在老年人中,可解释的机器学习用于与时空行走特征的抑郁症识别:中国门的一项横截面研究
Shaowu Lin1,2,3, Sicheng Li1,2, Ya Fang4,5
1School of Public Health, Xiamen University, Xiang'an South Road, Xiamen, 361102, China.
BMC geriatrics
|July 3, 2025
概括
使用微软Kinect的步态分析可以识别老年人的抑郁症状. 机器学习模型根据步行速度和步骤高度准确地检测抑郁症,提供了一种方便的选工具.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 精神病学是一个精神病学.
背景情况:
- 老年人的抑郁症是一个重要的公共卫生问题.
- 目前用于识别抑郁症状的方法缺乏方便性和实时应用.
- 需要为老年人抑郁症提供可访问的查工具.
研究的目的:
- 开发一种基于步态的方法来识别中国社区老年人的抑郁症状.
- 为了研究空间时空步态特征与抑郁症之间的关联.
- 评估机器学习模型在从步态数据中预测抑郁症方面的有效性.
主要方法:
- 一项涉及中国门60岁以上92名参与者的横截面研究.
- 抑郁症状使用10项的流行病学研究中心抑郁症量表 (CES-D) 进行评估.
- 在选定的参与者身上进行了基于Kinect的步态分析,并使用机器学习算法 (随机森林,物流回归,SVM,GBDT) 和SHapley添加式扩展分析数据.
主要成果:
- 患有抑郁症的老年人表现出明显的步行异常,包括减少身体摇摆,改变步骤的长度和高度,以及步行速度减慢.
- 随机森林模型在区分抑郁和非抑郁个体方面表现出高准确度 (AUC-ROC = 0.911,灵敏度 = 0.857).
- 抑郁症预测的关键步态参数包括左步高度,步行速度,右步高度,身体摇摆和步幅.
结论:
- 时空步行特征与老年人的抑郁症状有显著联系.
- 基于Kinect的步态评估显示,作为老年人抑郁症的实时,经济高效的查工具具有前途.
- 机器学习模型可以有效地使用步态数据预测抑郁症状,帮助早期检测和干预.
