基于双任务步态角运动学分析与机器学习对早期多发性硬化患者的分类研究

《Frontiers in Artificial Intelligence》：Classification of patients with early-stage multiple sclerosis and healthy controls using kinematic analysis during a dual-task

本综述创新性地将双任务范式与三维步态分析相结合，利用弹性网络回归模型对早期多发性硬化症（MS）患者进行识别分类。研究结果表明，纳入步态角运动学变量的标准差能显著提升模型性能（AUC高达0.95±0.09），揭示了步态变异性在识别早期MS细微运动障碍中的关键价值，为临床早期精准诊断提供了新的量化工具。

　　

引言

多发性硬化症（Multiple Sclerosis, MS）是一种慢性、免疫介导的进展性神经系统疾病，主要影响中枢神经系统，是全球范围内导致年轻人残疾的主要神经疾病之一。全球估计约有280万病例，患者年龄多在20至40岁之间，正值职业高峰期，因此对社会经济造成显著影响。评估MS严重程度和进展的主要工具是扩展残疾状态量表（Expanded Disability Status Scale, EDSS），该量表从0分（正常神经学检查）到10分（因MS并发症死亡）以0.5分为增量进行评分。然而，EDSS基于主观评估，对细微变化缺乏敏感性，这凸显了需要采用更先进的方法来准确评估MS患者的步态特征。

步态改变显著影响MS患者的功能性和独立性。人类步态由支撑相和摆动相两个主要阶段组成，支撑相约占步行周期的60%，摆动相约占40%。步行控制涉及多个神经过程和协调功能。在MS早期阶段，患者与健康个体相比，已表现出速度、步幅、步频和关节活动度的降低。此外，MS患者中认知障碍的发生率高达43%至70%，特别是在处理速度和记忆方面，这些认知功能与步动共享相似的心理资源。因此，评估患者在完成第二项任务（即双任务范式）时的步行状态，对于模拟真实世界场景、揭示细微功能缺陷具有重要研究意义。尽管平均运动学值常被用于分析，但变异性指标（如标准差，Standard Deviation, SD）及其与均值结合在利用机器学习基于步态模式分类早期MS方面的潜力尚未被充分探索。本研究旨在解决这一空白，通过结合角步态变量的平均值和标准差，为区分早期MS患者与健康对照提供一种更细致、更准确的方法。

方法

本研究为横断面观察性研究，在Hospital Israelita Albert Einstein (HIAE)的运动研究实验室进行，并获得伦理委员会批准。样本包括38名参与者，其中19名诊断为MS（EDSS评分介于0至3.5之间），19名作为健康对照组。两组在年龄、体重指数（Body Mass Index, BMI）、教育年限和性别分布上均无显著差异，确保了样本的可比性。

运动分析使用Vicon^?系统，该系统由10台红外摄像机组成，通过附着在受试者皮肤上的反光标记点生成下肢运动的三维数据，共收集150个角运动学数据。认知表现评估采用n-back任务，用于评估工作记忆。实验设计包括基线步行和双任务条件：

1. 1.
   自由步行：收集基线步态参数。
2. 2.
   双任务：在舒适速度步行同时执行n-back任务，包括三个独立区块：
   a. 0-back区块：听到数字序列时，每当听到数字0时按下响应按钮。
   b. 2-back区块：听到数字序列时，当前数字与2个位置前的数字相同时按下响应按钮。
   c. 点击-步行区块：听到“咔哒”声时按下响应按钮。

统计方法采用描述性统计和弹性网络回归模型。弹性网络是一种正则化技术，特别适用于变量多且存在多重共线性的情况，能够进行自动特征选择并提供可解释的结果。模型训练采用5折交叉验证，重复5次，参数调优针对alpha（0到1）和lambda（0到50）进行。性能评估指标为受试者工作特征曲线下面积（Area Under the Curve, AUC）。模型分别使用仅平均值、平均值和标准差、以及仅标准差这三组变量进行构建，并针对所有条件整体以及各实验条件（自由步行、点击-步行、0-back、2-back）分别进行分析。步态变量均经过标准化处理，以便比较不同变量在模型中的权重相对重要性。

结果

分类使用平均值

当仅使用角运动学变量的平均值进行分类时，最佳模型的交叉验证AUC为0.77 ± 0.21，表明模型能够以高于随机猜测的水平区分MS患者和健康对照。各单独条件模型的AUC分别为：自由步行 = 0.71 ± 0.17；点击-步行 = 0.71 ± 0.14；0-back = 0.76 ± 0.15；2-back = 0.76 ± 0.14。

分类使用平均值和标准差

当同时使用平均值和标准差变量时，模型性能显著提升，最佳模型的AUC达到0.94 ± 0.09。各单独条件模型的AUC分别为：自由步行 = 0.94 ± 0.09；点击-步行 = 0.89 ± 0.11；0-back = 0.83 ± 0.14；2-back = 0.81 ± 0.15。

分类使用标准差

当仅使用标准差变量时，模型性能同样优异，最佳模型的AUC达到0.95 ± 0.09。各单独条件模型的AUC分别为：自由步行 = 0.95 ± 0.09；点击-步行 = 0.89 ± 0.11；0-back = 0.83 ± 0.12；2-back = 0.78 ± 0.14。

结果显示，纳入步态运动学变量的标准差（无论是单独使用还是与平均值结合）能显著提高弹性网络模型的分类性能，其AUC值明显高于仅使用平均值变量的模型。这表明步态参数的变异性在区分早期MS患者和健康对照方面具有至关重要的作用。

讨论

本研究验证了利用角步态数据（包括正常步态和双任务条件下）对早期MS患者和健康对照进行分类的可行性。研究结果突出表明，步态运动学变量的变异性（以标准差衡量）是区分两组的关键指标。步态变异性增加（如足部进展、骨盆旋转、步态时间和步频等方面的标准差增大）是神经性疾病中运动控制受损和步态稳定性下降的关键指标，反映了即使在低EDSS评分患者中，其步行模式也表现出较低的自动性和较高的认知努力需求。同时，平均角运动范围的变化（如足离地时或支撑末期膝关节角度的改变，以及躯干和骨盆旋转范围的增加）可能代表了针对MS常见虚弱或痉挛的补偿策略。

本研究创新性地系统论证了变异性指标（标准差）在早期MS（EDSS评分0-3.5）分类中优于平均值变量的判别能力。弹性网络模型强大的特征选择能力有助于识别出对分类贡献最大的相关运动学变异性参数。这些发现与近期其他利用机器学习进行步态模式识别的研究相互印证，支持了计算方在识别常规评估难以发现的细微差异方面的潜力。

尽管本研究取得了有意义的成果，但仍存在一些局限性。样本量相对较小，且为横断面研究，限制了结果的普适性和对纵向变化的评估。未来研究需要更大规模、多中心、纵向的设计来验证这些发现，并进一步探讨疾病持续时间、不同药物治疗方案对运动学变量的具体影响，以及比较不同机器学习模型的性能。

结论

本研究结果表明，结合角步态分析（特别是变异性指标）与机器学习方法，是区分早期多发性硬化症患者和健康个体的有效途径。该研究为检测与多发性硬化症相关的早期运动变化迹象引入了一种可行的方法，对现有文献做出了实质性贡献。