们预计，所收集的这些数字数据将产生远超各部分总和的价值，真正实现神经病学和精神病学领域精准医疗的核心理念。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
Enobio 32	NE Neuroelectrics	NE006WF	用于记录脑电图（EEG）的可穿戴无线电生理传感器系统
触控笔	Wacom	KP1302	数位板笔
Intuos Pro	Wacom	PTH451	绘图板
Lab Stream Layer System	n/a	n/a	用于同步不同设备的开源软件
麦克风	Zaffiro	B07BDFP6XC	计算机麦克风
MovAlyzeR	Neuroscript	Version 6.1.0.0.	笔迹运动分析软件
MTw Awinda 无线动作追踪器	Xsens	MTw Awinda	动作捕捉系统
MVN Analyze	Xsens	Version 2019	动作追踪软件
NIC 2.0	NE Neuroelectrics	NE001SW2	Neuroelectrics 仪器控制器（NIC）脑电图流式传输软件
OpenPose	n/a	n/a	用于提取面部信息的开源机器学习软件