感觉寻找的数字表型化:使用步态分析的机器学习方法
Behavioral sciences (Basel, Switzerland)
|September 27, 2025
概括
本研究介绍了使用步态分析和机器学习的数字表型,以客观地测量寻求感觉的特征. 开发的模型显示了在临床环境中进行可扩展的客观评估的前景.
科学领域:
- 行为科学是一种行为科学.
- 计算神经科学是一种计算神经科学.
- 数字健康数字健康
背景情况:
- 寻找感觉是精神健康障碍和适应不良行为的危险因素.
- 寻找感觉的传统自我报告措施有局限性.
- 需要客观的评估方法来量化寻求感觉的特征.
研究的目的:
- 引入和验证数字表型化方法来量化寻找感觉的特征.
- 为了客观评估,将计算步态分析与机器学习 (ML) 结合起来.
- 探索运动动态在理解心理指标方面的潜力.
主要方法:
- 收集了233名健康成年人的自然步行序列和自我报告数据 (中国的简短感觉寻找量表,BSSS-C).
- 利用计算机视觉 (OpenPose) 提取骨关键点,处理成动态数据.
- 开发并比较了三个ML模型 (SMO回归,多层感知器,包装) 使用300个时空步行特征和10倍交叉验证.
主要成果:
- SMO回归模型以0.60的相关系数 (r),3.50的MAE,4.59的RMSE和0.26的R2实现了最佳表现.
- 基于步态的数字表型化方法证明了评估感觉寻找的概念证明.
- 该研究成功地将基本运动模式转化为有意义的心理指标.
结论:
- 基于步态的数字表型化为评估感觉寻找提供了一个可扩展和客观的方法.
- 这种方法在临床查和行为研究中具有潜在的应用.
- 这项研究通过将运动动态与心理特征联系起来,推进了行为生物识别.
