通过Kinect传感器记录的步态数据来识别焦虑和抑郁:一种具有数据增强的机器学习方法
Milad Shoryabi1, Ahmad Hajipour2, Afshin Shoeibi3
1Faculty of Electrical and Computer Engineering, Hakim Sabzevari University, Sabzevar, Iran. miladshoryabi@hsu.ac.ir.
Scientific reports
|July 2, 2025
概括
使用传感器进行步态分析可以帮助识别焦虑和抑郁. 机器学习模型通过运动模式在检测抑郁症 (86.53%) 中取得了高准确性,在检测焦虑症 (61.67%) 中取得了中等准确性.
科学领域:
- 生物医学工程 生物医学工程
- 计算精神病学是一种计算精神病学.
- 运动科学 运动科学
背景情况:
- 焦虑和抑郁障碍很普遍,需要先进的评估工具.
- 实时和早期识别方法对于有效的心理健康管理至关重要.
- 步态分析为心理状态提供了潜在的非侵入性生物标志物.
研究的目的:
- 调查步态分析在识别焦虑和抑郁症方面的有效性.
- 应用机器学习技术来根据步态参数对心理健康状况进行分类.
- 探索心理健康查的非侵入性方法的潜力.
主要方法:
- 使用微软Kinect传感器收集了50名参与者的步态数据.
- 使用GAD-7和BDI-II问卷评估了焦虑和抑郁程度.
- 使用机器学习算法 (LDA, naive Bayes, SVM, DNN) 提取和分析动态步态特征.
主要成果:
- 机器学习模型在焦虑分类方面实现了61.67%的准确性.
- 模型显示,抑郁症分类的准确率为86.53%.
- 步行参数与心理健康状况有显著的相关性.
结论:
- 步态分析与机器学习相结合,显示出识别焦虑和抑郁的前景.
- 这种方法为心理健康评估提供了一个潜在的非侵入性方法.
- 进一步的研究可以完善基于步态的生物标志物用于心理健康查.
