使用精细运动加速度计的时间-频率分析进行认知障碍的早期检测

《Annals of Biomedical Engineering》：Early Detection of Cognitive Impairment Using Time–Frequency Analysis of Fine Motor Accelerometry

　　

摘要
目的：早期检测认知衰退对于及时诊断和治疗至关重要。本研究旨在评估是否可以通过腕戴式惯性传感器在精细运动任务中获取的上肢运动动力学准确区分健康老龄化、轻度认知障碍（MCI）和痴呆（DEM）。
方法：研究人员招募了年轻和老年参与者。通过临床评估以及三种标准化神经认知评估（简明精神状态检查（MMSE）、蒙特利尔认知评估（MoCA）和NEUROPSI注意与记忆测验）的一致性确定认知状态。使用腕戴式三轴BioHarness加速度计记录凹槽钉板测试（GPT）期间的上肢动力学。从加速度计信号中提取时域和频域特征，并应用非相关线性判别分析（ULDA）进行监督降维。使用支持向量机（SVM）、随机森林（RF）和k近邻（KNN）分类器，通过准确率和受试者工作特征曲线下面积（AUC-ROC）评估分类性能。
结果：研究纳入109名参与者，分为四组：30名年轻健康受试者（YNG）、22名认知完整的老年人（CIO）、27名MCI参与者和30名DEM参与者。在降维之前，SVM分类器达到了最强性能，宏准确率为0.88±0.013，表明使用原始特征表示具有有意义的区分能力。基于ULDA的投影进一步提高了所有评估模型的类别可分性。RF+ULDA和SVM+ULDA达到了0.97的宏准确率，而KNN+ULDA达到了0.94。
结论：在GPT期间测量的精细运动动力学包含与进行性认知衰退相关的判别信息，可能支持基于可穿戴传感器的客观认知筛查。
试验注册：墨西哥总医院当地伦理委员会批准了该研究，“Dr. Eduardo Liceaga”（协议代码DI/23/110-B/03/12）。

**论文解读：基于精细运动加速度计时间-频率分析的认知障碍早期检测研究**

**1. 研究背景与研究问题**
轻度认知障碍（MCI）是正常认知衰老与痴呆（DEM）之间的过渡阶段，表现为思维速度减慢、注意力困难、记忆问题等。尽管MCI患者仍保持相对功能独立，但研究表明数年内可能进展为DEM，因此早期检测至关重要。然而，MCI常被漏诊，部分原因是传统临床工具（如简明精神状态检查（MMSE）、蒙特利尔认知评估（MoCA）和NEUROPSI注意与记忆测验）对区分正常衰老与MCI的敏感性有限，且易受教育水平、文化背景和施测者经验影响。生物标志物（如磁共振成像（MRI）、正电子发射断层扫描（PET）和脑脊液分析）虽具诊断价值，但成本高、侵入性强，不适合大规模筛查。近年来，运动行为尤其是精细运动功能被证实与执行功能、注意力、计划及视觉运动整合等神经机制密切相关，手部精细运动控制的变化可能反映认知-运动网络的早期损伤。本研究旨在评估是否可通过腕戴式惯性传感器在凹槽钉板测试（GPT）期间获取的上肢运动动力学，区分健康老龄化、MCI和DEM，并探索时间-频率域特征与机器学习结合的可行性。

**2. 研究内容与结论**
研究人员招募了109名参与者，分为四组：年轻健康受试者（YNG，30人）、认知完整老年人（CIO，22人）、MCI参与者（27人）和DEM参与者（30人），所有参与者来自墨西哥总医院（Dr. Eduardo Liceaga）。研究使用腕戴式三轴BioHarness加速度计记录GPT期间的上肢加速度信号，提取了7个时域特征（有效值（RMS）、积分绝对值（IAV）、平均绝对值（MAV）、标准差（STD）、零交叉（ZCS）、信号斜率变化（SSC）、波形长度（WFL））和5个频域特征（平均瞬时频率（MIF）、瞬时频率一阶导数均值（MDF）、功率谱密度谱矩（SMD）、幅度调制带宽（ABW）、频率调制带宽（FBW）），共36个特征。通过Kruskal-Wallis检验进行特征选择，平均保留25个显著特征。随后应用非相关线性判别分析（ULDA）进行监督降维，并使用支持向量机（SVM）、随机森林（RF）和k近邻（KNN）分类器，在重复分层五折交叉验证框架下评估分类性能。结果显示，在降维前，SVM分类器表现最佳，宏准确率达0.88±0.013，对YNG、CIO、MCI和DEM的AUC-ROC分别为0.94、0.85、0.85和0.99。ULDA降维后，RF+ULDA和SVM+ULDA宏准确率均达到0.97，KNN+ULDA达到0.94。特征重要性分析表明，侧向和垂直轴零交叉（ZCS_L和ZCS_V）是最具判别力的特征，反映运动规律性和变异性。研究表明，GPT期间测量的精细运动动力学包含与进行性认知衰退相关的判别信息，可支持基于可穿戴传感器的客观认知筛查。该论文发表在《Annals of Biomedical Engineering》。

**3. 主要关键技术方法（不超过250字）**
研究人员采用以下关键技术方法：1）使用腕戴式三轴BioHarness加速度计（采样率100 Hz）记录GPT期间上肢加速度信号；2）提取时域特征（RMS、IAV、MAV、STD、ZCS、SSC、WFL）和频域特征（MIF、MDF、SMD、ABW、FBW），共36个特征；3）通过Kruskal-Wallis检验（p<0.05）进行特征选择；4）应用非相关线性判别分析（ULDA）进行监督降维，最大化类间可分性；5）使用SVM、RF和KNN分类器，在重复分层五折交叉验证（重复50次）中评估分类性能，指标包括准确率、AUC-ROC、灵敏度、特异性和F1分数。样本队列来源于墨西哥总医院门诊患者及陪同人员。

**4. 研究结果**

**Participants（参与者分析）**
研究纳入109名参与者，分为YNG（30人）、CIO（22人）、MCI（27人）和DEM（30人）四组。Kruskal-Wallis分析显示，CIO、MCI和DEM三组在年龄、教育年限、MoCA、MMSE和NEUROPSI分数上存在显著差异（p<0.001）。GPT完成时间随认知衰退程度增加而延长，尤其是非优势手。

**Feature extraction and selection（特征提取与选择）**
从加速度计数据中提取36个时-频域特征。通过Kruskal-Wallis检验（p<0.05）在每折训练集中进行特征选择，平均保留25个优势手特征。时域特征占主导，其中ZCS（零交叉）在多个轴向上最一致地具有判别力，表明运动变异性与认知衰退密切相关。

**Dimensionality Reduction Using ULDA（使用ULDA进行降维）**
ULDA将所选特征投影到三个正交判别分量上。原始特征空间中CIO与MCI组存在部分重叠，ULDA投影后组间分离显著改善，DEM组形成清晰聚类，CIO与MCI组区分度提高。

**Comparative Performance of Machine Learning Models（机器学习模型性能比较）**
降维前，SVM分类器性能最强，宏准确率为0.88±0.013，对YNG、CIO、MCI和DEM的AUC-ROC分别为0.94、0.85、0.85和0.99。RF和KNN宏准确率分别为0.80±0.011和0.75±0.014。ULDA降维后，所有模型性能提升：RF+ULDA和SVM+ULDA宏准确率达0.97，KNN+ULDA达0.94。AUC分析显示，CIO与MCI的区分仍是降维前最具挑战的任务。

**RF Classification Analysis（RF分类分析）**
降维前，RF对CIO和MCI组分类性能较低，多数误分类发生在两者之间。ULDA后，RF分类性能显著提升，混淆矩阵显示接近完全分离，灵敏度、特异性和F1分数均大幅改善。

**Feature importance（特征重要性）**
RF特征重要性分析显示，侧向和垂直轴零交叉（ZCS_L和ZCS_V）是最具判别力的特征，其次是RMS、STD和FBW。这表明运动规律性、方向校正和变异性在区分认知状态中起关键作用。

**5. 讨论总结与结论翻译**
讨论部分指出，本研究验证了精细运动加速度计信号包含与认知衰退严重程度相关的判别信息，且优于传统步态分析。时-频域特征结合ULDA降维显著提升了分类性能，尤其是对CIO和MCI的区分。与既往研究相比，本方法通过精细运动任务和高分辨率特征提取，实现了多阶段认知状态分类，减少了教育、文化和施测者偏差。局限性包括横断面设计、样本量相对较小、仅分析优势手数据，以及MCI诊断的复杂性。未来需进行纵向研究和多中心验证。
结论翻译：总之，本研究证明，使用可穿戴惯性传感器捕获的精细运动动力学包含与进行性认知衰退阶段相关的临床有意义信息。通过结合时域和频域特征与机器学习分类，实现了对YNG、CIO、MCI和DEM组的有竞争力区分。与可能受教育、文化背景或施测者变异影响的传统神经心理学评估不同，所提出的基于传感器的方法提供了客观且可重复的运动表现评估。研究结果支持了精细运动数字生物标志物作为可扩展且非侵入性认知筛查工具的潜力。