随着当今社会日益增加的社会心理压力,人们的心理健康问题变得越来越突出。根据世界卫生组织(WHO)2017年发布的数据,在全球所有年龄段中,估计有3.22亿人患有抑郁症,2.64亿人患有焦虑症,并且这一数字正在增长。因此如何识别和测量它们非常重要。
自我报告调查表和观察方法是最广泛使用的测量方法。像大多数精神疾病一样,抑郁和焦虑症也没有明确的客观指标。他们的诊断主要取决于医生的主观经验和问卷调查表。在实际应用中存在一定局限性。需要相对更多的时间和人工成本,无法对大样本研究对象进行实时测量;重复测试自我报告的量表可能会带来学习效果,导致测量结果出现偏差;卫生保健人员的短缺,特别是在欠发达国家。因此,需要更有效,实用的新方法。
近日发表的相关论文表明了步态与心理健康之间的关系和通过步态预测心理健康状态的可行性。Dirk Adolph等人发现与非抑郁对照组相比,抑郁症患者的行走速度降低,垂直上下运动减少,并且在日常生活中发作时姿势低落[1](发表时间2021年2月)。Valentina Presta等人发现精神分裂症组的身体摇摆面积均显着高于对照组。精神分裂症患者的步态节奏和速度显着降低[2](发表时间2021年1月)。2021年2月中国科学院心理研究所苗贝贝等人发表在SCI 期刊PsyCh Journal上的一篇论文提出了一种基于自然步态模式的心理健康自动识别方法,该方法可以根据日常步态识别潜在的抑郁和焦虑症状[3]。这种新型,低成本,便捷的精神健康识别模式可用于精神健康的日常监测和大规模的精神疾病初步筛查。下面就对“Automatic mental health identification method based on natural gait pattern”这篇论文做以重点介绍。
该实验假设该人的自然步态与抑郁和焦虑有关,并且可以使用机器学习算法来量化这种相关性。因此在本研究中,设计了一个收集步态数据和心理健康数据的实验,并试图实现基于步态分析的心理健康状态识别模型,以进行初步症状筛查。招募了88位参与者(57位女性,31位男性),平均年龄为22.6岁。实验在明亮安静的房间中进行,以最大程度地减少环境因素的影响。在正式的步行记录之前,参与者可以自由走动以熟悉步行过程。签署书面知情同意书后,他们必须在房间中央5 m×1 m的矩形地毯上以自然的方式来回走2分钟。在此正式记录过程中,一个位于地毯末端的数码相机记录了参与者身体运动的步态数据(图1)。在那之后,参与者需要完成PHQ-9(抑郁症自我评估量表)来测量他们的抑郁水平,GAD-7(广泛性焦虑障碍量表)来测量他们的焦虑程度。整个研究的实施过程均得到中国科学院心理研究所伦理委员会的批准。
数码相机记录了每个参与者步行的视频。为了使计算机能够分析视频中的人的步态行为,使用OpenPose用于检测和跟踪人体运动信息。在这项研究中,利用OpenPose以25 Hz的采样频率从步行视频中捕获了18个关键的身体关节。关键点包括耳朵,鼻子,脖子,肩膀,肘部,腕部,臀部,膝盖和脚踝,如图2所示。
该论文认为分析全身的运动方式可能更有助于心理健康的识别。因此,从两个方面设计并实现了一种基于步态分析的心理健康识别方法:
在这项研究中,使用主成分分析方法进行特征维数缩减,最终获得了30个用于模型构建的特征。基于这30个特征,分别建立了抑郁症和焦虑症预测模型。利用了几种经典的机器学习方法,包括支持向量回归(SVR),Gaussian process,线性回归。
根据PHQ-9(抑郁症自我评估量表)的分类标准,得分超过5、10、15和20分别代表轻度,中度,中度重度和重度抑郁。抑郁症状程度估量表测试得分和步态预测得分如图3所示。
根据GAD-7(广泛性焦虑障碍量表)的分类标准,分别以5、10和15分作为轻度,中度和重度焦虑的临界点。关于焦虑症状程度估量表测试得分和步态预测得分如图4所示。
模型的预测精度,如表1所示,抑郁和焦虑模型的预测准确性分别达到86.4%和78.4%,女性的预测结果要好于男性。
与传统的问卷测量方法相比,提出了一种便捷的心理健康监测新模式,该模式可以通过使用普通相机拍摄的1分钟视频来分析抑郁症或焦虑症的当前状态。该模型可以提取关键点的特征并进行计算,并根据步行者的视频(无论步行方向是朝向还是背对相机)导出抑郁和焦虑的预测得分。整个过程是自动的,不需要人力资源。该方法克服了传统方法在便利性,时间和人工成本方面的缺点,避免了重复测量的学习效果,并突破了计算机方法对设备要求的限制。这种方法的经济性,便利性和实用性使其可用于许多领域,尤其是那些需要大规模心理健康筛查的领域,例如入院或入伍筛查,以及在初级保健的临床诊断早期进行常规日常筛查的领域。有利于精神卫生服务的推广普及和精神疾病治疗率的提高。
参考文献
[1] Adolph, D., et al.,Gait Patterns and Mood in Everyday Life: A Comparison Between Depressed Patients and Non-depressed Controls.2021: p. 1-13.
[2] Presta, V., et al.,Posture and gait in the early course of schizophrenia.2021. 16(1): p. e0245661.
[3] Miao, B., X. Liu, and T.J.P.J. Zhu,Automatic mental health identification method based on natural gait pattern.2021.
撰稿人:王书喜