心理所研究在機器學習的幫助下利用步態自動識別睡眠質量

　　人一生中幾乎有三分之一的時間在睡覺。充足的睡眠是良好健康的重要前提，而不良的睡眠會導致不良情緒、注意力不集中、疲勞、心血管疾病甚至死亡。目前，人們對睡眠質量相當重視。然而，要提高一個人的睡眠質量，首先需要知道他/她的睡眠狀況，也就是說，人們有強烈的監測自己睡眠狀況的需求。

　　新技術為人們在日常生活中自我監測和改善睡眠提供了便利。睡眠質量可以通過客觀的身體指標和行為或主觀感覺來評估。多導睡眠圖（PSG）在臨床研究中已被廣泛應用于睡眠評估，但存在著價格昂貴、侵入性、耗時、不實用等缺點。智能手機和智能手環也可用于睡眠活動監測。然而，這些設備是侵入和繁瑣的，因為用戶必須帶上它們或把它們靠近身體才能進行測量。與此同時，除了客觀狀態外，個人對自身睡眠的主觀看法也很有價值。然而，自我報告的睡眠質量也有其局限性，例如當運動員或患者需要每天評估睡眠質量時，主觀報告的方法并不適用。

　　步態反映一個人走路和移動的方式，它可以反映一個人的心理和健康狀況。睡眠和步態會相互影響。一方面，睡眠異常會影響步態。研究表明，每晚睡眠時間少于6小時的人的步態速度比每晚睡眠時間為6-6.8小時的人慢3.5%。另一方面，步態對睡眠也有影響。人們發現每天行走10000步，4周之后可顯著改善睡眠質量。同時，睡眠質量對日常能量消耗有影響，而日常能量消耗與步態高度相關。因此，研究者期望通過步態來測量睡眠質量，這種方式更生態，侵入性更小。

　　中國科學院行為科學重點實驗室朱廷劭研究組使用微軟Kinect攝像頭這一非侵入性工具對用戶的步態行為數據進行收集。如圖1所示，Kinect以30 Hz采樣率捕獲人體25個主體關節的3維加速度。它具有非侵入性、低成本、易于使用的優點，而且在早期研究中也被確認在捕捉日常步態和臨床環境中的實時步態模式方面是完全勝任的。

圖1：人體被Kinect捕捉到的25個關節點

　　該研究共招募56名志愿者，志愿者首先填寫了匹茲堡睡眠質量指數問卷（PSQI）；經過簡單練習后，在矩形地毯（6 m×1 m）上自由走動2分鐘，并被放置在地毯對角線上的兩個Kinect傳感器記錄下其步態數據。

　　數據收集以后，研究者首先對數據進行預處理，即利用高斯濾波進行去噪。其次，以脊柱為原點，對其他關節的坐標進行平移，這樣做的目的是為了將不同參與者的三維坐標調整到同一坐標系，從而消除他們和Kinect相對位置的差異。最后，研究者將收集的步態數據分割成不同的片段，研究選擇64幀（約2秒）作為特征提取中使用的最終數據段的長度。

　　數據預處理完成后，研究者提取了快速傅立葉變換（FFT）的振幅。FFT將采樣函數的每個維度從時域轉換為頻域。對于步態數據中的每個關節，選取每個維度的64個振幅系數作為特征，然后運行Z函數進行特征歸一化。由于高維特征向量是冗余的，因此在訓練模型之前進行降維。研究計算了睡眠質量與提取特征之間的皮爾遜相關系數，選擇每個維度的中相關系數的絕對值最高的前5個特征來訓練機器學習模型，得到每個關節每個維度的5個特征，即總共360個特征（5*3*24=360）。

　　最后，研究使用WEKA以及360個特征來訓練機器學習模型，并采用了10折交叉驗證。結果顯示，睡眠質量預測的最佳結果為Gaussian processes，相關系數為0.78（p＜0.001）。各分量表中，晝夜功能障礙的最佳結果為linear regression，相關系數為 0.51（p＜0.001）。

　　該研究提供了一種新的測量睡眠質量的方法。步態數據收集過程是非侵入性的和生態化的，結果同時也表明步態模式可以很好地表征睡眠質量。該方法可作為現有睡眠質量測量方法的有利補充。

　　該研究成果已被國際期刊 PloS one 錄用并在線發表：

　　Liu, X., Sun, B., Zhang, Z., Wang, Y., Tang, H., & Zhu, T. (2019). Gait can reveal sleep quality with machine learning models. PloS one, 14(9), e0223012.

　　https://doi.org/10.1371/journal.pone.0223012