整合机器学习与统计技术评估低氧条件下的姿势稳定性

《Frontiers in Bioengineering and Biotechnology》：Integrating machine learning and statistical techniques to evaluate postural stability during hypoxia

　　

本研究利用统计分析和基于特征选择的机器学习，探讨了低氧海拔对姿势稳定性的影响。三十一名健康参与者在一个常压舱内，采用随机、盲法方案暴露于四个模拟海拔高度（海平面、3000米、4000米和5000米），并通过动脉血氧饱和度（SpO2）确认低氧暴露。参与者完成了八种站立条件，旨在操纵视觉、前庭和本体感觉输入。对于每种条件，从压力中心信号中提取了15项姿势摇摆指标。统计分析表明，低氧诱导的姿势稳定性变化是多维度的，并且在增加感觉整合需求的条件（特别是泡沫表面和串联站立任务）下最易被检测到。中度低氧增加了摇摆变异性并破坏了自动姿势控制，而在复杂任务条件下，更严重的低氧则引发了受限的运动策略。在机器学习方法中，研究人员采用了四种基于树的集成分类器，包括极端随机树、随机森林、梯度提升决策树和XGBoost，利用选定的姿势摇摆特征进行海拔分类。研究人员实施了一个使用极端随机树特征重要性和参与者分组嵌套交叉验证的特征选择框架。优化的极端随机树分类器使用27个选定特征达到了70%的最高准确率。所选特征突出了特定摇摆特征的贡献，这些特征未被传统的单变量指标完全捕捉。这些发现表明，在感觉挑战性环境中，中度低氧能在传统公认症状出现之前诱发可检测的多维度姿势不稳。研究结果强调了任务选择和多变量分析对于检测细微损伤的重要性。这些发现在航空航天环境中具有潜在应用价值。

论文解读文章

1. 研究背景、现存问题与研究意义

人类的空间定向依赖于中枢神经系统对视觉、前庭和本体感觉输入的整合。低氧环境会损害这一多感觉整合过程，导致空间定向障碍和姿势控制受损。尽管传统观点认为色觉丧失是低氧的早期可测量症状，通常在约5000米海拔出现，但有证据表明，功能性损伤如姿势不稳可能在更低海拔就已发生，这对航空等操作环境尤为关键。

然而，现有研究存在若干不足：第一，尚不清楚哪些特定的姿势稳定性组分和感觉条件对低氧更为敏感；第二，先前研究大多依赖有限的传统摇摆指标（如压力中心路径长度或摇摆面积），并采用单变量统计方法，未能充分捕捉压力中心信号的时空和频域结构；第三，关于不同感觉条件（视觉、前庭、本体感觉）对低氧暴露的相对敏感性仍不完全清楚；第四，多数研究依赖单变量组间比较，而多变量机器学习分类方法能够检测到单变量分析无法发现的细微效应。尽管机器学习已在临床平衡研究中得到应用，但其在低氧诱导姿势不稳领域的探索仍然有限。

因此，本研究旨在解决三个核心问题：评估低氧诱导的姿势稳定性损伤是否发生在低于传统认知的海拔；通过系统操纵视觉、前庭和本体感觉输入，识别对低氧海拔最敏感的感觉条件；应用结合时域和频域摇摆指标的多变量特征选择框架，全面表征低氧条件下的姿势不稳特征。

2. 主要关键技术方法

研究人员招募了31名来自安柏瑞德航空大学的健康年轻成年人（19-23岁）。实验采用重复测量设计，参与者在常压低氧舱内完成四个模拟海拔条件（海平面、3000米、4000米、5000米），顺序随机化。姿势稳定性评估采用改良的临床感觉整合与平衡测试（CTSIB）协议，包含八种站立条件，通过改变支撑面（硬地/泡沫）、视觉条件（睁眼/闭眼）和头部运动来选择性操纵感觉输入。压力中心（CoP）数据以100Hz采样率采集，经10Hz低通滤波后，从每种条件中提取15项时域和频域摇摆指标。统计上采用Friedman检验和Wilcoxon符号秩检验进行事后比较。机器学习方面，使用四种基于树的集成分类器（极端随机树、随机森林、梯度提升决策树、XGBoost），并结合基于极端随机树特征重要性和参与者分组嵌套交叉验证的特征选择框架进行海拔分类。

3. 研究结果

3.1 生理验证结果

重复测量方差分析显示，估计的动脉血氧饱和度（SpO₂）随模拟海拔升高显著下降（F(2.63, 58.36)=267.2, p<0.001），证实了有效的低氧暴露。事后比较表明，3000米、4000米和5000米条件下的SpO₂均显著低于海平面（所有p<0.001）。心率在不同海拔条件间也存在显著差异（F(1.903, 44.41)=14.21, p<0.001），但仅5000米条件与海平面有显著差异。

3.2 统计分析结果

描述性统计显示，最大的名义海拔效应集中在增加感觉整合需求的泡沫表面和串联站立任务中。最强的名义效应出现在条件5（泡沫表面伴头部运动）：摇摆总功率在4000米高于海平面和5000米（Friedman χ2(3)=17.85, p<0.001, Kendall's W=0.21, FDR校正后p=0.057）。类似的名义效应也出现在条件4的总功率、Sharpened Romberg 1的总功率、条件3的摇摆急动度、以及Sharpened Romberg 1的摇摆面积和ML 95%功率频率中。然而，没有任何一项指标×条件的检验在错误发现率（FDR）校正后存活，因此这些模式应视为探索性结果。

3.3 分类结果

在机器学习分类中，优化的极端随机树分类器使用27个选定特征取得了最高性能：交叉验证准确率为0.70±0.09，精确率为0.79±0.11，召回率为0.70±0.09，F1得分为0.69±0.09。在独立测试集上的准确率为0.67。混淆矩阵进一步揭示了各海拔之间的分类表现和误分类模式。其他分类器的表现较低：梯度提升决策树交叉验证准确率为0.57±0.14，随机森林为0.47±0.07。所选特征突出了特定摇摆特征的贡献，这些特征未被传统单变量指标完全捕捉。

4. 讨论与结论总结

讨论部分指出，本研究的统计分析与机器学习分类结果共同表明，低氧对姿势稳定性的影响是多维度的，且在增加感觉整合需求的任务条件下最为明显。中度低氧（4000米）增加了摇摆变异性和总功率，而严重低氧（5000米）在某些复杂任务条件下反而诱发了受限的运动策略，表现为摇摆指标的降低。这种非线性模式提示可能存在不同的补偿机制。机器学习分类达到70%的准确率，远高于随机水平（25%），表明多变量特征组合能够有效区分不同海拔条件。所选特征来自多种站立条件和摇摆指标，强调了任务选择和多元分析对于检测细微损伤的重要性。

研究结论：中度低氧在感觉挑战性环境中能在传统公认症状出现之前诱发可检测的多维度姿势不稳。研究结果强调了任务选择和多变量分析对于检测细微损伤的重要性。这些发现在航空航天环境中具有潜在应用价值。