帕金森病(PD)是一种常见于老年人的神经系统退行性疾病,随着老龄化社会的到来,我国帕金森病患者人数急剧增加。帕金森病的主要运动症状包括震颤、运动迟缓、姿势步态障碍、肌强直等,这些症状严重影响了患者的生活质量,也给患者家庭带来了沉重的负担,所以对帕金森病进行及时有效的诊断与治疗非常重要。目前帕金森病发病机制尚不明确且还没有根治的医疗手段,同时帕金森病运动症状的临床诊断和评估主要是神经内科医生根据统一帕金森评分量表(UPDRS)和临床经验进行判断,具有较大的主观性。因此,研究帕金森病运动症状的量化检测方法,有助于提高患者病情诊断评估和疗效监测的准确性和快捷性,降低患者医疗成本和时间成本,帮助医生更加有效地诊断治疗。本文针对目前评估方法存在的不足,采用自主研发的量化检测设备,基于特征分析和机器学习方法分别对帕金森震颤、运动迟缓和肌强直症状进行了量化研究,主要创新性工作包括:1、目前震颤的量化评估多通过对惯性传感器原始数据进行分析,忽略了重力分量的影响,对此本文采用基于梯度下降法的姿态估计算法分离出线性加速度,进而提取更优的特征参数来建立多元回归模型,模型的预测结果显示该量化方法提升了震颤评估的精度(静止性震颤r~2=0.95,姿势性震颤r~2=0.93)。2、针对目前存在的不能直接区分运动迟缓症状严重等级的问题,本文采用了轴角的姿态表示方法,将三维动作信息转换为一维联合姿态角表示,从中提取运动迟缓特征参数训练SVM多分类算法,实现不同病情等级的客观分类,临床试验结果显示该方法具有95.349%的分类精度。3、针对肌强直症状难于测量、研究较少的研究现状,本文设计了基于多传感器机械测量装置采集帕金森患者肘关节运动状态信息和生物力学信息,从中提取多个量化特征参数,并进行了统计分析验证,寻找优选的量化参数,临床试验结果显示,肘关节被动运动时的机械阻抗值与UPDRS肌强直症状评分具有高度相关性(Pearson相关系数r=0.872)。此外,利用所提取的特征参数对SVM分类器进行了学习训练,实现帕金森患者与健康人的分类。结果显示,该分类器具有96%的敏感性、85.7%的特异性,可以帮助医生进行帕金森病的诊断评估。