心理所研究通過步態識別個體的抑郁癥

　　抑郁癥是一種非常普遍的精神疾病，目前全世界的范圍內已有超過3億的抑郁患者。雖然針對抑郁患者有多種治療手段（如藥物治療、心理療法等），但只有不到一半的患者接受了正確的治療。這其中的一個重要原因就是抑郁癥診斷的困難。具體而言，在抑郁初篩的過程中，初級保健醫生常常不能有效地識別有抑郁癥狀的患者；同時，基于量表的抑郁診斷方法可能帶來誤診的風險。因此，研究更有效的識別抑郁的方法具有非常重要的意義。

　　姿態癥狀已被證明是抑郁癥的基本表現。已有研究表明，個體姿態控制所涉及的大腦神經網絡與抑郁癥也密切相關。與健康個體相比，抑郁患者在行走過程中的頭部垂直運動減少、肢體動作幅度更小、步態速度更低。

　　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智能體感設備采集被試的步態行為數據識別抑郁狀態。Kinect智能體感設備具有無侵擾、低成本、易于使用的優點，它可以以30 Hz采樣率捕獲人體25個軀體關節的三維坐標變化，而且其在動作捕捉和動作監測的有效性已經被驗證。

　　該研究共招募了126名抑郁癥患者和121名健康者。病例組為市屬某精神衛生醫療機構的抑郁癥患者，其診斷結果是由精神科醫生根據《精神障礙診斷與統計手冊》完成的。對照組是從社會招募的健康人群。所有被試在6米*1米的人行道上自然地來回行走兩分鐘，放置在一端的Kinect智能體感設備記錄下其步態數據（圖1）。

圖1：實驗場景示意圖

　　研究者對收集數據進行了預處理。首先對數據進行切分，即截取每個被試正面朝向Kinect智能體感設備行走過程中2個步態循環的數據，目的是為了消除大量重復數據導致的計算效率低和數據冗余問題；然后利用低通濾波器分別對25個軀體關節的數據進行去噪處理。數據預處理完成后，研究者提取了10個運動學特征、300個時域特征和825個頻域特征，最后使用邏輯回歸分析探究不同類別步態特征對抑郁識別的貢獻，并利用機器學習技術訓練抑郁識別模型。

　　多元邏輯回歸分析結果顯示，運動學、時域和頻域特征可以解釋因變量(抑郁)的變異性分別為12.55%、58.36%和60.71%。同時，利用機器學習技術構建的基于步態特征的抑郁識別模型是有效的(敏感性=0.94，特異性=0.91,AUC=0.93)。這些結果表明：抑郁可以反映在步態中，不同類型的步態特征對抑郁識別的貢獻不同；基于機器學習技術實現抑郁的自動化識別是有效的。

　　該研究探索了通過步態數據識別抑郁狀況的可能性，結果表明不同抑郁狀況具有特異性的步態表達，使其可以被識別。與傳統心理測量方法相比，基于步態數據的抑郁識別方法具有無侵擾、可回溯、自動化等特點，因此將該方法與傳統測量方法相結合能夠有效地提升心理測量的應用范圍與測量效率。

　　該研究成果已在線發表于Frontiers in Psychiatry。

　　論文信息：

　　Wang Y, Wang J, Liu X, Zhu T (2021). Detecting Depression through Gait Data: Examining the Contribution of Gait Features in Recognizing Depression. Front. Psychiatry. doi: 10.3389/fpsyt.2021.661213