药物诱发性帕金森综合征在患有痴呆症的老年人群中较为常见，常导致步态异常。近年来，基于视觉的人体姿态估计算法取得了显著进展，为在居家环境中实现频繁且无干扰的步态分析提供了可能。本研究利用新型时空图卷积网络（Spatial-Temporal Graph Convolutional Network, ST-GCN）架构及其训练方法，基于痴呆症患者视频数据预测帕金森综合征的临床评分。我们提出了一种两阶段训练策略：第一阶段为自监督预训练，使ST-GCN模型在正式微调前先学习步态模式；第二阶段为微调阶段，用于预测临床评分。所提出的ST-GCN模型基于从视频中提取的关节轨迹进行评估，并与传统回归模型（有序回归、线性回归、随机森林）及时间卷积网络（Temporal Convolutional Network）基线模型进行对比。研究采用三种2D人体姿态估计算法（OpenPose、Detectron、AlphaPose）以及微软Kinect（支持2D与3D）设备，从53名老年痴呆患者中提取了共计4787段自然步行行为的关节轨迹数据。其中，来自14名参与者的399段步行数据被人工标注了帕金森综合征严重程度评分，依据统一帕金森病评分量表（UPDRS）的步态条目和Simpson-Angus量表（SAS）进行评估。实验结果表明，基于Kinect提取的3D关节轨迹运行的ST-GCN模型在所有模型与特征组合中表现最优。然而，对于未见参与者的自然步行行为中帕金森综合征评分的预测任务仍具挑战性，最佳模型在UPDRS步态评分和SAS步态评分上的宏平均F1分数分别为0.53 ± 0.03和0.40 ± 0.02。本研究的预训练模型及演示代码已公开，可通过以下链接获取：https://github.com/TaatiTeam/stgcn_parkinsonism_prediction。