Page 24 - 2022-31-中国全科医学

http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn ·3861·

表 3 三组受试者双任务倍数 7 测试时步态参数比较
Table 3 Comparison of gait parameters of three groups of subjects during performing the dual-task of counting backwards in sevens
步幅 步速 步频（ ±s， 支撑相 摆动相 跨步时间 支撑时间 摆动时间 足趾离地角度 足跟着地角度
组别 例数
（ ±s，m） 〔M（QR），m/s 〕 步 /min） （ ±s，%） （ ±s，%） （ ±s，s） （ ±s，s） （ ±s，s） （ ±s，°） 〔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
c
a
b
注： 表示 H 值； 表示与 HC 组比较，P<0.05； 表示与 aMCI 组比较，P<0.05
表 4 三组受试者双任务倒数 100 测试时步态参数比较
Table 4 Comparison of gait parameters of three groups of subjects during performing the dual-task of counting backwards from 100
步幅 步速 步频 支撑相 摆动相 跨步时间 支撑时间 摆动时间 足趾离地角度 足跟着地角度
组别 例数
（ ±s，m） （ ±s，m/s） （ ±s，步 /min） 〔M（QR），%〕〔M（QR），%〕 （ ±s，s） （ ±s，s） （ ±s，s） （ ±s，°） 〔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
a
b
c
注： 表示 H 值； 表示与 HC 组比较，P<0.05； 表示与 aMCI 组比较，P<0.05
表 5 基于 10 个步态特征的 RF 模型和 GBDT 模型区分各组的准确度 的输入特征，得到的结果并不理想。然而，GBDT-RFE
和 AUC 值 选择的前两或者三名特征组合，实现了 RF 和 GBDT 的
Table 5 The accuracy and AUC value of RF model and GBDT model in
distinguishing healthycontrols，amnestic mild cognitive impairment and 最佳性能。因此，本文展示了 GBDT-RFE 计算的各个
Alzheimer's disease patientsbased on 10 gait features 步态特征的重要性（图 1、2）。图 1 识别了 HC 组和
RF GBDT AD 组受试者步态特征的重要性。笔者按照图中排名依
项目
准确度 AUC 准确度 AUC
次将前一名至前五名特征组合训练机器学习模型，通过
自由行走
比较分类准确率发现单任务和双任务选择的最佳特征组
HC 组 /aMCI 组 0.623 5 0.608 3 0.636 6 0.576 5
合是不同的：执行自由行走任务时，最佳特征组合是步
HC 组 /AD 组 0.811 1 0.888 9 0.816 7 0.888 9
速、足趾离地角度、步频；执行双任务倍数 7 测试时，
aMCI 组 /AD 组 0.861 5 0.833 3 0.815 4 0.785 7
倍数 7 测试 最佳特征组合是步速、跨步时间、足趾离地角度；执行
HC 组 /aMCI 组 0.647 7 0.628 6 0.637 3 0.606 8 双任务倒数 100 测试时，最佳特征组合是足跟着地角度、
HC 组 /AD 组 0.838 9 0.916 7 0.836 1 0.875 0 支撑相、步速。图 2 识别了 aMCI 组和 AD 组步态特征
aMCI 组 /AD 组 0.830 8 0.812 5 0.769 2 0.809 5 的重要性。同样，识别 aMCI 和 AD 患者的最佳特征组
倒数 100 测试 合也是不同的：执行自由行走任务时，最佳特征组合是
HC 组 /aMCI 组 0.683 7 0.695 8 0.717 0 0.742 9
足趾离地角度、足跟着地角度；执行双任务倍数 7 时，
HC 组 /AD 组 0.838 9 0.900 0 0.741 7 0.777 8
最佳特征组合是足趾离地角度、步幅；执行双任务倒数
aMCI 组 /AD 组 0.800 0 0.850 0 0.753 8 0.800 0
100 时，最佳特征组合是步幅、足跟着地角度。
注：RF= 随机森林算法，GBDT= 梯度提升决策树算法，AUC= 受
试者工作特征曲线下面积 表 6 总 结 了 GBDT-RFE 选 择 的 特 征 作 为 RF 和
GBDT 分类器的输入特征，经过 10 折交叉验证后的分

患者之间分类准确率最高达 0.861 5。从总体分类效果 类准确度和 AUC 值。HC 组和 AD 组受试者的分类准确
来看，GBDT 的分类效果不如 RF 的分类效果。 率在执行双任务倍数 7 测试时实现了最高（0.905 6），
在 RF 和 GBDT 分类器中使用 RFE 求得最佳步态特 GBDT 也是如此。aMCI 患者和 AD 患者的分类效果不
征组合，使分类准确率达到最高。由于在两个机器学习 如 HC 和 AD 患者，但是准确度最高可达 0.876 9。在执
分类器中，HC 组和 aMCI 组的分类效果不佳，所以只 行双任务倒数 100 测试时，RF 模型和 GBDT 模型区分
对 HC 组 /AD 组、aMCI 组 /AD 组之间进行了重要特征 aMCI 和 AD 的准确率均是最低。从整体分类效果来看，
选择。研究发现将 RF-RFE 选择的特征组合作为分类器 输入重要特征模型的性能优于输入 10 个步态特征模型