基于机器学习姿势图分析的惊恐障碍生理标志物识别研究

《Frontiers in Psychiatry》：Machine learning analysis of posturography in panic disorder: a pilot study for objective physiological biomarker identification

本研究首次将机器学习（ML）技术应用于惊恐障碍（PD）患者的静态姿势图分析，通过多变量稳定数据（Stabilometric Data）和交叉验证（StratifiedGroupKFold）模型，显著提升了PD与健康对照的分类准确率（AUC=96%），揭示了患者外侧压力中心（CoP）位移减少的刚性姿势策略，为精神障碍的客观生理标志物识别提供了新途径。

　　

机器学习分析惊恐障碍的姿势图：一项用于客观生理标志物识别的试点研究

引言

惊恐障碍（PD）是一种普遍存在的焦虑障碍，其影响远超出急性惊恐发作的范畴，涉及神经生物学和行为改变，反映了应激反应系统的潜在功能障碍。除了急性惊恐发作和持续性预期性焦虑外，PD个体还表现出超越急性发作期的慢性身体调节改变。这些生理变化包括但不限于慢性过度通气、不规则的呼吸模式、心呼吸不稳定，以及头晕、前庭不适和功能障碍的频率与严重程度显著增加。

诸如非特异性头晕、漂浮感或不稳定感等症状在PD患者中经常被报告，并且在感觉线索冲突的环境（如人群、楼梯或高处）中可能加剧。研究表明，这些不适并不总是与可识别的外周前庭功能障碍相关。一项关于前庭功能障碍人群中惊恐障碍的荟萃分析发现，与对照组相比，PD的患病率增加。

除了情感和自主神经症状外，PD个体还表现出与身体平衡控制相关的感觉处理和整合方面微妙而相关的改变。这种改变表明整合来自前庭、视觉和体感系统信息的功能存在障碍，这些系统负责在静止和运动期间维持直立姿势。功能性神经影像学研究表明，涉及情绪调节和恐惧反应的脑回路，如杏仁核、海马、岛叶和内侧前额叶皮层，也影响姿势运动控制，因为它们与前庭核和脑干结构存在连接。PD患者中与感觉处理相关区域的激活和/或连接性改变可能导致警觉性增加，这些神经解剖学基质在维持姿势和调节对外部及内部刺激的平衡反应过程中也动态地相互作用。

静态姿势控制的评估是PD的一个潜在生理标志。使用记录压力中心（CoP）位移的测力台进行的稳定测量分析，可以测量姿势摇摆并评估不同感觉条件下的姿势控制策略。该方法已证明能够敏感地检测精神障碍个体的异常平衡模式，表明其作为诊断和监测工具的潜力。

然而，源自测力台的数据是多变量且动态的，需要稳健的分析方法来提取临床相关信息。在此背景下，应用机器学习（ML）技术成为一种创新且有前景的方法。机器学习方法，如线性判别分析（LDA）、逻辑回归（LR）和随机森林（RF），在处理复杂和非线性的生理模式时，在分类和预测能力方面显示出优势。

本研究旨在评估惊恐障碍个体的静态姿势控制，并研究将机器学习算法应用于多变量稳定数据是否能增强区分患者与健康对照的能力。

方法

研究设计

这是一项横断面病例对照研究，旨在通过稳定测量分析评估诊断为PD个体的姿势控制，并将其与健康对照进行比较。研究方案获得了机构研究伦理委员会的批准。

参与者

样本包括33名成年人：12名诊断为PD的个体和21名年龄和性别匹配的健康对照。PD组参与者通过机构社交媒体活动招募，并通过电子邮件由研究团队联系。所有程序均在获得知情同意后进行。

PD组的纳入标准包括：1）通过DSM-5障碍结构化临床访谈 clinician version (SCID-5-CV) 确认的惊恐障碍诊断；2）惊恐障碍严重度量表（PDSS）得分 >8。排除标准包括：1）共病精神病学诊断，如双相情感障碍、精神病性障碍、物质使用障碍或神经发育状况；2）前庭功能障碍或自我报告的听力损伤。

使用测力台共收集了341次姿势图试验。PD组患者接受了三次重复的稳定测量评估——基线、1小时后和1周后——以扩大机器学习分析的数据集。仅基线试验用于常规统计分析以确保数据独立性。

临床评估

诊断评估使用SCID-5-CV进行，由经过培训的委员会认证的精神科医生实施。SCID-5-CV被认为是结构化精神病学诊断的金标准，并确保高的评分者间信度。

为了评估惊恐症状的严重程度，使用了PDSS。该量表已证明具有良好的心理测量特性，并广泛用于临床和研究环境，以量化惊恐相关症状的强度和功能影响。使用的是官方翻译并经文化适应的巴西葡萄牙语版本。

姿势图评估

所有参与者均使用数字三轴测力台P–6000进行静态姿势图评估，采样频率为10 Hz。每位参与者在五种不同的感觉条件下完成试验，这些条件旨在逐步挑战姿势控制机制。在第一种条件（P1）下，参与者睁眼站在坚固表面上，提供完整的视觉和足底体感输入。在第二种条件（P2）下，他们睁眼站在泡沫表面上，降低了来自足部的体感输入的可靠性，同时保持视觉线索。第三种条件（P3）涉及在坚固表面上闭眼，从而移除视觉输入，需要更多地依赖体感和前庭系统。在第四种条件（P4）下，参与者闭眼站在泡沫表面上，同时移除视觉输入并降低足底体感反馈。最后，在第五种条件（P5）下，这是最具挑战性的条件，参与者闭眼站在泡沫表面上，同时进行标准化的言语互动，在双重感觉挑战之上增加了认知分心。

在分心条件（P5）期间，由一名训练有素的精神科医生在参与者正前方实施标准化的对话脚本，以施加对注意力和姿势控制的双重任务需求。该条件旨在模拟认知负荷，同时减少本体感觉和视觉输入。在所有条件下，参与者赤脚站立，双脚与髋同宽（脚跟之间约10厘米），手臂放松置于身体两侧。每次试验持续30秒，这是静态姿势图评估中常用的持续时间，以确保可靠的CoP测量，同时最小化疲劳。

分析变量

对于机器学习数据分析，使用了通过SWAY软件从测力台数据中提取的所有变量。

统计分析

数据首先使用Shapiro–Wilk检验进行正态性检验。计算所有变量的描述性统计。组间差异（惊恐障碍 vs. 对照）、条件效应（五种感觉条件）以及组与条件的交互作用使用重复测量方差分析（RM-ANOVA）进行分析，其中组作为受试者间因素，条件作为受试者内因素。分析侧重于四个关键稳定测量变量：轨迹总长度、平均速度、内外侧位移和前后位移。显著性阈值设定为p < 0.05。所有统计分析均使用JASP软件进行。对于这些常规分析，仅包括每位参与者的基线试验；用于丰富机器学习数据集的重复评估被排除，以确保观察的独立性。

机器学习分析

所有28个使用SWAY软件从341次姿势图试验中导出的特征都被包含在内，没有进行特征选择，以保留姿势图信号的完整维度。为了使模型具有更好的现实世界可用性，我们在留出测试折中考虑每个参与者单个姿势图实例。模型开发采用了五种具有不同决策策略和可解释性的经典算法：决策树（DT）、k–最近邻（KNN）、线性判别分析（LDA）、逻辑回归（LR）和随机森林（RF）。由于特征具有不同的数值范围，使用StandardScaler（零均值和单位方差）对KNN、LDA和LR模型的数据进行了标准化。

我们使用了StratifiedGroupKFold（K = 4），在每个折中进行类别分层，在分区过程中按参与者分组，使得给定个体的所有试验都被分配到一个折中（即，永远不会在训练和测试之间分割），避免了受试者级别的数据泄漏，从而降低了过拟合风险。

分割使用固定的随机状态进行洗牌。主要验证指标 F1–分数和受试者工作特征曲线下面积（AUC） 在每个折中的留出分割上计算，并作为各折的平均值±标准差进行平均。完整的超参数搜索空间和每个模型的最佳性能设置见补充表S1。

考虑到类别不平衡的存在，分层保留了类别比例，并且依赖F1–分数和AUC作为主要验证指标，在交叉验证期间适当处理了不平衡，同时保留了经验分布。超参数通过网格搜索在每个训练折中进行优化，使用F1分数作为目标。

报告了两个决策阈值：基线阈值0.50和Youden's J优化截止值（灵敏度 + 特异性 ? 1），该值在训练分割上估计并应用于每个折中的测试分割。

模型可解释性

使用局部可解释模型无关解释（LIME）探索变量重要性，以识别对模型决策贡献最大的特征。总共28个使用SWAY软件从每次姿势图试验中提取的特征被包含在数据集中，没有进行额外的特征选择，以保留姿势图数据的完整维度。

结果

描述性统计

两组在年龄和教育程度方面的描述性统计，以及惊恐障碍严重程度（使用PDSS测量）、精神病共病的存在和当前药物治疗情况见表2。对四个变量进行了RM-ANOVA：内外侧CoP位移、前后CoP位移、轨迹长度和平均速度。

内外侧CoP位移

一项重复测量方差分析用于分析两组在五种姿势条件下平均内外侧（横向）位移。分析显示条件的显著主效应（F = 7.05; p < 0.001; η2 = 0.050），表明感觉挑战的类型影响姿势摇摆。还存在显著的组主效应（F = 21.83; p < 0.001; η2 = 0.322），对照组显示出比PD组显著更高的整体摇摆值。此外，观察到显著的组与条件交互作用（F = 5.43; p < 0.001; η2 = 0.039），表明跨条件的摇摆模式在组间不同。

经Bonferroni和Holm校正调整的多重比较事后检验显示，对照组在所有条件下表现出显著更高的内外侧位移，平均差异为28.13 mm（Cohen’s d = 1.45; pBonf < 0.001; pHolm < 0.001）。当独立比较各位置时，最大的组间差异出现在条件P1（睁眼、坚固表面）和P3（闭眼、坚固表面），两者均显示出高度显著的差异（p < 0.001），支持对照组，且效应量大（d > 1.88）。

重要的是，简单主效应分析显示，对照组表现出跨条件的姿势摇摆显著调制（F = 13.24; p < 0.001），而PD组在不同位置间未显示显著差异（F = 0.52; p = 0.719），这表明惊恐障碍个体采用了相对刚性的姿势策略，无论感觉需求如何。具体而言，只有对照组显示出从位置P1和P3到更具挑战性的基于泡沫的条件（P2、P4和P5）的摇摆显著减少，这与对本体感觉干扰的灵活适应一致。

前后CoP位移

对平均前后CoP位移进行了相同的评估。未观察到该变量的显著主效应或交互作用。具体而言，没有显著的条件效应（F = 0.64; p = 0.634; η2 = 0.014）、组效应（F = 0.43; p = 0.518; η2 = 0.006）或条件与组交互作用（F = 1.14; p = 0.344; η2 = 0.024）。这些结果表明，感觉挑战的类型和组别成员身份（对照 vs. 惊恐障碍）均未显著影响前后摇摆。鉴于缺乏显著效应，未进行事后比较。

轨迹长度

分析总路径长度（轨迹长度）揭示了条件的显著主效应（F = 20.60; p < 0.001; η2 = 0.196），表明感觉操作影响了整体姿势摇摆。然而，未发现显著的组主效应（F = 0.85; p = 0.364; η2 = 0.016）或组与条件交互作用（F = 1.79; p = 0.135; η2 = 0.017），这表明两组表现出相似的整体轨迹长度和跨条件的相似变化模式。

经Bonferroni和Holm校正调整的多重比较事后检验显示条件与组存在交互作用。对于对照组，条件P5（闭眼、泡沫表面、无视觉输入和认知负荷）与所有其他位置显著不同，P5显示出最高的摇摆值。在惊恐障碍组中，位置P1、P2和P3与P5显著不同，再次反映了在最挑战性感觉条件下摇摆增加。此外，对于组间比较，比较P4（闭眼和泡沫表面）与P5（闭眼、泡沫表面和分心），在对照组中，平均差为?232.46 mm（Cohen’s d = ?0.892; pBonf < 0.001; pHolm < 0.001）；在PD组中，平均差为?98.52 mm（Cohen’s d = ?0.378; pBonf 1.0; pHolm 0.309），突显了分心对对照组的更大影响。

平均速度

在平均CoP速度上观察到类似的模式。重复测量方差分析揭示了条件的显著主效应（F = 20.84; p < 0.001; η2 = 0.197），没有显著的组效应（F = 0.84; p = 0.368; η2 = 0.016）或组与条件交互作用（F = 1.78; p = 0.138; η2 = 0.017）。这表明平均速度主要受感觉条件影响，但不受诊断组影响，并且跨条件的反应模式在两组中相似。

事后检验证实，在对照组中，条件P5导致的平均速度显著高于所有其他位置。在惊恐障碍组内，P1、P2和P3的平均速度显著低于P5，显示分心对对照组的影响更大。

轨迹长度和平均速度的事后分析均显示，在对照组中，条件P5与其他所有位置不同。在惊恐障碍组中，P1、P2和P3与P5显著不同。对于组间比较，比较P4（闭眼和泡沫表面）与P5（闭眼、泡沫表面和分心），在对照组中，平均差为?7.765 mm/s（Cohen’s d = ?0.894; pBonf < 0.001; pHolm < 0.001）；在PD组中，平均差为?3.282 mm/s（Cohen’s d = ?0.378; pBonf 1.0; pHolm 0.307），显示出与轨迹长度相同的模式。观察到的模式反映了轨迹长度的模式。

机器学习分类分析

在评估使用机器学习模型的分类准确性时（无论测试位置如何），逻辑回归达到了最高的灵敏度（100%）和最佳的AUC（96%），而LDA模型表现出最高的特异性。

使用LIME导出的模型无关特征重要性在不同分类器间趋于一致，突出了基于区域的摇摆指标和内外侧位移作为最具信息量的预测因子。具体而言，等效面积（mm2）在线性模型（LDA和逻辑回归）中 consistently 排名第一，而横向（内外侧）CoP位移在非线性和基于实例的方法（随机森林、决策树和k–最近邻）中占据前列。

值得注意的是，内外侧位移在LIME排名中的突出地位与RM–ANOVA发现的PD患者内外侧摇摆减少相一致，增强了分类器的生理合理性。

讨论

这些结果支持了本研究的核心假设，揭示了惊恐障碍个体表现出静态姿势控制的改变，显示了PD个体中存在不同的姿势控制策略，这通过内外侧CoP位移的差异得到证明。此外，在评估分散注意力的认知活动的影响时，我们观察到了两组不同的模式，表现为对照组与PD个体相比影响更大。

将这一分析扩展到基于人工智能（AI）的计算技术，我们观察到利用静态姿势模式准确分类受试者的显著能力。

组间姿势控制差异

主要发现之一是PD组与对照组相比，内外侧CoP位移减少，表明横向摇摆幅度较小。还观察到对使用泡沫表面（降低本体感觉感知）的反应存在显著差异：对照组在条件P2和P4（在泡沫上进行）中表现出显著变化，而PD个体采用了一种以姿势僵硬和所有条件下内外侧位移减少为特征的策略。这种行为很可能是一种防御机制，旨在预防或最小化主观的不平衡感或眩晕感，这与先前在焦虑和PD个体中描述的“表面依赖”模型一致。

在变量轨迹长度和CoP速度方面，条件P5（闭眼、泡沫表面和分心）揭示了组内最大的区别，代表了感觉和认知方面最具挑战性的场景。

这些结果表明，PD个体在暴露于更高的感觉和注意力需求时，表现出更大的姿势适应困难。这种行为与现有关于在挑战性环境中（感觉线索减少或冲突）PD个体姿势控制改变的文献一致。

条件P5，结合高姿势需求和认知分心，通过同时移除感觉线索和施加注意力负荷，创造了一个最大挑战性的情境。该场景旨在减少压力下的姿势僵硬。在组内和组间比较中，我们观察到轨迹长度和速度的区分度增加，表明基于分心的策略可能影响姿势控制机制。

生理数据分析的机器学习方法

ML模型表现出稳健的性能，特别是在优化截止值下的逻辑回归：灵敏度100.0%，特异性90.8%，准确度93.8%，F1 = 0.914，AUC = 0.962。LDA保持了最高的特异性（91.7%），随机森林也表现出高准确度（91.0%），灵敏度为95.8%。这些模型能够对从SWAY系统提取的27个变量进行集成评估，并为评估如姿势控制这样的复杂现象提供了明显优势，因为它们不依赖于特征独立性或线性的假设。

为了使得模型更加透明和可解释，我们使用了LIME，这是一种简单的模型无关事后工具，显示哪些稳定测量特征对每个预测贡献最大。LIME帮助临床医生看到输出背后的合理原理，但其解释应谨慎阅读。它们可能在不同运行或小的输入变化中有所不同，依赖于用户选择的设置，并且是原始模型的近似而非模型本身。因此，我们 i) 固定了随机种子并报告了LIME参数，ii) 检查了重复分析时解释是否一致，iii) 避免使用LIME进行因果声明，仅将其作为支持性证据。总体而言，LIME有助于沟通哪些姿势图特征倾向于影响分类器，我们明确将其视为可解释ML工具包的一部分，而非决定性的工具。

这些发现与先前将机器学习技术应用于心理健康生理和行为标志物的文献一致并进行了扩展。先前的工作强调了ML如何揭示传统统计未能捕捉到的复杂生物力学模式。在惊恐障碍中，先前的研究报告了改变的平衡策略和表面依赖，我们的结果通过显示PD患者内外侧摇摆减少和刚性姿势策略验证了这些发现。此外，姿势图已被证明能够检测精神病人群中的细微异常，但并未利用ML进行分类。相比之下，我们的工作表明，将ML模型与姿势图数据集成显著改善了区分能力，优于传统的临床工具，如PHQ-PD和PDSS。与其他提出的生物标志物（如惊恐障碍中的血小板指数）相比，我们的模型实现了更高的准确度和AUC值。综上所述，这些结果突显了ML增强的姿势图作为既定诊断量表的客观辅助工具的新颖性和临床效用。

临床和公共卫生意义

识别PD个体中独特的静态姿势控制改变，突显了客观生理标志物补充心理健康传统诊断和监测方法的潜力。稳定测量评估的使用，特别是与机器学习模型集成时，在区分PD患者与健康对照方面表现出高灵敏度和特异性，优于常规筛查工具。这表明客观的姿势图数据可以作为焦虑障碍临床评估中有价值的辅助手段，促进早期检测。

从公共卫生的角度来看，实施这种低成本、非侵入性的生理标志物可以增强针对焦虑障碍的大规模筛查、监测和预防计划，最终减轻未治疗或误诊病例的负担，并改善整体心理健康结果。然而，需要进一步的研究来外部验证这些发现。此外，开发和验证用于评估静态姿势控制的便携式且用户友好的设备，对于使这些生物标志物在常规心理健康护理中得到广泛应用是必要的。

局限性

研究的局限性包括相对较小的样本量，这导致了在PD组和对照组中应用通过重复测量进行ML学习强化的决定，增加了过拟合的风险。此外，由于通过在线传单分发自发招募参与者，可能引入了潜在的选择偏倚，这阻止了对使用药物治疗或患有精神病共病（如广泛性焦虑障碍（GAD）或重度抑郁症（MDD））个体的分层和排除。

综上所述，这些局限性使我们的发现成为有前景但初步的。通过外部验证、更丰富的任务组合、更严格地控制潜在混杂因素、概率校准和补充的可解释性来解决这些问题，对于朝着开发一个临床上可靠、可推广的基于姿势图的惊恐障碍评估工具至关重要。

结论

对惊恐障碍个体的姿势图分析揭示了一致的发现，并且应用机器学习方法显著增强了这种生理标志物的分类能力。

未来的努力应旨在扩大样本并外部验证这些发现。此外，开发更实用和易于获取的方法，在不依赖测力台的情况下在临床环境中评估姿势控制，仍然是一个关键目标。