运动活动谱的两极：通过活动记录仪比较慢性精神分裂症与病前潜在精神分裂特质

研究人员为探索精神分裂症早期识别标志，开展了一项创新性研究，通过活动记录仪(actigraphy)技术结合机器学习，对比分析了慢性精神分裂症(CS)患者与具有阳性精神分裂特质(PSF)的大学生群体的运动模式差异。研究发现PSF组睡眠相关运动特征最为显著，而CS组则同时表现出昼夜活动模式的改变，识别准确率分别达70-85%和90-95%。该研究为精神障碍的早期筛查提供了客观量化新方法。

　　

在精神疾病诊断领域，一个令人困扰的难题长期存在：如何在海量行为特征中捕捉那些预示精神分裂症发展的微妙信号？传统诊断主要依赖主观症状评估，而运动活动改变这一关键生物学指标却长期被忽视。来自匈牙利塞格德大学的研究团队独辟蹊径，将腕带式传感器与人工智能相结合，揭开了精神分裂症发展过程中运动模式演变的奥秘。

这项发表在《BMC Psychiatry》的研究首次系统比较了慢性精神分裂症患者与具有病前潜在特质的青年群体在活动记录仪(actigraphy)数据上的差异。研究团队从挪威豪克兰大学医院获取了23名慢性患者数据，同时在塞格德大学筛选出22名具有阳性精神分裂特质(PSF)的大学生。通过创新的特征工程方法，他们从三轴加速度数据中提取了包括M₁₀(最活跃10小时均值)、L₅(最不活跃5小时均值)等传统指标，以及睡眠碎片化指数(FI)等新型特征。

研究采用三大关键技术：1)自适应混合特征选择(AHFS)算法整合多种特征评估方法；2)基于联盟博弈的特征选择(CFFS)通过Shapley值量化特征重要性；3)连续小波变换(CWT)分析运动信号时频特征。通过逻辑回归(LR)、随机森林(RF)和人工神经网络(ANN)构建分类模型。

【Participant selection】慢性患者组(CS)主要为男性(19/23)，平均病程20年，87%需长期机构照护。PSF组通过O-LIFE>5和PDI-21>10量表筛选，与对照组在人口学特征上匹配。

【Feature engineering】研究开发了"峰特征"量化系统，将睡眠活动分解为lp_(大峰)和sp_(小峰)等53个参数，首次实现了对睡眠微结构的精细刻画。

【Performance of the models】机器学习模型对CS组的识别准确率惊人地达到90-95%，PSF组为70-85%，证实了运动模式作为生物标志物的可靠性。

【CFFS findings】SHAP分析揭示：PSF组的鉴别主要依赖睡眠期间小振幅运动的持续时间增加(sp_l)和大运动密度降低(lp_d)；而CS组还表现出昼夜活动总量(ADAT)下降和零值比率(zero_ratio)升高等广泛性运动减少。

【AHFS findings】ANN模型确认：CS组呈现典型的"运动贫乏"模式，包括M₁₀降低和睡眠时间延长，可能与抗精神病药物副作用及阴性症状相关。

这项研究的重要发现在于揭示了精神分裂症发展过程中运动模式的动态演变规律：在前驱期，睡眠微结构改变占主导；到慢性期，则发展为全面的昼夜节律失调。这一发现为理解疾病机制提供了新视角——睡眠障碍可能是精神分裂症发生的"哨兵信号"，而全面运动功能障碍则是疾病进展的后果。研究采用的机器学习方法突破了传统统计的局限，通过AHFS和CFFS双算法验证，确保了特征选择的可靠性。

特别值得注意的是，研究首次在未用药群体(PSF)中发现了特异性的运动特征，这为区分药物副作用与疾病本身影响提供了重要线索。作者指出，虽然CS组的运动减少可能部分归因于抗精神病药物(尤其是氯氮平)的锥体外系反应，但PSF组的特异性模式强烈提示这些改变是疾病的内在特征。

这项研究的临床意义深远：活动记录仪作为一种低成本、非侵入性工具，有望成为精神障碍早期筛查的"数字生物标志物"。研究者建议未来应在更高风险的前驱期人群中进行验证，并探索这些运动特征能否预测疾病转化。正如通讯作者Adám Nagy指出："我们的发现打开了一扇窗，让我们得以窥见精神分裂症发展过程中那些肉眼难以察觉的运动语言。"这项研究为精神疾病的客观诊断和精准干预奠定了重要基础。