Выполнены анализ методов обработки данных датчиков замедления походки для выявления болезни Паркинсона и описание разработки системы распознавания Паркинсона на основе нейронных сетей с долговременной кратковременной памятью (LSTM). Используемые данные представляли общедоступные наборы показателей замедления походки пациентов с болезнью Паркинсона, полученных с помощью трех носимых датчиков для сбора данных с различных частей тела. Исследования проводили посредством машинного обучения с применением нейронной сети LSTM. Сначала наборы данных DAPHNet сегментировали с помощью алгоритма фиксированного скользящего окна. Затем алгоритм вейвлета применяли для извлечения признаков из набора данных: энтропии и энергии вейвлета, длины формы вейвлет- сигнала, дисперсии и стандартного отклонения вейвлет-коэффициента. Далее алгоритм улучшения данных использовался для балансировки количества выборок в наборах данных. Для обучения модели была построена нейронная сеть LSTM с шестислойной сетевой структурой: входной слой, слой LSTM, слой reLU, полностью подключенный слой, слой Softmax и выходной слой. После обучения модели в течение 1000 итераций алгоритм нейронной сети LSTM достиг 96,3 % точности, 96,05 % прецизионности, 96,5 % чувствительности и 96,24 % среднего значения F1 для распознавания болезни Паркинсона на основе тестовых наборов данных. Аналогичные исследования, проведенные другими научными организациями, позволили достичь максимальной точности 91,9 % для тех же наборов данных.