基于步态时空数据特征的大学生抑郁风险识别研究

1. 引言

大学生心理健康问题已成为全球高等教育面临的重大挑战，苏格兰地区 60% 的大学生报告存在中重度抑郁症状，中国《国民心理健康发展报告（2021-2022 年）》同样指出大学生抑郁症高发态势令人担忧，这种心理健康危机不仅严重影响学生的学业表现和生活质量，更可能导致自伤、自杀等极端后果。传统的抑郁症识别方法主要依赖临床量表评估和专业医师的主观判断，如健康问卷抑郁量表（PHQ-9）、抑郁自评量表（SDS）和汉密尔顿抑郁量表（HAMD）等，但存在主观性强、识别滞后、依赖患者自我报告等局限性，加之心理健康污名化导致许多学生不愿主动寻求帮助，使得抑郁症状被延误诊断和治疗。步态分析作为一种新兴的客观评估手段为心理健康服务带来了革命性变化，步态涉及运动皮层、基底节、小脑和前额叶皮层等多个脑区的复杂神经网络调控，抑郁症患者在步长缩短、步频降低、步态变异性增加等方面表现出显著改变，这些步态特征的异常反映了前额叶皮层执行功能缺陷对运动控制系统的影响。随着消费级设备普及和机器学习技术进步，基于步态特征的抑郁识别模型准确率已超 90% ，为心理健康服务提供了客观、非侵入性、易于实施的新工具，能够实现大规模筛查和早期干预，从根本上改变传统心理健康评估的主观依赖模式。本综述旨在系统梳理步态时空数据特征在大学生抑郁风险识别中的应用现状，为心理健康服务的数字化转型提供科学依据和技术指引。

2. 步态与抑郁关系的理论基础

2.1 神经生物学机制

步态与抑郁之间的关联建立在复杂的神经生物学基础之上，涉及多个脑区和神经环路的相互作用。前额叶皮层作为执行功能和情绪调节的核心区域在这一关联中发挥关键作用，研究表明抑郁症患者前额叶皮层存在显著功能异常，特别是腹内侧前额叶皮层（vmPFC）的过度激活和背外侧前额叶皮层（dlPFC）的活动不足，这种不平衡的神经活动模式直接影响个体的认知控制能力和运动调节功能 (Jiang,2024)。运动皮层- 基底节- 小脑环路构成了步态控制的基本神经网络，而情感调节则主要依赖于前额叶 - 边缘系统环路，这两个看似独立的系统实际上存在广泛的解剖和功能连接，研究证实中脑 - 皮层通路的损伤是连接认知障碍、冷漠和步态功能障碍的共同神经基础，当抑郁症导致前额叶皮层功能受损时，不仅影响情绪调节和认知控制，同时也会干扰步态精细控制所需的注意资源分配和执行监控。神经递质系统的异常进一步加剧了这种关联，抑郁症患者普遍存在多巴胺、去甲肾上腺素和 5- 羟色胺等神经递质的失衡，这些神经递质不仅调节情绪状态也直接参与运动控制，前额叶皮层的 γ- 氨基丁酸（GABA）能缺陷及环路功能障碍是抑郁症的典型特征性改变，这种抑制性神经传递的缺失导致神经兴奋性与抑制性之间的失衡，进而影响精细运动控制和步态协调性。

2.2 心理认知理论支撑

体现认知理论（Embodied Cognition Theory）为理解步态 - 抑郁关联提供了重要的理论框架，该理论认为认知过程并非独立于身体的抽象计算，而是深度嵌入于身体的感觉运动经验中，心理状态的变化会直接反映在身体运动模式的改变上，这为利用步态特征识别抑郁风险提供了理论依据 (Niedenthal, 2007)。执行功能理论进一步阐释了这一关联的认知机制，执行功能包括工作记忆、认知灵活性和抑制控制等核心成分，这些功能主要由前额叶皮层支持，研究显示抑郁症患者存在显著的执行功能缺陷，特别是在注意控制和认知灵活性方面，当执行功能受损时个体在进行双重任务（如边走路边思考）时会表现出更明显的步态不稳定性，这反映出认知资源分配上的困难 (Doumas,Smolders, Brunfaut, Bouckaert, & Krampe, 2012)。注意资源分配理论则强调了认知负荷对步态控制的影响，正常步态虽然看似自动化但实际上需要持续的注意监控和认知调节，前人研究表明前扣带回皮层作为注意网络的核心，其功能异常会同时影响情绪调节和运动控制，抑郁症患者由于注意资源被消极思维和反刍占用，用于步态控制的认知资源相对不足，最终发生步态特征的改变 (Tang, Yang, Leve, & Harold,2012)。

3. 步态时空数据特征提取技术

步态时空数据特征提取需要从时间维度和空间维度两个层面进行系统分析，构建完整的双维度分析框架这种双维度分析框架的核心在于时空数据的融合分析，通过构建时空耦合的特征提取模型，能够更全面地捕获抑郁症患者步态的复杂变化模式，为评估抑郁风险提供完整的数据基础。

3.1 空间维度特征提取

空间维度特征主要描述步态运动在三维空间中的几何特性和姿态配置，为抑郁风险识别提供关键的空间信息。基本空间参数方面，步长作为最核心的空间特征反映个体的运动能力和步态效率，抑郁症患者的步长通常较健康人群缩短 10-20% ，这种缩短与动机减退、肌肉张力降低和运动计划能力下降密切相关；步宽则反映个体维持平衡的策略，抑郁症患者往往表现出更宽的步宽以维持稳定性。关节角度特征提供了更细致的空间运动信息，在抑郁症患者中，髋关节、膝关节及踝关节在步态周期中的角度变化模式呈现出特征性改变，尤其是髋关节屈曲角度的减小和膝关节活动度的降低反映了运动范围的受限，而肩关节和肘关节的运动模式也同样重要，表现为摆动幅度的明显减小。身体姿态特征描述了躯干和头部的空间配置，抑郁症患者典型表现为躯干前倾、头部下垂、肩膀内收等“沮丧姿态”，这些姿态特征不仅是抑郁情绪的外在表现，还可能通过体现认知的反馈机制来影响情绪状态。重心轨迹分析提供整体运动控制的空间信息，抑郁症患者的重心轨迹往往表现出更大的侧向摆动和更小的前向推进力，反映了步态稳定性和推进效率的下降，重心在支撑面内的分布模式也呈现更加保守的稳定性策略。

3.2 时间维度特征提取

时间维度特征关注步态运动的时序动力学特性，通过分析运动的时间规律来识别抑郁相关的异常模式。基础时间参数中，步频反映个体的运动节律，抑郁症患者的步频通常低于健康人群，表现为更慢的运动节奏，这与精神运动性迟滞和动机缺乏直接相关；行走速度作为时空耦合特征，综合反映了空间和时间维度的运动能力。步态周期的时相分析提供了更详细的时间维度信息，正常步态周期包括支撑相（约占 60% ）和摆动相（约占 40% ）以及八个子时相，抑郁症患者在时相分布上表现出特征性改变，特别是支撑相时间的延长和摆动相时间的相对缩短，反映了更加谨慎保守的步态策略。步态变异性是重要的时间维度特征，量化连续步态周期间的时间参数变化，正常情况下健康成年人的步态具有相对较小的周期间变异，而抑郁症患者的步态变异性显著增加，即步态周期、支撑时间和摆动时间的不一致性增加，这可能与注意力缺陷和执行功能受损有关。对称性指标可量化左右肢体运动的时间同步性，抑郁症患者往往表现出对称性的降低，这种不对称性可能反映大脑半球间协调功能的异常。步态稳定性的时间特征通过分析连续步态周期的一致性来评估，局部动态稳定性指标如最大Lyapunov 指数能够量化步态系统对小扰动的敏感性，抑郁症患者易呈现更高的局部不稳定性，表明其步态控制系统的敏感性增加和恢复能力的下降。

3.3 时空耦合特征分析

时空耦合特征是理解抑郁症步态异常的关键，它综合了空间和时间维度的信息，揭示了运动控制的深层机制。步长 - 步频关系是经典的时空耦合指标，正常人群在不同行走速度下保持相对稳定的步长 -步频关系，而抑郁症患者通常表现为在给定速度下选择更短的步长和更低的步频，反映了运动策略的异常表现。相位协调分析揭示了肢体间运动的时空耦合模式，正常步态中对侧肢体保持反相位协调（相位差约为 180 度）、同侧肢体保持同相位协调，抑郁症患者的相位协调稳定性降低，表现为相位差的变异性增加和协调模式的不稳定性。步态对称性的时空分析不仅考虑空间参数（如左右步长差异）和时间参数（如左右步态周期差异），还关注时空耦合的对称性，抑郁症患者在时空耦合层面的不对称性更加明显，反映了更深层次的运动控制异常。动态稳定裕度结合了空间位置和时间速度信息，评估个体在动态行走过程中维持稳定的能力，这一指标综合考虑了重心位置、速度和支撑面的时空关系，为理解抑郁症患者的动态平衡控制提供了重要信息。通过这种时空双维度的系统性特征提取，能够构建更加完整和精确的抑郁症步态特征图谱，为后续的识别模型和临床应用提供坚实的数据基础。

4. 现有研究成果分析与评价

4.1 研究发展历程与里程碑

基于步态时空数据特征的大学生抑郁风险识别研究起源于 2018年，经历了从概念验证到技术成熟的快速发展历程。一项采用随机森林分类器对 95 名研究生展开的开创性研究，对动作特征的识别准确率高达 91.58% ，首次系统验证了步态特征与抑郁症状的关联性，并且研究还表明了上半身运动特征的有效性，仅凭垂直头部运动、头部姿态、手臂摆动等特征，便能够实现 87.37% 的准确率，从而突破了传统步态分析的局限性，标志着该领域的重要突破(Fang et al., 2019)。此外，在时空数据特征提取领域也取得了显著进展。有学者提出基于改进循环神经网络和协方差矩阵方法的识别框架，通过分析步态参数的时空相关性更准确地识别了与抑郁相关的异常运动模式，在包含 158 名参与者的数据集中实现了 89.2% 的准确率 (Wang, Wang, Liu,& Zhu, 2021)。另外结合步态特征与静息态脑电图数据构建多模态识别模型对 203 名大学生进行测试，结果发现步态与脑电特征间存在显著的协同效应，其准确率可达 90.1% ，为多模态数据融合研究作出重要贡献 (L. Li et al., 2023)。基于卷积神经网络的情绪识别与心理治疗系统的开发大大促进了技术应用领域的发展，该技术不仅能实现92.35% 的高识别准确率，还赢得了 45% 用户的高满意度评价，充分展现了其实际应用的可行性与广泛的接受度 (Chen, Liang, & Xu, 2022)。

4.2 技术方法演进分析

研究方法经历了从传统机器学习到深度学习再到多模态融合的技术演进过程，每个阶段都体现了方法论的重要进步。早期研究主要采用支持向量机（SVM）、随机森林（RF）等传统方法，这些方法具有可解释性强、对小样本适应性高等优势，已有研究表明随机森林在步态抑郁识别中表现优异，能够处理高维特征数据并提供特征重要性排序。深度学习方法的引入标志着技术的重大进步，深度集成支持向量算法（DISVM）代表了早期深度学习尝试 (Ding, Chen, Fu, & Zhong,2020)，随后循环神经网络（RNN）和长短期记忆网络（LSTM）被广泛应用于处理步态时间序列数据，能够更好地捕获时间依赖关系。图卷积网络（GCN）的应用代表了技术发展的最新趋势，由于人体骨骼结构天然构成图结构，GCN 能够直接建模关节点之间的空间关系和时间演化，在捕获步态的空间 - 时间动力学方面具有显著优势。多模态融合技术已成为提升识别性能的关键方向，探索步态数据与语音、面部表情、生理信号等多种模态的融合研究表明，步态 - 脑电融合模型具有显著的有效性，多模态方法能够大幅度提升识别准确率和鲁棒性，为该领域的技术发展指明了新的方向 (L. Li et al., 2023)。

4.3 关键技术指标评估

当前研究在识别准确率方面取得了显著进展，主要研究的准确率分布在 87.6%-92.35% 之间，平均准确率约为 90.1% ，已接近临床应用要求。敏感性（真阳性率）集中在 85%-90% 之间，特异性（真阴性率）表现更佳，多数研究超过 92% ，AUC 值普遍在 0.85-0.95 之间，其中 Fang 等人达到 0.899(Fang et al., 2019)， Wang 等人达到 0.892(Wanget al., 2021)，表明模型具有良好的判别能力和诊断价值。特征重要性分析揭示了关键判别特征的权重分布：步行速度是最一致且判别力最强的特征（权重约 24% ），身体摆动特征排名第二（ 19% ），步幅长度排名第三（ 16% ），这些发现与临床观察高度一致，为理解抑郁症步态机制提供了重要线索。模型的计算复杂度和实时性评估显示，传统机器学习方法具有计算效率高的优势，在普通计算机上即可实现实时处理，而深度学习方法虽然准确率更高但计算复杂度也相应增加，随着硬件性能提升和算法优化，深度学习模型的实时性问题正在逐步解决。

5. 未来发展方向与展望

基于步态时空数据特征的大学生抑郁风险识别技术正处于从实验室向实际应用转化的关键阶段，未来发展将围绕技术突破、应用拓展和挑战应对三个维度推进。技术方面，多模态数据融合将成为核心方向，通过整合步态、语音、面部表情等信息，有望将识别准确率从目前的 80-95% 提升至 97% 以上，边缘计算与实时检测技术将推动系统从离线分析向实时监测转变，个性化模型构建将为不同用户提供定制化服务。应用方面，校园心理健康筛查系统将成为先导场景，通过在公共场所部署非侵入式传感设备实现持续监测，社区抑郁风险监测网络将构建更广泛的防护体系，远程心理健康服务平台将打破地理限制。挑战应对方面，需重点解决隐私保护与数据安全、技术标准化、临床转化等关键问题，建议采用联邦学习、差分隐私等技术保护个人隐私，建立标准化组织制定行业规范，构建医工结合平台促进跨学科合作，开展大规模多中心研究验证跨文化适用性。这需要产学研医协同努力，通过技术与制度创新双重推动，实现该技术的成功转化应用。

6. 结论

本综述系统梳理了基于步态时空数据特征的大学生抑郁风险识别研究，验证了步态与抑郁症状间稳定关联性的神经生物学基础。现有研究表明该技术识别准确率已超过 90% ，通过时空双维度特征分析框架能够更全面地捕获抑郁症患者的步态异常模式，具备了临床应用的技术基础。该技术将为心理健康服务数字化转型提供重要支撑，促进客观、精准的心理健康评估体系建设，为构建覆盖预防、识别、干预的大学生心理健康服务体系提供关键技术保障。

参考文献：

[1] Chen, M. W., Liang, X. J., & Xu, Y. (2022). Construction and Analysis of Emotion Recognition and Psychotherapy System of College Students under Convolutional Neural Network and Interactive Technology. Computational Intelligence and Neuroscience, 2022, 11. doi:10.1155/2022/5993839

[2] Ding, Y., C