通过步态识别个体抑郁症的研究中取得进展

　　抑郁症是一种较为普遍的精神疾病。虽然针对抑郁患者有多种治疗手段（如药物治疗、心理疗法等），但只有不到一半的患者接受了正确治疗。抑郁症诊断困难是其中的重要原因。具体来说，在抑郁初筛的过程中，初级保健医生常常无法有效识别有抑郁症状的患者。此外，基于量表的抑郁诊断方法可能有误诊风险。因此，研究更有效的识别抑郁的方法具有重要意义。

　　姿态症状已被证明是抑郁症的基本表现。已有研究表明，个体姿态控制所涉及的大脑神经网络也与抑郁症密切相关。与健康个体相比，抑郁患者在行走过程中的头部垂直运动减少、肢体动作幅度更小、步态速度更低。

　　中国科学院心理研究所行为科学重点实验室研究员朱廷劭研究组使用微软Kinect智能体感设备采集被试的步态行为数据识别抑郁状态。Kinect智能体感设备具有无侵扰、低成本、易于使用的优点，能够以30 Hz采样率捕获人体25个躯体关节的三维坐标变化，且其在动作捕捉和动作监测的有效性已被验证。该研究共招募了126名抑郁症患者和121名健康者。病例组为市属某精神卫生医疗机构的抑郁症患者，其诊断结果由精神科医生根据《精神障碍诊断与统计手册》完成。对照组是从社会招募的健康人群。所有被试在6米*1米的人行道上自然地来回行走两分钟，放置在一端的Kinect智能体感设备记录下其步态数据。

　　研究中，科研人员对收集数据进行了预处理。首先对数据进行切分，即截取每个被试正面朝向Kinect智能体感设备行走过程中2个步态循环的数据，消除了大量重复数据导致的计算效率低和数据冗余问题；随后，利用低通滤波器分别对25个躯体关节的数据进行去噪处理。数据预处理完成后，科研人员提取了10个运动学特征、300个时域特征和825个频域特征，最后使用逻辑回归分析探究不同类别步态特征对抑郁识别的贡献，并利用机器学习技术训练抑郁识别模型。多元逻辑回归分析结果显示，运动学、时域和频域特征可以解释因变量（抑郁）的变异性分别为12.55%、58.36%和60.71%。利用机器学习技术构建的基于步态特征的抑郁识别模型是有效的（敏感性=0.94，特异性=0.91，AUC=0.93）。研究表明，抑郁可以反映在步态中，不同类型的步态特征对抑郁识别的贡献不同；基于机器学习技术实现抑郁的自动化识别是有效的。

　　该研究探索了通过步态数据识别抑郁状况的可能性。研究表明，不同抑郁状况具有特异性的步态表达，使其可以被识别。与传统心理测量方法相比，基于步态数据的抑郁识别方法具有无侵扰、可回溯、自动化等特点，因此将该方法与传统测量方法结合能有效提升心理测量的应用范围与测量效率。

　　相关研究成果在线发表在Frontiers in Psychiatry上。

实验场景示意图