基于步态特征的认知障碍量化评估方法研究

Abstract

Alzheimer’s disease (AD) is a common and serious form of elderly dementia, but early detection and treatment of mild cognitive impairment can help slow down the progression of dementia. Recent studies have shown that there is a relationship between overall cognitive function and motor function and gait abnormalities. We recruited 302 cases from the Rehabilitation Hospital Affiliated to National Rehabilitation Aids Research Center and included 193 of them according to the screening criteria, including 137 patients with MCI and 56 healthy controls (HC). The gait parameters of the participants were collected during performing single-task (free walking) and dual-task (counting backwards from 100) using a wearable device. By taking gait parameters such as gait cycle, kinematics parameters, time-space parameters as the focus of the study, using recursive feature elimination (RFE) to select important features, and taking the subject’s MoCA score as the response variable, a machine learning model based on quantitative evaluation of cognitive level of gait features was established. The results showed that temporal and spatial parameters of toe-off and heel strike had important clinical significance as markers to evaluate cognitive level, indicating important clinical application value in preventing or delaying the occurrence of AD in the future.

0. 引言

阿尔兹海默症（Alzheimer’s disease，AD）作为常见的老年痴呆疾病，危害度高且无法治愈。在被称为轻度认知障碍（mild cognitive impairment，MCI）的AD早期，患者还可以从事复杂的活动，但在AD晚期，认知相关的损伤可能会导致患者日常生活困难^[1]。尽管痴呆症被认为是不可治愈的，但对痴呆症的早期治疗有助于减缓其进展^[2]。因此，尽早确诊MCI对于治疗痴呆症意义重大。传统检测认知水平的方法主要是采用笔试的方式筛查痴呆症，如迷你精神状态检查（Mini-Mental State Examination，MMSE）^[3]、蒙特利尔认知评估（Montreal Cognitive Assessment，MoCA）^[4]。近年来有研究表明整体认知功能与运动功能和步态异常之间存在关系^[5]。人工智能和可穿戴传感技术的出现使得精确的步态分析成为可能。许多研究人员使用机器学习技术（machine learning，ML）结合步态分析对老年人的认知水平进行评估。Wu等^[6]使用Kinect设备收集受试者原地踏步时计算的反应时间和步态特征，对低认知水平的受试者进行预测。Jung等^[7]利用步态序列特征和长-短期记忆网络对有认知障碍患者的认知风险进行预测。Saho等^[8]使用微多普勒雷达测量患者腿部和步态速度数据，利用支持向量机（support vector machine，SVM）对患者的认知风险进行分类预测。Noh等^[9]提出了一种基于单任务步态参数和身体素质测试特征，使用机器学习模型预测受试者的认知水平。Matsuura等^[10]使用单、双任务步态参数结合统计学和机器学习算法预测患者的认知水平。这些研究或是没有对受试者的认知水平进行定量预测，或是将步态特征以外的特征作为研究的重点，没有深入研究各种步态特征和认知水平之间的关系。本研究以MCI患者和正常人为研究对象，将步态周期、运动学参数、时间-空间参数等步态参数作为研究重点，筛选出重要特征组合并建立能够准确预测认知水平的机器学习模型，并研究了这些特征与认知水平的量化关系。

1. 对象和方法

1.1. 研究对象

2018年9月至2022年12月，从国家康复辅具研究中心附属康复医院招募了302例受试者，按照纳入与排除标准最终纳入193例受试者，其中137例为MCI患者，56例为健康对照者（healthy control，HC），本研究获得了国家康复辅具研究中心附属康复医院研究伦理委员会的伦理学批准（审批号：S20220226），并在入组时获得参与者的书面知情同意书。

1.2. 研究方法

1.2.1. 认知评估测试

我们采用“面对面”访谈的方式收集参与者的基本情况，包括年龄、身高、体重。采用MoCA量表评估受试者的整体认知功能，使用临床痴呆评定量表（Clinical Dementia Rating，CDR）量表评估认知受损程度。认知域的评估包括记忆力、执行能力、注意力和语言评估，评估方法分别为听觉词语学习测验、Stroop色词测验^[11]。使用日常生活活动评估量表评估患者在日常生活中的自我护理能力^[12]，从193位患者中收集了1 325条样本。

1.2.2. 步态数据采集

本实验采用吉步恩^®步态检测系统^[13-14]，所有步态测试均是在国家康复辅具研究中心附属康复医院宽敞走廊内完成。参与者需完成两组步态测试：一项是单任务测试，另一项为双任务测试，且行走距离均不少于10 m。在单任务阶段，参与者只需以自我舒适的速度自然行走，无需执行其他附加行为；而在双任务阶段，则是在平坦地面上实施“倒数100”的实验，即受试者在行走时同步从数字100开始递减计数，例如，100、99、98······。

1.2.3. 步态参数

无论是单任务还是双任务的步态测试，系统都将获取相同的一系列步态参数数据，包括但不限于步幅、步行速度、步频、支撑相时间、摆动相时间、跨步周期、支撑阶段持续时间、摆动阶段持续时间、足趾离地角度和足跟着地角度等关键指标。在此基础上，我们进一步计算了各维度步态参数的不对称系数^[15]以及双任务步态消耗^[16]，并结合受试者的生物统计信息如身高、体重和鞋码等11个特征，形成共计51个维度的综合参数，步态参数的说明如表1所示。

表 1. Gait parameters.

步态参数

步态参数	含义
步态周期	行走时从一侧足跟着地开始至同侧足跟再次着地经历的时间称为一个步态周期
步速	步行的平均速度
步频	行走时双腿在单位时间内交替的次数
步幅	一步的距离，以脚中心计算
跨步时间	一个步态周期所用的时间
摆动时间	在一个步态周期中，足离开地面向前迈步至再次落地之间的时间
支撑时间	在一个步态周期中，双脚支撑地面的时间
足趾离地角度	在行走过程中，脚即将离开地面的时候，足趾与地面的夹角
足跟着地角度	在行走过程中，脚即将接触地面的时候，足跟与地面的夹角
不对称系数[15]	根据人在行走时左右脚支撑时间的长度差来判断步态对称性的参数
步态消耗[16]	步态参数从单任务到双任务的变化

1.3. 特征选择和回归建模

本实验将这51个综合参数作为预测变量，为避免特征之间量纲的差距，所有数据在输入前均进行过标准化。采用递归特征消除方法（recursive feature elimination，RFE）^[17]筛选各模型的最优特征组合，从而对数据集进行降维。为了评估模型的预测性能和误差，我们将预测值和真实值的均方根误差（root mean square error，RMSE）作为误差指数。使用Lasso回归（least absolute shrinkage and selection operator）、弹性网（elastic net，ElasticNet）、SVM、随机森林算法（random forest，RF）、自适应提升算法（adaptive boosting，Adaboost）和梯度提升决策树算法（gradient boosting decision tree，GBDT）分别建立回归模型。

SVM是一种广泛应用于统计学习与机器学习领域的监督模型，善于构建具有出色泛化能力的决策边界^[18]。RF又称为自助式集成决策树，本质上是一种包含了多个决策树的集合模型，在构建每棵决策树时会随机抽取部分特征和样本数据^[19]，相较于单一决策树，随机森林由多个决策树构成，能有效缓解过拟合问题。Lasso巧妙地融合了变量筛选和稀疏约束机制，在传统最小二乘回归的框架内增加了一个L1正则化惩罚项，以优化特征选取和参数估计过程。ElasticNet是一种结合了L1和L2正则化的线性模型优化算法^[20]。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器^[21]。GBDT是一种基于迭代机制构建的决策树群算法，其最终预测结果由多个决策树输出累加生成，因其强大的泛化性能而备受青睐^[22]，其基本思路是将一系列较弱的基础模型逐步叠加成为一个整体上较强的复合模型^[23]。

在模型训练过程中，我们按照7∶3的比例将数据集随机划分为训练集和验证集，并使用十折交叉验证以确保模型的泛化能力，使用网格化搜索寻找模型的最优超参数。为了进一步提高模型的稳定性和可靠性，我们进行了100次实验，每次实验都随机划分训练集和测试集。最后，我们将100次实验的测试结果进行平均处理，以获取更为准确和可靠的误差评估。通过这一系列严谨的数据处理和模型训练步骤，我们成功地选出了具有最小误差的最优模型。模型训练流程如图1所示。

图 1.

Model training flowchart

模型训练流程图

2. 结果

2.1. 特征选择结果

各机器学习模型进行特征组合选择的累积特征数如图2所示。从图2中可以看出Lasso和ElasticNet这两种线性回归模型的变化程度相对较小，特征数量对它们的影响并不明显。这可能是因为线性回归模型处理高维数据的能力不足，如果维度过多则会使模型难以拟合，反而会将其中某几个特征作为重点而忽略其他的特征。SVM选择的最优特征数量较少，而且在达到最佳特征选择后，SVM的均方根误差RMSE随特征数量的增加而增加。这说明SVM处理高维数据的能力也不理想。RF、Adaboost和GBDT这三种集成学习模型较为类似，总的来看，它们的RMSE随特征数量的增加而降低，这意味着集成学习模型能够考虑更多维度的信息，也更有潜力做出准确的预测。

图 2.

Machine learning model feature selection results

机器学习模型特征选择结果

2.2. 机器学习模型训练结果

随后我们将每个模型的最佳特征组合作为输入，进行了网格化搜索，选择最优参数。表2列出了各机器学习模型的RMSE统计学数据和各模型最佳特征组合的特征数。从表中可以看出，Lasso、ElasticNet、SVM这三种模型选择的特征数很少，这可能与它们都采用了线性回归有关。RF、Adaboost和GBDT这三种模型都选择了较多的特征，GBDT选择了最多的特征（44个）。ElasticNet的MoCA分数RMSE均值最小，为3.759，Lasso和RF的均值与ElasticNet较为接近。

表 2. Results of machine learning model.

机器学习模型实验结果

机器学习模型	MoCA分数RMSE				最优特征数
	均值	中位数	最小值	最大值
Lasso	3.760	3.750	2.799	4.935	2
ElasticNet	3.759	3.735	3.014	4.914	2
SVM	3.928	3.915	2.963	5.219	4
Adaboost	3.937	3.900	2.947	5.155	43
RF	3.764	3.751	2.914	5.053	40
GBDT	3.937	3.971	2.863	4.874	44

综合来看，我们使用RF来做进一步研究。图3给出了RF模型的步态特征重要性排名的前20位，从图3中可以看出排名前三位的特征是双任务步长、单任务足跟着地角度和足趾离地角度步态消耗。图4显示了这三个步态特征的部份依赖图（partial dependence plots，PDP），每个图中的蓝色区域显示置信区间。从图4a中可以看出单任务足跟着地角度在1.15～1.35之间与预测分数线性正相关，而在其他值域几乎对预测不起任何作用。从图4b中可以看出双任务步长在0.52～0.65之间与预测分数线性正相关，而在其他值域几乎对预测不起任何作用。从图4c中可以看足趾离地角度步态消耗在0.32～0.41之间和0.6～0.68之间与预测分数线性负相关，而在其他值域几乎对预测不起任何作用。

图 3.

Ranking of gait feature importance (top 20)

步态特征重要性排名（前20名）

图 4.

PDP of key gait features

重点步态特征部份依赖关系图

a. 单任务足跟着地角度；b. 双任务步长；c. 足趾离地角度步态消耗

a. single-task heel strike; b. dual-task step; c. toe-off gait cost

3. 讨论

之前有研究表明，有认知障碍者和健康人群的步态周期和运动学参数的差异具有统计学意义^[24]。近年来也有研究表明足趾离地角度和足跟着地角度可能是区分有步态障碍者的重要特征^[25]，有研究者将这两种特征用于区分卒中后痴呆和AD^[26]。但是在研究步态特征与认知水平具体关系时，很少见到将足趾离地角度、足跟着地角度作为量化评估认知的因素。我们团队过往研究显示，足趾离地角度和足跟着地角度在不同认知水平的人群间有显著差异，可以作为区分HC、MCI和AD的特征。

在本研究中，步态周期、运动学参数和时间-空间参数都作为模型的输入被纳入研究范围，并重点对时间-空间参数与受试者具体认知水平的关系进行了研究。我们发现机器学习算法给出的贡献度排名中，单任务足跟着地角度和足趾离地角度步态消耗这两种时间-空间参数排名都非常靠前。在过往的研究中，双任务行走已经被证明可以影响MCI患者的步态参数^[27]，并且在区分MCI或AD的分类任务中双任务步态参数的贡献度往往大于单任务步态参数^[28]。本实验中双任务步长这一特征排在了贡献度最高的位置，这也与之前的结论相符，即认知水平较高的的受试者在执行双任务时往往比认知水平低的受试者有更长的步长^[24]。但是，单任务足跟着地角度重要性也排在较高的位置，并高于双任务足跟着地角度，这一结果有些意外。这可能是因为，认知水平越低的受试者更容易“拖步”。有研究表明足跟着地角度是反映“拖步”的最好指标^[29]，由于低认知水平的受试者在执行任务时容易“拖步”，他们的足跟着地角度本来就小，这导致他们的双任务足跟着地角度和单任务足跟着地角度相比下降的并不多。而其他认知水平的受试者在执行双任务时足跟着地角度相较于单任务足跟着地角度都有不同程度的下降，这使得双任务足跟着地角度这一特征在不同认知水平受试者之间的差异不大，因此机器学习模型更关注单任务足跟着地角度这一特征。同时从单任务足跟着地角度排名靠前可以看出，这一特征甚至比大部分的双任务特征更能反映受试者当前的认知水平。有研究表明足跟着地角度的减少意味着患者的足部廓清能力的损害，进而会导致跌倒的发生^[30]。但单任务足跟着地角度是否在任何条件下都优于其他特征这需要在未来进行更深入的研究。此外，足趾离地角度的步态消耗这一特征也排在靠前的位置上，并且从足趾离地角度步态消耗的PDP图上可以看出，拥有较大步态消耗的受试者往往具有较低的MoCA值，这说明MCI这类认知水平较低的受试者在执行双任务时会受到较大的影响，因此他们的双任务步态消耗较大，而认知水平较高的正常受试者执行双任务受到的影响小，会有更小的步态消耗。足趾离地角度步态消耗的重要性领先于其他特征的步态消耗，这说明足趾离地角度很有可能是双任务中变化更明显的步态特征。以后的研究要更加重视这一特征。此外，之前的大部分研究是做分类预测，并不需要给出受试者精准的认知水平预测，因此机器学习算法只需要关注三种认知水平的受试者之间有显著差异的特征即可，而这些特征在同一组认知水平的受试者中可能并没有显著的区别。但本实验是为了预测受试者的认知水平，由于预测分数是连续的，机器学习模型就会更关注在不同认知分数上有不同变化的特征，本组结果说明双任务步长、单任务足跟着地角度、足趾离地角度步态消耗这三个特征与受试者具体的认知水平相关性更强，这为MCI早期筛查提供了新的思路。近年来，有关MCI和AD患者的步态障碍研究越来越多，通过机器学习技术建立回归模型可以帮助临床医生更快更方便地检测患者的认知水平，为早期治疗提供更多的支持。

本研究仍存在一些局限性：① 研究比较了部分线性回归模型和集成学习模型，将来可以考虑使用深度学习进行试验，如长短期记忆网络、卷积神经网络等。② 本研究所纳入患者的样本量依然有限，HC和MCI两种受试者的数量也并不平衡，尤其是MoCA值极低和极高的样本数量较少，可能会影响机器学习模型的准确性和泛化能力；③ 本研究采集的参数仅为受试者一次试验的结果，难以发现与受试者认知水平变化相关的参数，未来可以按一定周期定时检测患者的认知水平，以寻找与认知水平下降相关的步态参数。

综上，本研究发现，可穿戴设备收集的步态数据可以作为预测认知水平的临床工具，使用机器学习算法结合步态参数可以量化预测认知水平。双任务步长、单任务足跟着地角度和足趾离地角度步态消耗是预测受试者认知水平的重要步态标志物，未来对预防或延缓AD的发生有重要的临床应用价值。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：陶帅：提出主要研究目标，负责研究的构思与设计；胡泓彬：负责研究的实施，撰写论文；孔丽文：进行数据的收集与整理；吕泽平：负责调查开展、概念提出、酝酿实验；汪祖民：负责可视化、审查和写作；赵洁：负责文章的质量控制与审查，以及论文的修订；刘爽：负责文章整体的监督管理。

伦理声明：本研究通过了国家康复辅具研究中心附属康复医院研究伦理委员会的审批（批文编号：S20220226）。

Funding Statement

国家重点研发计划（2018YFC2001700，2023YFC3605300）；大连大学学科交叉项目（DLUXK-2023-QN-004）

National Key R&D Program of China; Dalian University