基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病

doi:10.12114/j.issn.1007-9572.2022.0437

中国全科医学 ›› 2022, Vol. 25 ›› Issue (31): 3857-3865.DOI: 10.12114/j.issn.1007-9572.2022.0437

所属专题：神经退行性病变最新文章合集；阿尔茨海默病最新文章合集

• 论著·认知障碍专题研究 • 上一篇下一篇

基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病

陶帅¹, 韩星¹, 孔丽文¹, 汪祖民¹, 谢海群²^,^*()

1.116622　辽宁省大连市，大连大学大连市智慧医疗与健康重点实验室
2.528010　广东省佛山市，佛山市第一人民医院神经内科

收稿日期:2022-06-22 修回日期:2022-08-06 出版日期:2022-11-05 发布日期:2022-09-19
通讯作者: 谢海群
陶帅，韩星，孔丽文，等.基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病[J].中国全科医学，2022，25（31）：3857-3865.[www.chinagp.net]
作者贡献：陶帅负责资金提供、调查开展、概念提出；韩星负责形式分析、方法学、软件、原稿创作；孔丽文负责项目管理、监督、验证；汪祖民负责可视化、审查和写作；谢海群负责数据管理、资源提供。
基金资助:
国家重点研发计划(2018YFC2001700)

Machine Learning-based Gait Analysis for Recognition of Amnestic Mild Cognitive Impairment and Alzheimer's Disease

TAO Shuai¹, HAN Xing¹, KONG Liwen¹, WANG Zumin¹, XIE Haiqun²^,^*()

1.Dalian Key Laboratory of Smart Medical and Health, Dalian University, Dalian 116622, China
2.Department of Neurology, the First People's Hospital of Foshan, Foshan 528010, China

Received:2022-06-22 Revised:2022-08-06 Published:2022-11-05 Online:2022-09-19
Contact: XIE Haiqun
About author:
TAO S, HAN X, KONG L W, et al. Machine learning-based gait analysis for recognition of amnestic mild cognitive impairment and Alzheimer's disease [J] . Chinese General Practice, 2022, 25 (31) : 3857-3865.

分享到

摘要/Abstract

摘要： 背景随着老龄化社会的到来，与年龄密切相关的认知障碍(包括痴呆)的患病率明显增加。先前的研究表明，具有不同认知能力的人群所表现的步态状态也不一样。过去研究者们在研究遗忘型轻度认知障碍（aMCI）和阿尔茨海默病（AD）的步态时，使用了统计分析方法，对机器学习方法的使用较少。目的构建基于步态的机器学习模型识别aMCI和AD，探索aMCI和AD之间的步态标志物，以便将其用作帮助诊断aMCI患者和AD患者的可能工具。方法于2018年12月至2020年12月，从国家康复辅具研究中心附属康复医院、佛山市第一人民医院、大连大学附属中山医院招募了102例受试者，按照筛选标准最终纳入98例受试者，其中55例为aMCI患者，10例为AD患者，33例为健康对照（HC）者。使用可穿戴设备采集参与者在单任务（自由行走）、双任务（倍数7）和双任务（倒数100）时的步态参数。使用随机森林算法（RF）和梯度提升决策树算法（GBDT）建立模型，10个步态参数作为预测变量，疾病状态（HC、aMCI、AD）作为响应变量，比较两种机器学习算法对3个疾病组的识别效果。然后使用机器学习算法结合递归特征消除法（RFE）进行重要特征选择。结果三组年龄、性别、身高、体质量、鞋码比较，差异无统计学意义（P>0.05）；MMSE评分、MoCA评分比较，差异有统计学意义（P<0.05）。自由行走测试时，aMCI组和AD组受试者步幅较HC组短，足跟着地角度较HC组小；AD组步速较HC组和aMCI组受试者慢，足趾离地角度较HC组小（P<0.05）。双任务倍数7测试时，aMCI组和AD组受试者步速较HC组慢，足趾离地角度和足跟着地角度较HC组小；AD组支撑时间较HC组长，足趾离地角度较aMCI组小（P<0.05）。双任务倒数100测试时，AD组步速较HC组和aMCI组受试者慢，足趾离地角度和足跟着地角度较HC组和aMCI组小，步幅较HC组短；aMCI组足跟着地角度较HC组小（P<0.05）。GBDT-RFE方法发现aMCI和AD之间的重要步态特征是步幅、足趾离地角度和足跟着地角度，并在RF模型中实现了识别aMCI和AD的最佳性能，最高准确率为87.69%。结论步幅、足趾离地角度和足跟着地角度是识别aMCI患者和AD患者的重要步态标志物，未来临床医生可依据重要步态标志物诊断和治疗aMCI患者和AD患者。

关键词: 认知功能障碍, 遗忘型轻度认知障碍, 阿尔茨海默病, 步态分析, 随机森林算法, 梯度提升决策树算法

Abstract:

Background

The prevalence of age-related cognitive impairment, including dementia, has significantly increased with population aging. It has been shown that cognitive function is associated with gait status. Previously, researchers used statistical analysis methods instead of machine learning methods to study the gait of amnestic mild cognitive impairment (aMCI) and Alzheimer's disease (AD) .

Objective

To develop a model to identify aMCI and AD based on gait status using machine learning methods, explore gait markers differentiating between aMCI and AD, and to assess their possible values as aided tools in diagnosing aMCI and AD.

Methods

We recruited 102 cases from the Rehabilitation Hospital Affiliated to National Research Center for Rehabilitation Technical Aids, the First People's Hospital of Foshan, and Affiliated Zhongshan Hospital of Dalian University from December 2018 to December 2020, and included 98 of them according to the screening criteria, including 55 patients with aMCI, 10 patients with AD, and 33 healthy controls (HC) . The gait parameters of the participants were collected during performing single-task (free walking) , dual-task (counting backwards in sevens) and another dual-task (counting backwards from 100) using a wearable device. Random forest (RF) algorithm and gradient boosting decision tree (GBDT) algorithm were separately used to establish a model to compare the effect of two algorithms in recognizing three groups, with 10 gait parameters as predictive variables and the physical status (healthy, aMCI, AD) as response variables. Then important features were chosen using a machine learning algorithm combined with recursive feature elimination (RFE) .

Results

No statistically significant differences were found among the three groups in terms of sex ratio, average age, height, body weight or shoe size (P>0.05) , while the differences in terms of average MMSE score and MoCA score were statistically significant (P<0.05) . In the free walking test, aMCI group and AD group had shorter average stride length and smaller average heel-to-ground angle (HtA) than HC group (P<0.05) . AD group had slower average gait speed and smaller average toe-off angle (ToA) than both HC group and aMCI group (P<0.05) . In performing the dual-task of counting backwards in sevens, compared with HC group, aMCI group and AD group had slower average gait speed and smaller average ToA and HtA (P<0.05) . AD group had longer average stance phase than HC group (P<0.05) . AD group had average smaller ToA than aMCI group (P<0.05) .In performing the dual-task of counting backwards from 100, AD group had slower average gait speed and smaller average HtA and ToA than both HC group and aMCI group (P<0.05) . Moreover, AD group had shorter average stride length than HC group (P<0.05) . The average HtA in aMCI group was smaller than that in HC group (P<0.05) . Using the GBDT-RFE method, we found important gait features in distinguishing between aMCI and AD to be the stride length, ToA and HtA, and the model using the RF algorithm performed better in identifying aMCI and AD, with an accuracy as high as 87.69%.

Conclusion

Stride length, ToA and HtA are important gait markers to identify aMCI and AD. These findings could help clinicians diagnose aMCI and AD in the future.

Key words: Cognitive dysfunction, Amnestic mild cognitive impairment, Alzheimer's disease, Gait analysis, Random forest, Gradient boosting decision tree

陶帅,韩星,孔丽文,等. 基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病[J]. 中国全科医学, 2022, 25(31): 3857-3865. DOI: 10.12114/j.issn.1007-9572.2022.0437.
TAO Shuai,HAN Xing,KONG Liwen, et al. Machine Learning-based Gait Analysis for Recognition of Amnestic Mild Cognitive Impairment and Alzheimer's Disease[J]. Chinese General Practice, 2022, 25(31): 3857-3865. DOI: 10.12114/j.issn.1007-9572.2022.0437.

图/表 8

参考文献 48

[1]	GAWRONSKI K A B, KIM E S, LANGA K M，et al. Dispositional optimism and incidence of cognitive impairment in older adults[J]. Psychosomatic Medicine，2016，78（7）：819-828.
[2]	LANE C A, HARDY J, SCHOTT J M. Alzheimer's disease[J]. European Journal of Neurology，2018，25（1）：59-70. DOI：10.1111/ene.13439.
[3]	TANNENBAUM C, PAQUETTE A, HILMER S，et al. A systematic review of amnestic and non-amnestic mild cognitive impairment induced by anticholinergic，antihistamine，GABAergic and opioid drugs[J]. Drugs & Aging，2012，29（8）：639-658.
[4]	AHMED S, MITCHELL J, ARNOLD R，et al. Predicting rapid clinical progression in amnestic mild cognitive impairment[J]. Dementia and Geriatric Cognitive Disorders，2008，25（2）：170-177. DOI：10.1159/000113014.
[5]	BAHUREKSA L, NAJAFI B, SALEH A，et al. The impact of mild cognitive impairment on gait and balance：a systematic review and meta-analysis of studies using instrumented assessment[J]. Gerontology，2017，63（1）：67-83. DOI：10.1159/000445831.
[6]	SCHERDER E, EGGERMONT L, SWAAB D，et al. Gait in ageing and associated dementias：its relationship with cognition[J]. Neuroscience & Biobehavioral Reviews，2007，31（4）：485-497.
[7]	ROSSO A L, VERGHESE J, METTI A L，et al. Slowing gait and risk for cognitive impairment：the hippocampus as a shared neural substrate[J]. Neurology，2017，89（4）：336-342.
[8]	BEAUCHET O, BLUMEN H M, CALLISAYA M L，et al. Spatiotemporal gait characteristics associated with cognitive impairment：a multicenter cross-sectional study，the intercontinental "Gait，Cognition & Decline" initiative[J]. Current Alzheimer Research，2018，15（3）：273-282. DOI：10.1038/s41598-019-53656-7.
[9]	DE OLIVEIRA SILVA F, FERREIRA J V, PLÁCIDO J，et al. Gait analysis with videogrammetry can differentiate healthy elderly，mild cognitive impairment，and Alzheimer's disease：a cross-sectional study[J]. Experimental Gerontology，2020，131：110816. DOI：10.1016/j.exger.2019.110816.
[10]	BERG L. Clinical dementia rating[J]. British Journal of Psychiatry，1984，145（3）：339-339. DOI：10.1192/S0007125000118082.
[11]	DUBOIS B, FELDMAN H H, JACOVA C，et al. Research criteria for the diagnosis of Alzheimer's disease：revising the NINCDS-ADRDA criteria[J]. Lancet Neurology，2007，6（8）：734-746. DOI：10.1016/S1474-4422(07)70178-3.
[12]	BRAEKHUS A, LAAKE K, ENGEDAL K. The Mini-Mental State Examination：identifying the most efficient variables for detecting cognitive impairment in the elderly[J]. Journal of the American Geriatrics Society，1992，40（11）：1139-1145. DOI：10.1111/j.1532-5415.1992.tb01804.x.
[13]	PINTO T C C, MACHADO L, BULGACOV T M，et al. Is the Montreal Cognitive Assessment（MoCA） screening superior to the Mini-Mental State Examination（MMSE） in the detection of mild cognitive impairment（MCI） and Alzheimer's Disease（AD） in the elderly[J]. International Psychogeriatrics，2019，31（4）：491-504. DOI：10.1017/S1041610218001370.
[14]	VAKIL E, BLACHSTEIN H. Rey auditory-verbal learning test：structure analysis[J]. Journal of Clinical Psychology，1993，49（6）：883-890. DOI：10.1002/1097-4679(199311)49:63.0.CO;2-6.
[15]	JENSEN A R, ROHWER JR W D. The Stroop color-word test：a review[J]. Acta Psychologica，1966，25：36-93. DOI：10.1016/0001-6918(66)90004-7.
[16]	PASCOE M, ALAMRI Y, DALRYMPLE-ALFORD J，et al. The symbol-digit modalities test in mild cognitive impairment：evidence from Parkinson's disease patients[J]. European Neurology，2018，79（3/4）：206-210. DOI：10.1159/000485669.
[17]	WILLIAMS B W, MACK W, HENDERSON V W. Boston naming test in Alzheimer's disease[J]. Neuropsychologia，1989，27（8）：1073-1079. DOI：10.1016/0028-3932(89)90186-3.
[18]	BUCKS R S, ASHWORTH D L, WILCOCK G K，et al. Assessment of activities of daily living in dementia：development of the Bristol Activities of Daily Living Scale[J]. Age and Ageing，1996，25（2）：113-120. DOI：10.1093/ageing/25.2.113.
[19]	SHUAI T, ZEPING L, HAIQUN X. Application of wearable gait-assist technology in the fields of rehabilitation and elderly care[J]. Science & Technology Review，2019，37（22）：19-25.
[20]	BREIMAN L. Random forests[J]. Machine Learning，2001，45（1）：5-32. DOI：10.1023/A:1010933404324.
[21]	OSHIRO T M, PEREZ P S, BARANAUSKAS J A. How many trees in a random forest[EB/OL]. [2022-04-03].
[22]	PHAN D, NGUYEN N, PATHIRANA P N，et al. A random forest approach for quantifying gait ataxia with truncal and peripheral measurements using multiple wearable sensors[J]. IEEE Sensors Journal，2019，20（2）：723-734.
[23]	AÇICI K, ERDASÇ B, ASUROGLU T，et al. A random forest method to detect Parkinson's disease via gait analysis[EB/OL]. [2022-04-03].
[24]	PROBST P, WRIGHT M N, BOULESTEIX A L. Hyperparameters and tuning strategies for random forest[J]. Wiley Interdisciplinary Reviews，2019，9（3）：e1301. DOI：10.1002/widm.1301.
[25]	RONG G, ALU S, LI K，et al. Rainfall induced landslide susceptibility mapping based on bayesian optimized random forest and gradient boosting decision tree models：a case study of Shuicheng County，China[J]. Water，2020，12（11）：3066.
[26]	FRIEDMAN J H. Greedy function approximation：a gradient boosting machine[J]. Annals of Statistics，2001，29（5）：1189-1232. DOI：10.1214/aos/1013203451.
[27]	RAO H, SHI X, RODRIGUE A K，et al. Feature selection based on artificial bee colony and gradient boosting decision tree[J]. Applied Soft Computing，2019，74：634-642.
[28]	YAO M, ZHU Y, LI J，et al. Research on predicting line loss rate in low voltage distribution network based on gradient boosting decision tree[J]. Energies，2019，12（13）：2522. DOI：10.3390/en12132522.
[29]	PULLANAGARI R R, KERESZTURI G, YULE I. Integrating airborne hyperspectral，topographic，and soil data for estimating pasture quality using recursive feature elimination with random forest regression[J]. Remote Sensing，2018，10（7）：1117.
[30]	LINDH-RENGIFO M, JONASSON S B, ULLÉN S，et al. Components of gait in people with and without mild cognitive impairment[J]. Gait & Posture，2022，93：83-89.
[31]	KOO D K, JANG T S, KWON J W. Effects of dual-task training on gait parameters in elderly patients with mild dementia[J]. Healthcare（Basel），2021，9（11）：1444. DOI：10.3390/healthcare9111444.
[32]	SCHLACHETZKI J C M, BARTH J, MARXREITER F，et al. Wearable sensors objectively measure gait parameters in Parkinson's disease[J]. PLoS One，2017，12（10）：e0183989. DOI：10.1371/journal.pone.0183989.
[33]	吴壮，仲敏，蒋旭，等. 不同临床分期帕金森病患者的步态分析[J]. 临床神经病学杂志，2021，34（3）：169-172.
[34]	NI L, LV W, SUN D，et al. Pathological gait signatures of post-stroke dementia with toe-off and heel-to-ground angles discriminate from Alzheimer's disease[J]. Frontiers in Aging Neuroscience，2021，13：766884. DOI：10.3389/fnagi.2021.766884.
[35]	PIERUCCINI-FARIA F, SARQUIS-ADAMSON Y, MONTERO-ODASSO M. Mild cognitive impairment affects obstacle negotiation in older adults：results from "Gait and Brain Study"[J]. Gerontology，2019，65（2）：164-173. DOI：10.1159/000492931.
[36]	GHORAANI B, BOETTCHER L N, HSSAYENI M D，et al. Detection of mild cognitive impairment and Alzheimer's disease using dual-task gait assessments and machine learning[J]. Biomedical Signal Processing and Control，2021，64：102249. DOI：10.1016/j.bspc.2020.102249.
[37]	GIMMON Y, RASHAD H, KURZ I，et al. Gait coordination deteriorates in independent old-old adults[J]. Journal of Aging and Physical Activity，2018，26（3）：382-389.
[38]	KANG G E, YANG J, NAJAFI B. Does the presence of cognitive impairment exacerbate the risk of falls in people with peripheral neuropathy? An application of body-worn inertial sensors to measure gait variability[J]. Sensors，2020，20（5）：1328.
[39]	XIE H, WANG Y, TAO S，et al. Wearable sensor-based daily life walking assessment of gait for distinguishing individuals with amnestic mild cognitive impairment[J]. Frontiers in Aging Neuroscience，2019，11：285. DOI：10.3389/fnagi.2019.00285.
[40]	VERGHESE J, ROBBINS M, HOLTZER R，et al. Gait dysfunction in mild cognitive impairment syndromes[J]. Journal of the American Geriatrics Society，2008，56（7）：1244-1251.DOI：10.1111/j.1532-5415.2008.01758.x.
[41]	TSENG B Y, CULLUM C M, ZHANG R. Older adults with amnestic mild cognitive impairment exhibit exacerbated gait slowing under dual-task challenges[J]. Current Alzheimer Research，2014，11（5）：494-500. DOI：10.2174/1567205011666140505110828.
[42]	FOLEY J A, KASCHEL R, LOGIE R H，et al. Dual-task performance in Alzheimer's disease，mild cognitive impairment，and normal ageing[J]. Archives of Clinical Neuropsychology，2011，26（4）：340-348. DOI：10.1093/arclin/acr032.
[43]	ANSAI J H, ANDRADE L P, ROSSI P G，et al. Gait，dual task and history of falls in elderly with preserved cognition，mild cognitive impairment，and mild Alzheimer's disease[J]. Brazilian Journal of Physical Therapy，2017，21（2）：144-151. DOI：10.1016/j.bjpt.2017.03.010.
[44]	OH C. Single-task or dual-task? Gait assessment as a potential diagnostic tool for Alzheimer's dementia[J]. Journal of Alzheimer's Disease，2021，84（3）：1183-1192.
[45]	CASTRILLO A, OLMOS L M G, RODRÍGUEZ F，et al. Gait disorder in a cohort of patients with mild and moderate Alzheimer's disease[J]. American Journal of Alzheimer's Disease & Other Dementias®，2016，31（3）：257-262. DOI：10.1177/1533317515603113.
[46]	NADKARNI N K, MAWJI E, MCILROY W E，et al. Spatial and temporal gait parameters in Alzheimer's disease and aging[J]. Gait & Posture，2009，30（4）：452-454.
[47]	SEIFALLAHI M, SOLTANIZADEH H, HASSANI M A，et al. Detection of Alzheimer's disease in elder people using gait analysis and kinect camera[J]. Journal of Health and Biomedical Informatics，2019，6（3）：178-196.
[48]	MUIR S W, SPEECHLEY M, WELLS J，et al. Gait assessment in mild cognitive impairment and Alzheimer's disease：the effect of dual-task challenges across the cognitive spectrum[J]. Gait & Posture，2012，35（1）：96-100. DOI：10.1016/j.gaitpost.2011.08.014.

组别	例数	年龄〔M（QR），岁〕	性别（男/女）	身高（±s，cm）	体质量（±s，kg）	鞋码〔M（QR），码〕	MMSE量表评分〔M（QR），分〕	MoCA量表评分〔M（QR），分〕
HC组	33	67.0（5.5）	14/19	160.24±6.82	58.65±9.46	38.00（3.00）	27（2）	24.0（3.5）
aMCI组	55	68.0（5.0）	27/28	161.40±6.96	60.92±8.92	39.00（3.00）	25（3）	20.0（4.0）
AD组	10	66.0（11.0）	3/7	159.35±8.21	60.00±9.67	38.00（4.25）	21（3）	14.0（5.2）
检验统计量值		1.390^a	1.370^b	0.515^c	0.629^c	2.743^a	33.247^a	48.238^a
P值		0.499	0.504	0.599	0.535	0.254	<0.001	<0.001

组别	例数	年龄〔M（QR），岁〕	性别（男/女）	身高（±s，cm）	体质量（±s，kg）	鞋码〔M（QR），码〕	MMSE量表评分〔M（QR），分〕	MoCA量表评分〔M（QR），分〕
HC组	33	67.0（5.5）	14/19	160.24±6.82	58.65±9.46	38.00（3.00）	27（2）	24.0（3.5）
aMCI组	55	68.0（5.0）	27/28	161.40±6.96	60.92±8.92	39.00（3.00）	25（3）	20.0（4.0）
AD组	10	66.0（11.0）	3/7	159.35±8.21	60.00±9.67	38.00（4.25）	21（3）	14.0（5.2）
检验统计量值		1.390^a	1.370^b	0.515^c	0.629^c	2.743^a	33.247^a	48.238^a
P值		0.499	0.504	0.599	0.535	0.254	<0.001	<0.001

组别	例数	步幅（±s，m）	步速（±s，m/s）	步频（±s，步/min）	支撑相〔M（QR），%〕	摆动相〔M（QR），%〕	跨步时间（±s，s）	支撑时间（±s，s）	摆动时间（±s，s）	足趾离地角度（±s，°）	足跟着地角度〔M（QR），°〕
HC组	33	1.16±0.13	0.92±0.14	96.19±10.40	65.70（3.80）	34.30（3.80）	1.26±0.16	0.83±0.13	0.43±0.04	42.62±3.96	31.70（6.70）
aMCI组	55	1.08±0.16^b	0.87±0.14	96.10±10.18	66.30（2.60）	33.70（2.60）	1.27±0.15	0.84±0.12	0.44±0.04	41.05±4.48	28.90（5.90）^b
AD组	10	1.00±0.17^b	0.75±0.17^bc	89.69±9.35	67.55（5.95）	32.45（5.95）	1.37±0.17	0.93±0.16	0.44±0.03	38.34±5.20^b	28.05（8.47）^b
F（H）值		5.265	4.927	1.800	2.633^a	2.633^a	2.053	2.719	0.112	3.872	12.323^a
P值		0.007	0.009	0.171	0.236	0.236	0.134	0.071	0.894	0.024	0.002

组别	例数	步幅（±s，m）	步速（±s，m/s）	步频（±s，步/min）	支撑相〔M（QR），%〕	摆动相〔M（QR），%〕	跨步时间（±s，s）	支撑时间（±s，s）	摆动时间（±s，s）	足趾离地角度（±s，°）	足跟着地角度〔M（QR），°〕
HC组	33	1.16±0.13	0.92±0.14	96.19±10.40	65.70（3.80）	34.30（3.80）	1.26±0.16	0.83±0.13	0.43±0.04	42.62±3.96	31.70（6.70）
aMCI组	55	1.08±0.16^b	0.87±0.14	96.10±10.18	66.30（2.60）	33.70（2.60）	1.27±0.15	0.84±0.12	0.44±0.04	41.05±4.48	28.90（5.90）^b
AD组	10	1.00±0.17^b	0.75±0.17^bc	89.69±9.35	67.55（5.95）	32.45（5.95）	1.37±0.17	0.93±0.16	0.44±0.03	38.34±5.20^b	28.05（8.47）^b
F（H）值		5.265	4.927	1.800	2.633^a	2.633^a	2.053	2.719	0.112	3.872	12.323^a
P值		0.007	0.009	0.171	0.236	0.236	0.134	0.071	0.894	0.024	0.002

组别	例数	步幅（±s，m）	步速〔M（QR），m/s 〕	步频（±s，步/min）	支撑相（±s，%）	摆动相（±s，%）	跨步时间（±s，s）	支撑时间（±s，s）	摆动时间（±s，s）	足趾离地角度（±s，°）	足跟着地角度〔M（QR），°〕
HC组	33	1.07±0.14	0.77（0.14）	87.58±8.39	67.11±1.66	32.89±1.66	1.39±0.15	0.94±0.12	0.46±0.04	40.13±3.93	29.40（4.90）
aMCI组	55	1.01±0.16	0.72（0.21）^b	85.23±15.34	68.11±2.62	31.89±2.62	1.48±0.31	1.01±0.25	0.47±0.07	36.92±4.53^b	26.10（7.10）^b
AD组	10	0.96±0.23	0.54（0.25）^b	77.75±16.43	68.94±4.00	31.06±4.00	1.61±0.32	1.11±0.22^b	0.50±0.13	33.39±6.10^bc	24.40（10.65）^b
F（H）值		2.167	10.069^a	2.026	2.654	2.654	2.788	3.126	1.426	10.158	9.024^a
P值		0.120	0.007	0.138	0.076	0.076	0.067	0.048	0.245	<0.001	0.011

基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病

Machine Learning-based Gait Analysis for Recognition of Amnestic Mild Cognitive Impairment and Alzheimer's Disease

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 48

相关文章 15

编辑推荐

Metrics

留言

组别	例数	步幅（±s，m）	步速（±s，m/s）	步频（±s，步/min）	支撑相〔M（QR），%〕	摆动相〔M（QR），%〕	跨步时间（±s，s）	支撑时间（±s，s）	摆动时间（±s，s）	足趾离地角度（±s，°）	足跟着地角度〔M（QR），°〕
HC组	33	1.09±0.16	0.77±0.11	84.97±12.39	67.90（3.95）	32.10（3.95）	1.46±0.25	1.00±0.20	0.47±0.06	39.94±4.26	29.30（4.15）
aMCI组	55	1.03±0.16	0.72±0.14	83.31±14.40	68.00（3.40）	32.00（3.40）	1.50±0.28	1.02±0.22	0.47±0.07	38.07±4.27	27.10（5.40）^b
AD组	10	0.96±0.19^b	0.62±0.14^bc	79.54±12.04	70.80（5.15）	29.20（5.15）	1.59±0.26	1.12±0.22	0.48±0.05	34.27±5.57^bc	23.05（7.15）^bc
F（H）值		3.230	4.759	0.629	4.080^a	4.080^a	0.861	1.165	0.160	6.531	13.584^a
P值		0.044	0.011	0.535	0.130	0.130	0.426	0.316	0.852	0.002	0.001

项目		RF		GBDT
项目		准确度	AUC	准确度	AUC
自由行走
	HC组/aMCI组	0.623 5	0.608 3	0.636 6	0.576 5
	HC组/AD组	0.811 1	0.888 9	0.816 7	0.888 9
	aMCI组/AD组	0.861 5	0.833 3	0.815 4	0.785 7
倍数7测试
	HC组/aMCI组	0.647 7	0.628 6	0.637 3	0.606 8
	HC组/AD组	0.838 9	0.916 7	0.836 1	0.875 0
	aMCI组/AD组	0.830 8	0.812 5	0.769 2	0.809 5
倒数100测试
	HC组/aMCI组	0.683 7	0.695 8	0.717 0	0.742 9
	HC组/AD组	0.838 9	0.900 0	0.741 7	0.777 8
	aMCI组/AD组	0.800 0	0.850 0	0.753 8	0.800 0

项目		RF		GBDT
项目		准确率	AUC	准确率	AUC
自由行走
	HC组/AD组	0.858 3	0.900 0	0.811 1	0.791 7
	aMCI组/AD组	0.876 9	0.933 3	0.846 1	0.812 5
倍数7测试
	HC组/AD组	0.905 6	0.944 4	0.905 6	0.944 4
	aMCI组/AD组	0.876 9	0.817 3	0.830 8	0.866 7
倒数100测试
	HC组/AD组	0.858 3	0.875 0	0.819 4	0.833 3
	aMCI组/AD组	0.846 2	0.866 7	0.769 2	0.781 3

[1]	辛功恺, 丛欣, 袁磊, 程悦彤, 倪翠萍, 张巍巍, 張平平, 刘宇. 失智症老年人综合评估工具的研究进展[J]. 中国全科医学, 2023, 26(33): 4103-4109.
[2]	周思静, 罗邦安, 曹慧, 张熙, 王东欣. ≥65岁居民老年痴呆流行病学特征及其与慢性病共病的相关性研究[J]. 中国全科医学, 2023, 26(29): 3616-3621.
[3]	姚俊杰, 商强强, 王宇峰, 栗嘉徽, 刘畅, 庞婷婷. 基于可穿戴式惯性传感器对中医综合疗法治疗气滞血瘀型腰椎间盘突出症的疗效评价研究[J]. 中国全科医学, 2023, 26(27): 3450-3455.
[4]	殷海燕, 宋玉磊, 徐桂华, 杜世正, 罗丹, 张薛晴, 柏亚妹. 脑力活动对老年人认知功能不同领域的影响研究[J]. 中国全科医学, 2023, 26(26): 3314-3319.
[5]	禹延雪, 白茹玉, 于文龙, 郭霞, 吴丽娥. ≥60岁人群认知功能障碍发生现状及影响因素研究[J]. 中国全科医学, 2023, 26(21): 2581-2588.
[6]	马云云, 宋玉磊, 梁晓, 高姣姣, 戚馨如, 王野, 徐桂华, 柏亚妹. 味觉识别能力下降在轻度认知障碍早期预警中的价值研究[J]. 中国全科医学, 2023, 26(16): 1984-1988,2003.
[7]	宋银华, 刘玉双, 杨青, 王诗镔, 胡晴, 郑春婵, 张萍. 老年人主观认知下降与慢性病共病的相关性分析[J]. 中国全科医学, 2023, 26(10): 1241-1249.
[8]	华俏丽, 刘慧玲, 徐晓花, 郑丹文, 王前, 刘云涛, 周鑫, 杨荣源, 丁邦晗, 郭建文, 张忠德. 新型冠状病毒感染康复者极早期认知功能障碍及影响因素研究[J]. 中国全科医学, 2023, 26(10): 1234-1240.
[9]	聂欢欢, 李淮彪, 杨林胜, 胡冰, 孙良, 盛杰, 张冬梅, 陈贵梅, 程北京, 孟相龙, 徐佩茹, 薛贵芝, 陶芳标. 社区老年人夜间睡眠时间与认知功能障碍的关联研究[J]. 中国全科医学, 2023, 26(10): 1250-1256.
[10]	马万瑞, 李漫娜, 王立群, 王志忠. ≥55岁高血压患者发生轻度认知功能障碍的影响因素研究[J]. 中国全科医学, 2023, 26(09): 1075-1079.
[11]	杨昊鹏, 索靖东, 申贤磊, 王丹, 朱学敏, 刘跃华, 梁万年. 中国"失智症防治行动"任务清单的建议：基于WHO全球行动视角[J]. 中国全科医学, 2023, 26(07): 775-779.
[12]	叶青芳, 王旖旎, 李玲, 刘国杰, 林平, 李秋洁. 中青年高血压住院患者轻度认知功能障碍发生现状及影响因素研究[J]. 中国全科医学, 2023, 26(02): 154-159.
[13]	巩祺芸, 邵平乐, 惠加谋. 老年隐匿性高血压患者颈动脉内-中膜厚度及心外膜脂肪厚度与轻度认知功能障碍的关系研究[J]. 中国全科医学, 2022, 25(33): 4139-4144.
[14]	蔡明, 王晓军, 陈晓艳, 胡静芸. 高强度间歇训练改善肥胖患者认知功能的线粒体机制研究进展[J]. 中国全科医学, 2022, 25(29): 3702-3709.
[15]	蔡明, 胡卿茹, 贾世豪, 杨若愚, 王丽岩, 胡静芸, 王晓军, 陈晓艳, 王洪彪. 社区老年人轻度认知障碍筛查量表应用策略研究[J]. 中国全科医学, 2022, 25(25): 3191-3195.