有没有抑郁，走两步！( 二 )

“抑郁症确诊主要靠医生的诊断，但专科医生数量不足。 ”朱廷劭对采访人员说， “再加上进行初级筛查的保健医生水平不一，难免出现一些漏诊、误诊。我们希望利用一些生态化的行为（比如步态、姿势、言语）分析，对抑郁症进行识别，在医生常规诊断之外提供—些辅助信息，帮助医生进行诊断。 ”
有效的模型
“已有研究表明，个体姿态控制所涉及的大脑神经网络与抑郁症密切相关。 ”朱廷劭说， “姿态症状已被证明是抑郁症的基本表现。与健康个体相比，抑郁患者在行走过程中的头部垂直运动减少、肢体动作幅度更小、步态速度更低。 ”
设计实验时，研究人员意外发现微软Kinect智能体感设备能以30 Hz采样率，捕获人体25个躯体关节的三维坐标变化。而且， Kinect智能体感设备具有无侵扰、低成本、易于使用的优点，可以方便地采集被试者的步态行为数据并识别抑郁状态， “其在动作捕捉和动作监测上的有效性已经被验证” 。
该研究共招募126名抑郁症患者和121名健康者。病例组为某市属精神卫生医疗机构的抑郁症患者，其诊断结果是由精神科医生根据《精神障碍诊断与统计手册》完成的。对照组是从社会招募的健康人群。所有被试者在6米长、1米宽的人行道上自然地来回行走两分钟，由放置在一端的Kinect智能体感设备记录下步态数据。
研究者对收集数据进行预处理，首先对数据进行切分，截取每个被试正面朝向Kinect智能体感设备行走过程中2个步态循环的数据，目的是为了消除大量重复数据导致的计算效率低和数据冗余问题；然后利用低通滤波器分别对25个躯体关节的数据进行去噪处理。数据预处理完成后，研究者提取了10个运动学特征、300个时域特征和825个频域特征，最后使用逻辑回归分析探究不同类别步态特征对抑郁识别的贡献，并利用机器学习技术训练抑郁识别模型。
多元逻辑回归分析结果显示，运动学、时域和频域特征可以解释因变量（抑郁）的变异性分别为12.55%、58.36%和60.71% 。同时，利用机器学习技术构建的基于步态特征的抑郁识别模型是有效的。
提升筛查效率
研究者认为，与传统心理测量方法相比，这种基于步态数据的抑郁识别方法具有无侵扰、可回溯、自动化等特点，因此将该方法与传统测量方法相结合能够有效地提升心理测量的应用范围与测量效率。
“这种客观数据对用户来讲更方便一些。 ”朱廷劭说， “因为不需要庞大的设备，也没有复杂的操作，只要走几步路就能够得出结果。 ”
朱廷劭认为，从原理上来说，在大规模筛查时，比如，在医院划出一定空间，装一个3D摄像头（有三维识别功能），参与筛查者从一小段路上走一两分钟，就可以通过步态来识别是否有抑郁症倾向。这种方法还可以用于学校、工厂、养老院甚至家庭内部成员的抑郁倾向筛查预警。