随着神经多样性障碍（Neurodivergent Disorders，简称NDD）在全球范围内的关注度日益提升，如何实现早期、准确和高效的诊断成为临床与科研领域的共同难题。自闭症谱系障碍（ASD）与注意缺陷多动障碍（ADHD）作为最为常见的NDD类型，常常存在症状重叠和共病现象，使得传统基于行为观察的诊断方法面临巨大挑战。近年来，深度学习技术的快速发展结合现代高精度运动传感器，为神经多样性障碍提供了创新的诊断路径。通过对个体以毫秒级时序采集的运动数据进行智能分析，不仅能够实现疾病的准确分类，还能量化患者的症状严重度，从而推动临床治疗的个性化和精准化。 运动作为人类认知能力和神经系统功能的外在表现，在社交交流、语言发展和行为执行等方面扮演重要角色。研究表明，患有ASD和ADHD的儿童在动作序列、协调性及运动准备时间等方面表现出显著差异。
传统诊断依赖主观的行为评估和临床经验，过程冗长且受限于专业医生的可用性和观察视角。随着微机电系统（MEMS）传感器技术的成熟，能够实时捕捉被试者手部达触动作的线性加速度、角速度以及欧拉角（滚转、俯仰和偏航）等多维度运动信息，为深层次的神经功能解析创造了条件。 某最新发表于2025年的研究中，研究者采集了包括ASD、ADHD、ASD与ADHD共病及神经典型（NT）四类群体的手部运动数据。参与者完成触摸屏目标定位任务，指尖运动通过120赫兹高精度蓝牙传感器捕获，为判别模型提供基础数据。核心创新在于将原始未滤波的运动数据直接输入由长短时记忆（LSTM）神经元构成的深度循环神经网络，无需对数据做复杂的预处理或特征提取，网络自主学习时序特征与诊断类别间的映射关系。多组信号合并分析显著优于单一运动变量，显示出运动数据中隐含的多维认知信息和神经功能关联。
训练流程采用分层五折交叉验证以避免过拟合，通过SoftMax层将输出转化为各诊断类别的概率分布。研究结果显示，模型在验证集与测试集上的分类准确率分别达到66-71%，接收者工作特征曲线下面积（AUC）对于神经典型与单一NDD诊断均表现佳，ASD+ADHD共病群体检测相对更复杂，但依然优于随机预测。对比支持向量机算法，深度学习模型不仅表现更优，在处理具有时间依赖性的运动序列数据时也更具优势。 为了进一步解析运动数据蕴含的病理层面的信息，研究者将高频电子传感噪声通过高斯滤波算法剔除，仅保留被试者本体的生理波动。这种细微的运动随机扰动通过计算邻近极值点间振幅变化的统计分布，进一步量化为Fano因子和香农熵两类统计指标。分析发现，不同诊断组及病情严重度间的运动不规则性表现出差异显著的统计特征，更高的熵值通常对应更严重的功能障碍。
这些生物计量指标为临床提供了可量化的严重度分层手段，有助于实现疾病的细化亚型分类及疗效追踪。 此外，运动数据的采集过程简单易行，配合便携设备即可在多场景下实施，为临床筛查、学校及日常生活环境中的监测提供可能。深度学习对原始运动信号的敏感性展示出方法强大的信息抽取能力，即使存在患者药物服用与其他变量干扰，预测准确性依然保持可观，体现出潜在的实际应用价值。未来研究可拓展数据样本量，涵盖更广泛年龄段及更复杂临床特征，同时探索诸如Transformer架构及集成学习方法，提升模型泛化能力与解释性。 深度学习结合运动学数据的方法不仅为神经多样性障碍病例提供辅助诊断支持，更推动了诊断手段从主观评估向数据驱动、客观分析转型。通过捕捉微秒级运动特征背后的神经认知信息，能为早期干预制定更精准的个性化方案，乃至揭示神经发育路径中的关键机制。
此外，运动相关生物计量指标还可成为临床试验的疗效监测工具，帮助研究者评估新药物或干预措施的实际效果。 总之，将高精度运动传感与先进深度学习技术融合，开启了神经多样性障碍诊断与程度评估的新纪元。依托于便携、非侵入式的动作捕捉，结合计算机智能算法，不仅增强了诊断的效率与准确度，也为理解复杂的神经发育障碍提供了新的视角与工具。随着传感器成本的持续下降与算法优化的不断深入，未来该领域有望实现更广泛的临床推广与应用，助力更多人群获得及时、科学的诊疗支持，推进社会整体健康水平的提升。
