基于机器学习的体态动力学预测HPA轴应激反应：运动生物标志物在非侵入性压力评估中的应用

本研究通过机器学习分析Trier社交压力测试(TSST)中的体态运动特征，首次建立运动模式与皮质醇反应性的预测模型，实现65.2%的响应者分类准确率和2.94 nmol/l的皮质醇增量预测误差，为开发非侵入性HPA轴应激评估提供新范式。

　　

在快节奏的现代社会中，压力已成为影响身心健康的重要因素。传统上，科学家通过测量皮质醇等激素水平来评估下丘脑-垂体-肾上腺轴（HPA轴）的应激反应，但这些方法往往需要侵入性采样，且无法实时监测。有趣的是，人类在压力下会不自觉地改变体态和动作——比如"冻结反应"时躯干活动减少，或骄傲时呈现扩张性姿势。这些现象暗示体态运动可能蕴含丰富的应激生理信息，但运动模式与HPA轴反应间的量化关系始终是未解之谜。

Friedrich-Alexander-Universit?t Erlangen-Nürnberg的研究团队在《Psychoneuroendocrinology》发表创新研究，首次将机器学习应用于运动生物标志物分析。研究人员招募41名健康受试者，在标准化压力测试(TSST)和友好对照条件(f-TSST)中，同步采集全身运动数据（使用Xsens MVN Awinda惯性传感器系统）和唾液皮质醇水平。通过提取587个运动特征（包括静态时段比率、手足空间关系等专家特征），构建随机森林模型预测个体HPA轴反应性。

关键技术包括：(1) 采用嵌套交叉验证的机器学习流程（含MinMaxScaler标准化和SelectKBest特征选择）；(2) 基于运动捕捉数据的多维特征工程；(3) 皮质醇响应者分类（Δc_max≥1.5 nmol/l）与增量回归的双重分析策略；(4) SHAP值驱动的特征重要性解析。样本来自18-40岁健康人群，排除了药物干扰等混杂因素。

3.1 皮质醇响应者分类
模型以65.2%准确率区分响应者，显著优于随机分类。特征分析显示：头部静态时段最大持续时间（Ang. Vel. - SP - Max. Duration）是首要预测因子，响应者表现为更持久的头部运动抑制；而双手距离增大与非响应者相关，印证了扩张姿势与较低应激反应的关联。

3.2 皮质醇反应预测
对调整后变化分数的预测达到r=0.45相关性（p<0.001）。关键发现包括：(1) 左手与头部距离增大预示更强反应，与Turan(2015)的"优势姿势"理论一致；(2) 模型存在向均值回归趋势，提示极端应激反应的个体差异仍需更精细的特征捕捉；(3) 专家特征占比达77.5%，显著高于条件分类模型，证实专业设计的运动参数对生理预测的特异性。

讨论指出，该研究开创性地建立了"运动-内分泌"量化关联，其2.95 nmol/l的预测误差接近临床实用阈值。尽管存在样本同质性等限制，但提出的非接触式评估框架（如结合摄像头姿态估计）有望革新职场心理健康监测。未来可整合自主神经指标（如心率变异性）提升预测效能，并探索运动特征与炎症反应的跨系统关联。这项交叉研究为计算行为科学开辟了新路径，使"看得见的动作"成为解读"看不见的应激"的密码。