Page 22 - 2022-31-中国全科医学
P. 22

http://www.chinagp.net   E-mail:zgqkyx@chinagp.net.cn  ·3859·


           分 =0.5 分 ［10］ 。                                     并开始进行从 100 倒计数（如 100、99、98......）。3 个
               AD 患者的纳入标准：（1）均符合美国国立神经病                        步态测验采集的步态参数一致，包括步幅、步速、步频、
           语言障碍卒中研究所和阿尔茨海默病及相关疾病学会的                            支撑相、摆动相、跨步时间、支撑时间、摆动时间、足
           AD 诊断标准    ［11］ 。（2）简易精神状态检查（Mini-Mental            趾离地角度和足跟着地角度。
           State Examination，MMSE）量表提示痴呆：评分≤17分（文              1.3 统计学方法 使用 SPSS 26.0 软件进行统计分析。
                                                                                                    2
           盲）或评分≤ 20 分（小学毕业）或评分≤ 24 分（初中                       计数资料以相对数表示，组间比较采用 χ 检验。计量
           毕业及以上）      ［12］ 。（3）蒙特利尔认知评估（Montreal              资料首先使用 Shapiro-Wilk 检验每组数据的正态性，然
           Cognitive Assessment，MoCA）量表提示认知受损：最佳               后使用 Levene's 检验每组数据的方差齐性。符合正态
           划界分值为 19 分（受教育年限≤ 6 年）或 22 分（受教                     分布且方差齐的数据，以（ ±s）表示，多组间比较采
           育年限 7~<12 年）或 24 分（受教育年限≥ 12 年）            ［13］ 。   用单因素方差分析，然后使用 LSD 事后检验进行组间
           （4）CDR 量表评分 =1 分。（5）具有以下特征的早期、                      两两比较；非正态分布或方差不齐的数据，以中位数
           显著性的情景记忆损害：①患者本人或知情者报告的持                            （四分位数间距）〔M（QR）〕表示，多组间比较采用
           续６个月以上的缓慢进展的记忆功能变化；②显著情景                            Kruskal-Wallis H 检验，然后使用事后多重比较进行组
           记忆损害的客观证据，包括不能被线索提示、再认测试                            间两两比较。以 P<0.05 为差异有统计学意义。
           改善或纠正的回忆困难；③情景记忆损害在起病或疾病                            1.4 分类建模 使用随机森林算法（RF）和梯度提升
           进展过程中可以单独存在，或与其他认知功能改变共存。                           决策树算法（GBDT）建立模型，10 个步态参数作为预
           （6）颅脑计算机 X 线断层扫描（CT）显示无明显异常                         测变量，疾病状态（HC、aMCI、AD）作为响应变量。
           或仅为脑萎缩。                                             每种机器学习算法建立了 3 个模型，分别是 HC/aMCI、
               HC 的纳入标准：（1）MMSE 量表评分≥ 25 分；（2）                 HC/AD 和 aMCI/AD。使用 10 倍交叉验证评估每个模型
           认知正常，由知情人确认；（3）CDR 量表评分 =0 分。                       的性能。
               所有参与者的排除标准：（1）文盲；（2）存在任                             RF 是 bagging 的一种扩展，是由 BREIMAN         ［20］ 提
           何可能导致认知和运动障碍的神经系统疾病和其他系统                            出的一种分类算法。其计算效率高，可以在大型数据集
           性疾病（卒中病史、帕金森病、癫痫、脑创伤等）、影                            上快速运行，已被应用于不同领域                ［21］ 。RF 由一组决
           响下肢的活动性风湿病和骨科疾病、膝关节病史 / 髋关                          策树组成，其中每个树都包含拆分节点和叶节点                     ［22］ ，
           节置换术等。                                              然而 RF 使用每个节点上随机选择的变量中的最佳节点
           1.2 研究方法 在“面对面”访谈时收集参与者的基                           将每个节点拆分为分支，而不是在所有变量中使用最佳
           本情况，包括年龄、身高、体质量和鞋码。采用 MMSE                          分支  ［23］ 。实际上 RF 中的每棵决策树都是一个分类器
           量表和 MoCA 量表评估整体认知功能，使用 CDR 量表                       （假设现在针对的是分类问题），对于一个输入样本，
           评估认知受损程度。认知域的评估包括记忆力、执行能                            N 棵树会有 N 个分类结果，而随机森林集成了所有的分
           力、注意力和语言评估，评估方法分别为听觉词语学习                            类投票结果，将投票次数最多的类别指定为最终的输出。
           测验（AVLT）    ［14］ 、Stroop 色词测验（SCWT）     ［15］ 、符     该算法具有多个必须由用户设置的超参数，例如节点必
                               ［16］
                                                       ［17］
           号数字模式测验（SDMT） 、波士顿命名测验（BNT） 。                       须包含的最小样本数和树的数量等              ［24］ 。RF 的优点包括：
           使用日常生活活动评估量表（Activities Of Daily Living，            在决策树中随机选择样本可以在一定程度上避免过度拟
           ADL）评估患者在日常生活中的自我护理能力                   ［18］ 。步     合 ; 随机选择样品可以增强抗噪性 ; 可以处理高尺寸样
           态测试：所有步态测试均是在佛山市第一人民医院宽敞                            品，无须因素筛选        ［25］ 。
           走廊内使用可穿戴步态采集设备完成。可穿戴步态采集                                GBDT 是 FRIEDMAN   ［26］ 在 1999 年提出的一种迭代
           设备常以鞋或鞋垫的形式嵌入传感器模块采集受试者步                            决策树算法，该算法由多棵决策树组成，所有树的结论
           态信息，配合穿戴于肢体和躯干的整合角度计模块与足                            累加起来为最终结果，被认为是泛化能力较强的一种算
           部信息可以得出下肢与躯干的运动动态角度信息                     ［19］ 。    法。GBDT 是一种用于回归和分类问题的机器学习技术，
           所有参与者需要穿戴步态采集设备完成 3 个步态测验（1                         基本思想是将一系列弱基分类器组合成一个强基分类
           个单任务测验，2 个双任务测验），行走长度 >10 m。                        器 ［27］ ，学习过程是基于特征和响应数据集构建梯度提
           单任务测验，即自由行走，参与者以舒适的速度行走，                            升树分类或回归模型，然后使用分类和回归模型对新的
           无任何额外的行为。双任务测验包括倍数 7 和倒数 100                        传入样本进行分类 / 预测         ［28］ 。GBDT 模型采用梯度下
           测试。倍数 7 测试：在平整的地面进行测试，参与者开                          降法，将决策树法与 bagging 和 boosting 算法相结合，
           始行走，同时计数 7 的倍数（如 7、14、21......）。倒                   解决传统决策树的过拟合问题              ［25］ 。GBDT 和随机森林
           数 100 测试：在平整的地面进行测试，参与者开始行走，                        最本质的区别是 GBDT 中的每一棵树学习的是之前所有
   17   18   19   20   21   22   23   24   25   26   27