基于深度相机与机器学习的曲线行走步态分析用于认知障碍早期检测

《Frontiers in Neurology》：Curve walking gait analysis using depth camera and machine learning for detecting cognitive impairment

　　

摘要 引言： 包括轻度认知障碍（MCI）和阿尔茨海默病（AD）在内的认知障碍（CI）的早期检测，仍受限于现有诊断工具的侵入性和高成本。虽然步态分析是一种有前景的替代方案，但大多数研究聚焦于直线行走，这可能遗漏细微的运动-认知缺陷。研究人员假设曲线行走——尤其是在双任务（DT）条件下——能更好地暴露早期CI相关的改变。结合机器学习，该方法提供了一种低成本、非侵入性的工具，用以区分健康对照（HC）、MCI和AD。 方法： 73名老年人（HC、阿尔茨海默病所致MCI和轻度AD）在单任务（ST）和DT条件（从100开始倒数）下沿10米椭圆路径进行曲线行走，同时使用Kinect v.2深度相机捕捉三维身体关节运动。通过信号处理和统计分析提取了全面的宏观和微观步态标记，随后进行步态标记筛选和基于机器学习的分类（CI vs. HC 及 AD vs. MCI）。 结果： 在提取的156个步态标记中，统计分析识别出22个ST和34个DT标记——包括宏观、微观时间、空间和对称性标记——作为选定的显著判别标记。CI参与者表现出更慢、更不稳定的步态，具有更大的变异性和不对称性，尤其在DT条件下。结合ST和DT标记的机器学习模型在CI vs. HC的分类中达到89.04%的准确率，在AD vs. MCI的分类中达到93.02%，证实了双任务条件下的曲线行走比单独的单任务曲线行走提供了更丰富的判别性步态信息，并支持将曲线双任务步态分析作为一种有前景的范式用于早期认知障碍检测和分期。 讨论： 认知负荷下的曲线行走揭示了与CI相关的细微步态缺陷，利用深度相机数据和机器学习实现了准确、低成本和非侵入性的检测与分期——支持其作为监督式临床和社区环境中筛查方法的潜力，但在控制较少的环境中需进一步验证。

研究背景与问题提出

阿尔茨海默病（AD）及相关疾病是导致老年人痴呆最常见的原因，表现为渐进性认知功能下降。然而，认知评估并未常规开展，仅有16%的老年人接受定期认知障碍筛查。早期症状常被误认为正常衰老，而正式诊断通常在认知缺陷明显时才得以做出，导致许多患者错过了最有效的疾病修饰疗法的治疗窗口。轻度认知障碍（MCI）被认为是AD的临床前阶段，但高达80%的MCI病例未被确诊。当前的诊断方法如神经影像学、脑脊液分析和神经心理学测试虽准确率高，但昂贵、有创且耗时，不适合大规模筛查。

步态分析作为一种非侵入性、低成本的认知评估工具日益受到关注。步态已被视为一种“运动-认知”功能，步态动力学的异常往往先于明显的认知症状。双任务（DT）行走评估能暴露单任务（ST）行走中不明显的细微运动-认知缺陷。然而，现有研究多集中于直线行走，这种重复性节律性动作提供的变异性有限。相比之下，曲线行走涉及持续转向，对姿势控制、空间导航和认知参与的要求更高，可能对早期认知障碍更具敏感性。尽管有研究表明转弯速度和曲线步态指标比直线步行指标对认知状态更敏感，但曲线行走在认知筛查中的应用仍未得到充分探索。

研究方法概述

研究人员招募了73名年龄≥60岁的参与者，包括30名健康对照（HC）、25名MCI和18名轻度AD，均来自伊朗痴呆症和阿尔茨海默病协会（IDAA）。所有参与者在单任务（ST）和双任务（DT，从100开始倒数）条件下沿10米椭圆路径进行曲线行走，使用Kinect v.2深度相机采集25个身体关节的三维运动数据。通过自定义MATLAB处理流水线提取宏观和微观步态标记，采用协方差分析（ANCOVA）校正性别、体重指数（BMI）、教育年限和老年抑郁量表（GDS）等混杂因素后，运用独立样本t检验或Mann-Whitney U检验筛选显著标记，并通过相关性分析去除冗余（相关系数>0.95）。最终采用支持向量机（SVM）模型进行两阶段分类：首先区分认知障碍（CI，含MCI和轻度AD）与HC，再区分MCI与轻度AD，使用五折交叉验证评估性能。

研究结果

3.1 诊断组间的步态标记差异

从曲线行走数据中分析了52个ST和104个DT步态标记。共识别出35个ST和48个DT标记在HC、MCI和AD三组间存在显著差异；33个ST和42个DT标记在CI vs. HC比较中显著；30个ST和41个DT标记在AD vs. MCI比较中显著。经相关性分析后，三组比较保留了22个ST和34个DT选定标记；CI vs. HC保留了20个ST和27个DT；AD vs. MCI保留了19个ST和30个DT。DT标记占选定特征的大多数（60%、58%和61%），强调了认知负荷下步态的额外诊断价值。大多数选定标记与均值/中位数相关，其次是变异性和对称性。在DT条件下，变异性和对称性标记的比例增加。宏观标记中，曲线行走时长是最具判别力的ST和DT标记。微观时间标记中，双支撑时间（均值和变异性）对CI vs. HC最显著，而站立时间和双支撑时间对AD vs. MCI最显著。微观空间标记中，步宽是最强的判别因子。时空域中，步速和跨步速度在所有比较中最为一致显著。存在10个ST和15个DT标记在CI vs. HC和AD vs. MCI两个比较中均显著。双任务显著影响各组的多项步态标记。代表性示例显示，曲线行走时长从HC到MCI到AD逐渐增加，DT代价恶化；站立时间均值在双任务下增加；步宽随认知损害加重而减小；跨步速度在双任务下显著下降。

3.2 基于步态的机器学习模型的诊断性能

基于SVM的两阶段分类框架中，仅用ST标记的模型总体准确率为83.91%。加入DT标记后提升至87.81%，而结合ST和DT标记达到最佳总体性能91.03%。对于CI vs. HC分类，结合ST和DT标记的准确率为89.04%，灵敏度为88.37%。对于轻度AD vs. MCI分类，结合两种标记的准确率达93.02%，灵敏度达94.44%。受试者工作特征曲线（ROC）分析显示，CI vs. HC的曲线下面积（AUC）从0.88（ST）增至0.94（DT）并达0.96（组合）；轻度AD vs. MCI的AUC分别为0.92（ST）、0.94（DT）和0.95（组合）。与基准认知筛查工具相比，蒙特利尔认知评估（MoCA）总体准确率为81.25%，简易精神状态检查（MMSE）为74.50%，均低于步态模型的表现。

讨论与结论

认知负荷下的曲线行走揭示了与认知障碍相关的细微步态缺陷。双任务条件下的曲线行走比单任务曲线行走提供了更丰富的判别性步态信息。结合单任务和双任务步态标记的机器学习模型能够实现高精度的认知状态自动分类，在区分认知障碍与健康对照以及区分轻度AD与MCI方面均优于传统认知筛查工具。该方法利用深度相机数据，具有低成本、非侵入性和空间高效的特点，适用于监督式临床和社区环境（如记忆门诊、老年诊室和社区中心）的早期筛查。研究人员得出结论，曲线双任务步态分析是一种有前景的早期认知障碍检测和分期的范式，但向控制较少的环境推广仍需进一步验证。