基于加速度计与机器学习模型预测学龄儿童姿势平衡的可行性研究

《Scientific Reports》：Feasibility of accelerometer-based prediction of postural balance in schoolchildren using machine learning models

本研究针对传统儿童平衡能力评估方法（如Flamingo单腿站立测试与平衡木测试）存在主观性强、精度不足的问题，创新性地结合加速度计信号与机器学习算法，探索了学龄儿童姿势平衡的客观预测方案。研究人员通过静态（睁眼站立、闭眼站立、不稳定平面站立）与动态（步态）任务采集数据，采用随机森林（Random Forest）等模型进行预测分析。结果表明，静态任务特征对Flamingo测试结果的预测效果最佳（R2最高达0.45），而动态任务预测能力较弱。该研究为儿童平衡能力的数字化筛查提供了可行路径，对学校健康监测与早期干预具有重要实践意义。

　　

在儿童成长过程中，平衡能力是支撑运动技能发展、预防跌倒伤害的核心要素。然而，目前学校与临床中广泛使用的平衡评估方法，如Flamingo单腿站立测试和平衡木行走测试，严重依赖人工观察与计数，存在主观性强、灵敏度不足的局限。尤其对于处于发育关键期的学龄儿童，细微的平衡缺陷若不能及早发现，可能增加运动损伤风险，甚至影响整体身体活动水平。近年来，尽管加速度计等可穿戴设备已在成人平衡评估中展现出客观量化优势，但其在儿科领域的应用仍缺乏系统验证，更鲜有研究将其与临床常用测试相结合进行预测分析。

为突破这一瓶颈，来自西班牙莱昂大学等机构的研究团队在《Scientific Reports》上发表了一项创新研究，探讨了利用加速度计信号预测学龄儿童平衡表现的可行性。该研究通过采集儿童在多种静态与动态任务中的加速度数据，结合多种机器学习模型，构建了从信号特征到临床测试结果的预测框架，为儿童平衡能力的数字化、标准化评估提供了新思路。

本研究主要依托以下几项关键技术方法展开：首先，研究团队招募90名6–12岁学龄儿童作为样本，采用腰背部佩戴的三轴加速度计（ActiGraph wGT3X-BT）记录其在静态任务（睁眼、闭眼、不稳定平面站立）与动态步态任务中的加速度信号；其次，从时域与频域提取多维度特征（如均方根、频域重心等），并利用五折交叉验证对线性回归、随机森林、支持向量回归等机器学习模型进行训练与评估；最终，以Flamingo测试的跌倒次数与平衡木行走距离为临床终点，系统比较不同任务与模型的预测效能。

3.1 参与者特征

研究纳入的90名儿童男女比例接近，平均年龄9.1岁，体重指数（BMI）处于正常范围。Flamingo测试中平均跌倒次数为3.6次，平衡木测试平均行走距离为5.5米，反映出样本在平衡能力上存在一定个体差异，为模型训练提供了良好的数据基础。

3.2 模型性能：整体结果

在多种机器学习模型中，随机森林回归表现最为突出，尤其在基于静态特征的预测中，对Flamingo测试的R²达到0.45，显著优于线性模型与单棵决策树。支持向量回归与k近邻算法也展现出相近的预测潜力，而梯度提升模型则稳定性稍弱。值得注意的是，所有模型对平衡木测试的预测精度均较低（R²最高仅为0.30），提示动态平衡的评估可能需要更复杂的特征或任务设计。

3.3 静态与动态任务比较

研究进一步发现，基于静态任务（如闭眼站立、不稳定平面站立）提取的加速度特征，其预测能力明显优于动态步态任务。这一结果与儿童平衡控制机制的特点相符：静态站立更直接反映核心姿势调节能力，而步态过程中的变量较多，信号噪声较大，难以捕捉与临床测试高度相关的模式。

4 讨论

本研究首次系统验证了加速度计与机器学习在预测学龄儿童临床平衡测试中的可行性。其核心结论在于：静态加速度特征联合随机森林等集成学习模型，可有效预测Flamingo测试表现，而动态任务预测效能有限。这一发现不仅与儿童姿势控制发育规律一致，也为学校场景中的快速、客观平衡筛查提供了技术路径。尽管当前模型精度尚属“中等”，但其已超越传统主观评估的可靠性边界，展现出数字化工具在儿科健康促进中的潜力。

然而，研究仍存在若干局限，如样本量有限、传感器位置单一、未在临床测试同时采集加速度信号等。未来需通过多中心队列、多模态数据融合（如结合视频或力台）及深度学习模型进一步优化预测效能。

5 结论

本研究证实了基于静态加速度特征与机器学习算法预测儿童平衡能力的可行性，其中随机森林模型对Flamingo测试的预测效果最佳（R²=0.45）。尽管平衡木测试的预测精度较低，但整体结果表明，加速度计可作为传统平衡测试的客观补充工具，为学校健康监测与早期运动干预提供数据支持。后续研究应聚焦于协议标准化、算法优化及跨人群验证，以推动该技术向实践转化。