基于人体姿态估计的帕金森病步态差异性与方向性身体耦合分析

《PLOS One》：Differential and directional body coupling analysis in Parkinsonian gait

　　

帕金森病（PD）是一种进行性神经退行性疾病，主要表现为运动障碍和全身协调性改变。在临床环境中，用于量化步态中肢体间及跨方向耦合的客观且可及的方法仍然有限。研究人员利用前瞻性收集的PD患者与健康对照（HC）数据集，提出了一种基于人体姿态估计（HPE）的综合分析框架，从关键身体标志点提取时间序列运动学信号。量化身体节段间的耦合强度以表征全身协调模式。统计过滤识别出可显著区分PD与HC的判别性身体耦合因子。所识别的因子在组间表现出清晰且一致的协调模式改变。此外，多种机器学习分类器验证了其判别能力，实现了稳健的分类性能。前10个预设方向性身体耦合因子与MDS-UPDRS III评分之间的相关性分析显示，在完整PD队列（n = 121）中存在适度但具有统计学意义的关联，10个因子中有8个通过FDR校正（–0.31）。这些关联表明，方向性身体耦合指标捕捉到了超越PD与HC二元判别的临床相关运动障碍严重程度变异，并可能作为PD相关运动功能障碍的潜在数字生物标志物。亚型分层分析仅作为探索性补充分析进行，在得出亚型特异性结论之前，需要更大且更均衡的亚型队列。总体而言，身体耦合指标提供了PD相关步态障碍的可靠生物力学标志物，并支持这一非侵入性且经济有效的流程在早期诊断和纵向监测中的临床潜力。

【研究背景】帕金森病（PD）是一种以运动和非运动症状为特征的慢性进行性神经退行性疾病，其核心运动特征包括运动迟缓、静止性震颤、僵直和姿势不稳。随着疾病进展，步态异常如步长缩短、步速减慢、步态节律不规则、摆臂减少及肢体间协调受损成为最具临床重要性的功能障碍。传统时空步态参数之外，身体耦合因子——描述行走过程中不同身体节段间动态协调关系的指标——日益受到重视。身体耦合分析可量化上肢、下肢、躯干和骨盆运动在时间和空间上的同步方式，捕捉臂-腿协调、躯干-骨盆互动、髋-膝耦合等节段间关系，反映身体作为整合运动系统的运动方式。在PD中，自动运动控制受损、僵直、摆臂减少和姿势不稳可能扰乱正常的节段间协调。然而，既往研究存在若干局限：部分研究仅关注狭窄的身体节段子集，常孤立分析手臂运动而忽视全身互动（如上肢-上肢、下肢-下肢、上肢-下肢协调）；其他研究存在方向性偏差，常局限于单平面或同源互动；高维生物力学信号常被简化为粗糙的汇总指数，限制了区分组间差异的能力。为解决这些不足，本研究引入了一个整合二维人体姿态估计与统计分析方法的分析流程，通过纳入方向信息实现全面的全身耦合分析。研究目标为：(i) 识别区分PD患者与HC的判别性身体耦合因子；(ii) 评估其作为早期诊断和监测数字生物标志物的潜力；(iii) 提供上肢-上肢、下肢-下肢及跨肢体互动的综合评估以增强PD步态的临床解读。

【研究方法】本研究为前瞻性研究，从仁荷大学医院神经内科招募203名参与者（PD患者121名，健康对照82名），招募期为2022年12月12日至2023年12月11日。PD诊断由运动障碍专科医师依据英国帕金森病学会脑库标准确立。纳入早期PD患者（确诊后病程≤3年）。排除其他神经系统疾病、影响步态的肌肉骨骼疾病或严重认知障碍者。健康对照从患者家属或志愿者中招募，年龄分布相似。PD组中女性53名、男性68名；HC组中女性50名、男性32名。PD患者平均病程1.4±1.2年。Hoehn和Yahr（HY）分期范围为1–3期，其中HY 1期13例、HY 1.5期14例、HY 2期73例、HY 2.5期15例、HY 3期6例，115/121例（95.0%）为HY ≤2.5期。MDS-UPDRS-III评分范围为3–55分，中位数为25.5。运动亚型依据Stebbins等人提出的MDS-UPDRS比值标准分类：震颤主导型（TD）49例、姿势不稳与步态困难型（PIGD）53例、不确定型19例。亚型分层分析作为探索性补充分析进行。

【关键技术方法】采用三星Galaxy S22智能手机（30帧/秒）在室内医院走廊侧面3米处、高度0.8米录制参与者的行走视频，使用MediaPipe（模型复杂度设为2，即"Heavy"配置）提取18个身体标志点的二维坐标（x轴和y轴），每段步态序列产生36个时间序列信号。将人体建模为图G = (V, E)，节点代表身体标志点，边表示解剖连接。录制视频分割为单向行走序列，最终获得PD组486段、HC组330段行走序列。采用Spearman秩相关计算所有身体关键点对之间的耦合强度，每名参与者生成36×36相关矩阵，产生630个独特耦合身体对。通过聚合绝对Spearman相关系数为身体耦合评分（153个聚合评分），采用Welch t检验（p < 0.05）和Cohen's d效应量（|d| > 0.6）两步统计过滤识别判别性耦合因子。使用t-SNE进行低维可视化，并以簇内平方和（WCSS）、簇间平方和（BCSS）和Dunn指数评估聚类质量。采用支持向量机（SVM）、随机森林（RF）、梯度提升（GB）、决策树（DT）、极端梯度提升（XGB）和人工神经网络（ANN）六种机器学习模型进行5折交叉验证分类。计算前10个预设方向性耦合因子与MDS-UPDRS III评分的Spearman秩相关，采用Benjamini–Hochberg FDR校正。

【研究结果】

身体耦合因子揭示PD与健康步态的方向性差异：通过分析框架识别出24个判别性身体耦合因子，PD参与者表现出显著强于HC组的身体耦合评分。解剖学分解显示，24个判别性因子中8个对应上肢-上肢耦合，16个对应跨肢体耦合。将24个判别性耦合分解为96个方向性分量后，方向信息表明部分方向性身体耦合在PD组中仍表现较强耦合强度，而另一些则表现较弱耦合。扩展至全部630个方向性成对耦合的分析识别出125个判别性方向性耦合特征，跨肢体耦合占比最大，其次为 uppper-upper 和 lower-lower 连接。进一步分解为水平-水平（x-x）、垂直-垂直（y-y）、水平-垂直（x-y）和垂直-水平（y-x）四个方向类别，揭示PD相关的上肢-下肢互动及跨方向分量增强。

利用判别性身体耦合因子改善分离度和分类性能：t-SNE低维可视化显示，判别性特征嵌入表现出改善的组间分离和更紧密的聚类，而随机非判别性特征嵌入则显示大量重叠。聚类质量指标显示判别性身体耦合因子的WCSS/BCSS比值为1.13，随机采样为1.15，Dunn指数一致表明判别性身体耦合改善了分离度和聚类紧密度。机器学习分类中，24个判别性特征使六种模型分类准确率一致提高超过10%（SVM约9%，ANN提高34%），除DT和ANN外其余模型准确率超过70%。125个方向性判别性特征进一步提升性能，精确率、召回率和F1分数较24特征配置额外增加5–10%。

方向性身体耦合因子与完整PD队列运动障碍严重程度的关联：前10个预设方向性身体耦合因子与MDS-UPDRS III评分的Spearman相关分析显示适度但统计学显著的关联，10个中有8个通过FDR校正。关联方向遵循偏侧性模式而非肢体类别模式：显著的跨体对侧耦合对与MDS-UPDRS III评分正相关，而同侧上肢耦合对与运动严重程度负相关。亚型分层探索性分析中，PIGD亚组无特征达到显著性；TD亚组中5个统一特征经FDR校正后与MDS-UPDRS III评分呈显著正相关（左腕-右髋、左指-右髋、左腕-左髋、左指-左髋、右肩-左腕）。

【讨论与结论】本研究展示了基于姿态估计的身体耦合分析在区分PD与HC方面的可行性和判别价值。PD组表现出的过度跨体耦合可能破坏协调的节律性步态模式，潜在地增加滑倒、绊倒和跌倒风险。跨体耦合因子与MDS-UPDRS III评分的正相关与进行性纹状体多巴胺耗竭扰乱自动肢体间协调的假说一致，但本研究未直接测量基底节和多巴胺能功能，该解释仍属推理性，需未来神经影像或神经生理学验证。亚型分层分析仅作为探索性补充分析，在得出亚型特异性结论前需更大且更均衡的亚型队列。研究局限性包括：二维姿态估计缺乏深度信息，限制三维步态特征表征；行走方案仅3–4步，可能限制纯稳态步态耦合表征；组间性别分布未匹配；未记录用药状态；队列以早期PD为主，限制对晚期阶段的推广性；横断面设计无法反映疾病进展；未直接测量基底节和多巴胺能功能。结论：本研究提出了一个量化和分析全身耦合动态以区分PD与HC的综合框架。基于人体姿态估计框架提取行走过程中关键身体点的时间序列坐标变化，通过相关系数衍生的身体耦合评分定量估计关键身体点间耦合强度，识别出满足统计显著性并确保组间有意义差异的判别性身体耦合因子，并通过纳入方向信息进一步扩展，提供更精细的全身耦合差异洞察。热图可视化揭示PD组独特的耦合模式，尤其在跨肢体和跨方向互动中。t-SNE投影展示清晰的组间分离。机器学习评估中，基于判别性耦合特征训练的模型一致获得更高的精确率、召回率和F1分数。前10个预设方向性身体耦合因子与MDS-UPDRS III评分的相关分析显示适度但统计学显著的关联（n = 121，8/10通过FDR校正，–0.31），提供初步证据表明方向性身体耦合指标携带超越二元判别的临床相关信息，可能作为量化PD相关运动障碍严重程度的潜在数字生物标志物。总体而言，整合统计过滤、可解释可视化和预测建模的综合框架为PD步态评估提供了可扩展、非侵入性且经济有效的工具。