陶帥，韓星，孔麗文，汪祖民，謝海群

隨著我國老齡化社會的到來，與年齡密切相關(guān)的認(rèn)知障礙，包括癡呆的患病率，近年來呈明顯增加的趨勢。認(rèn)知障礙包括幾種情況，癥狀從輕度〔如輕度認(rèn)知障礙（MCI）〕到重度〔如阿爾茨海默病（AD）和其他癡呆〕[1]。AD被世界衛(wèi)生組織確認(rèn)為全球公共衛(wèi)生重點(diǎn)[2]。MCI是指正常衰老和癡呆之間的過渡階段。MCI分為遺忘型MCI（aMCI）和非遺忘型MCI，aMCI主要影響短期記憶或長期記憶[3]。最確定的AD前期亞型是aMCI，被認(rèn)為是AD的前驅(qū)癥狀，年轉(zhuǎn)換率為6%～25%[4]。除了認(rèn)知障礙外，MCI患者還可能出現(xiàn)運(yùn)動(dòng)功能障礙，例如步態(tài)障礙[5]。而步態(tài)障礙在AD患者中也很常見。先前的研究表明，步態(tài)與認(rèn)知有著密切的關(guān)系[6]。例如，ROSSO等[7]發(fā)現(xiàn)步態(tài)減慢與認(rèn)知障礙之間的關(guān)聯(lián)得到了共同神經(jīng)基質(zhì)的支持，該基質(zhì)包括較小的右側(cè)海馬體。由于步態(tài)與認(rèn)知能力相關(guān)，因此具有不同的認(rèn)知能力的人群所表現(xiàn)的步態(tài)狀態(tài)也不一樣，越來越多的研究證明了這一點(diǎn)。BEAUCHET等[8]在采用步態(tài)評估癡呆患者時(shí)發(fā)現(xiàn)，步長的高平均值和變異系數(shù)是中度癡呆的特征，而步幅時(shí)間變異系數(shù)的增加則與MCI狀態(tài)有關(guān)。另外有研究發(fā)現(xiàn)MCI組與AD組在單任務(wù)和雙任務(wù)的起立行走測試時(shí)，所測的部分步態(tài)參數(shù)差異有統(tǒng)計(jì)學(xué)意義[9]。本研究在此基礎(chǔ)上通過機(jī)器學(xué)習(xí)建立分類模型，同時(shí)以aMCI患者和AD患者為研究對象，目的是確定基于步態(tài)的最佳機(jī)器學(xué)習(xí)模型和臨床相關(guān)的重要步態(tài)特征，用于識別aMCI患者和AD患者。

1 對象與方法

1.1 研究對象 2018年12月至2020年12月，從國家康復(fù)輔具研究中心附屬康復(fù)醫(yī)院、佛山市第一人民醫(yī)院和大連大學(xué)附屬中山醫(yī)院招募了102例受試者，按照納入與排除標(biāo)準(zhǔn)最終納入98例受試者，其中55例為aMCI患者，10例為AD患者，33例為健康對照（HC）者。本研究獲得了佛山市第一人民醫(yī)院研究倫理委員會的倫理學(xué)批準(zhǔn)（審批號：IA-201944），并在入組時(shí)獲得參與者的書面知情同意書。

aMCI患者的納入標(biāo)準(zhǔn)：（1）有患者報(bào)告的主觀認(rèn)知主訴，并通過訪談確定，最好由知情人確認(rèn)；（2）單域或多域認(rèn)知能力下降，并以記憶力損害為典型表現(xiàn)（低于與年齡和受教育程度匹配的HC的1.5個(gè)標(biāo)準(zhǔn)差）；（3）經(jīng)臨床醫(yī)生訪談確認(rèn)日常生活活動(dòng)能力保留；（4）臨床癡呆評定（Clinical Dementia Rating，CDR）量表評分 =0.5 分[10]。

AD患者的納入標(biāo)準(zhǔn)：（1）均符合美國國立神經(jīng)病語言障礙卒中研究所和阿爾茨海默病及相關(guān)疾病學(xué)會的AD診斷標(biāo)準(zhǔn)[11]。（2）簡易精神狀態(tài)檢查（Mini-Mental State Examination，MMSE）量表提示癡呆：評分≤17分（文盲）或評分≤20分（小學(xué)畢業(yè)）或評分≤24分（初中畢業(yè)及以上）[12]。（3）蒙特利爾認(rèn)知評估（Montreal Cognitive Assessment，MoCA）量表提示認(rèn)知受損：最佳劃界分值為19分（受教育年限≤6年）或22分（受教育年限7～＜12年）或24分（受教育年限≥12年）[13]。（4）CDR量表評分=1分。（5）具有以下特征的早期、顯著性的情景記憶損害：①患者本人或知情者報(bào)告的持續(xù)6個(gè)月以上的緩慢進(jìn)展的記憶功能變化；②顯著情景記憶損害的客觀證據(jù)，包括不能被線索提示、再認(rèn)測試改善或糾正的回憶困難；③情景記憶損害在起病或疾病進(jìn)展過程中可以單獨(dú)存在，或與其他認(rèn)知功能改變共存。（6）顱腦計(jì)算機(jī)X線斷層掃描（CT）顯示無明顯異常或僅為腦萎縮。

HC的納入標(biāo)準(zhǔn)：（1）MMSE量表評分≥25分；（2）認(rèn)知正常，由知情人確認(rèn)；（3）CDR量表評分=0分。

所有參與者的排除標(biāo)準(zhǔn)：（1）文盲；（2）存在任何可能導(dǎo)致認(rèn)知和運(yùn)動(dòng)障礙的神經(jīng)系統(tǒng)疾病和其他系統(tǒng)性疾?。ㄗ渲胁∈贰⑴两鹕?、癲癇、腦創(chuàng)傷等）、影響下肢的活動(dòng)性風(fēng)濕病和骨科疾病、膝關(guān)節(jié)病史/髖關(guān)節(jié)置換術(shù)等。

1.2 研究方法 在“面對面”訪談時(shí)收集參與者的基本情況，包括年齡、身高、體質(zhì)量和鞋碼。采用MMSE量表和MoCA量表評估整體認(rèn)知功能，使用CDR量表評估認(rèn)知受損程度。認(rèn)知域的評估包括記憶力、執(zhí)行能力、注意力和語言評估，評估方法分別為聽覺詞語學(xué)習(xí)測驗(yàn)（AVLT）[14]、Stroop 色詞測驗(yàn)（SCWT）[15]、符號數(shù)字模式測驗(yàn)（SDMT）[16]、波士頓命名測驗(yàn)（BNT）[17]。使用日常生活活動(dòng)評估量表（Activities Of Daily Living，ADL）評估患者在日常生活中的自我護(hù)理能力[18]。步態(tài)測試：所有步態(tài)測試均是在佛山市第一人民醫(yī)院寬敞走廊內(nèi)使用可穿戴步態(tài)采集設(shè)備完成。可穿戴步態(tài)采集設(shè)備常以鞋或鞋墊的形式嵌入傳感器模塊采集受試者步態(tài)信息，配合穿戴于肢體和軀干的整合角度計(jì)模塊與足部信息可以得出下肢與軀干的運(yùn)動(dòng)動(dòng)態(tài)角度信息[19]。所有參與者需要穿戴步態(tài)采集設(shè)備完成3個(gè)步態(tài)測驗(yàn)（1個(gè)單任務(wù)測驗(yàn)，2個(gè)雙任務(wù)測驗(yàn)），行走長度＞10 m。單任務(wù)測驗(yàn)，即自由行走，參與者以舒適的速度行走，無任何額外的行為。雙任務(wù)測驗(yàn)包括倍數(shù)7和倒數(shù)100測試。倍數(shù)7測試：在平整的地面進(jìn)行測試，參與者開始行走，同時(shí)計(jì)數(shù)7的倍數(shù)（如7、14、21......）。倒數(shù)100測試：在平整的地面進(jìn)行測試，參與者開始行走，并開始進(jìn)行從100倒計(jì)數(shù)（如100、99、98......）。3個(gè)步態(tài)測驗(yàn)采集的步態(tài)參數(shù)一致，包括步幅、步速、步頻、支撐相、擺動(dòng)相、跨步時(shí)間、支撐時(shí)間、擺動(dòng)時(shí)間、足趾離地角度和足跟著地角度。

1.3 統(tǒng)計(jì)學(xué)方法 使用SPSS 26.0軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料以相對數(shù)表示，組間比較采用χ2檢驗(yàn)。計(jì)量資料首先使用Shapiro-Wilk檢驗(yàn)每組數(shù)據(jù)的正態(tài)性，然后使用Levene's檢驗(yàn)每組數(shù)據(jù)的方差齊性。符合正態(tài)分布且方差齊的數(shù)據(jù)，以（±s）表示，多組間比較采用單因素方差分析，然后使用LSD事后檢驗(yàn)進(jìn)行組間兩兩比較；非正態(tài)分布或方差不齊的數(shù)據(jù)，以中位數(shù)（四分位數(shù)間距）〔M（QR）〕表示，多組間比較采用Kruskal-Wallis H檢驗(yàn)，然后使用事后多重比較進(jìn)行組間兩兩比較。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

1.4 分類建模 使用隨機(jī)森林算法（RF）和梯度提升決策樹算法（GBDT）建立模型，10個(gè)步態(tài)參數(shù)作為預(yù)測變量，疾病狀態(tài)（HC、aMCI、AD）作為響應(yīng)變量。每種機(jī)器學(xué)習(xí)算法建立了3個(gè)模型，分別是HC/aMCI、HC/AD和aMCI/AD。使用10倍交叉驗(yàn)證評估每個(gè)模型的性能。

RF是bagging的一種擴(kuò)展，是由BREIMAN[20]提出的一種分類算法。其計(jì)算效率高，可以在大型數(shù)據(jù)集上快速運(yùn)行，已被應(yīng)用于不同領(lǐng)域[21]。RF由一組決策樹組成，其中每個(gè)樹都包含拆分節(jié)點(diǎn)和葉節(jié)點(diǎn)[22]，然而RF使用每個(gè)節(jié)點(diǎn)上隨機(jī)選擇的變量中的最佳節(jié)點(diǎn)將每個(gè)節(jié)點(diǎn)拆分為分支，而不是在所有變量中使用最佳分支[23]。實(shí)際上RF中的每棵決策樹都是一個(gè)分類器（假設(shè)現(xiàn)在針對的是分類問題），對于一個(gè)輸入樣本，N棵樹會有N個(gè)分類結(jié)果，而隨機(jī)森林集成了所有的分類投票結(jié)果，將投票次數(shù)最多的類別指定為最終的輸出。該算法具有多個(gè)必須由用戶設(shè)置的超參數(shù)，例如節(jié)點(diǎn)必須包含的最小樣本數(shù)和樹的數(shù)量等[24]。RF的優(yōu)點(diǎn)包括：在決策樹中隨機(jī)選擇樣本可以在一定程度上避免過度擬合;隨機(jī)選擇樣品可以增強(qiáng)抗噪性;可以處理高尺寸樣品，無須因素篩選[25]。

GBDT是FRIEDMAN[26]在1999年提出的一種迭代決策樹算法，該算法由多棵決策樹組成，所有樹的結(jié)論累加起來為最終結(jié)果，被認(rèn)為是泛化能力較強(qiáng)的一種算法。GBDT是一種用于回歸和分類問題的機(jī)器學(xué)習(xí)技術(shù)，基本思想是將一系列弱基分類器組合成一個(gè)強(qiáng)基分類器[27]，學(xué)習(xí)過程是基于特征和響應(yīng)數(shù)據(jù)集構(gòu)建梯度提升樹分類或回歸模型，然后使用分類和回歸模型對新的傳入樣本進(jìn)行分類/預(yù)測[28]。GBDT模型采用梯度下降法，將決策樹法與bagging 和 boosting算法相結(jié)合，解決傳統(tǒng)決策樹的過擬合問題[25]。GBDT和隨機(jī)森林最本質(zhì)的區(qū)別是GBDT中的每一棵樹學(xué)習(xí)的是之前所有樹的結(jié)論和殘差（殘差為真實(shí)值減去預(yù)測值）。

1.5 特征選擇技術(shù) 本研究在RF和GBDT分類器中使用遞歸特征消除技術(shù)（recursive feature elimination，RFE）進(jìn)行重要特征選擇，減少分類器的輸入變量。RFE是一種基于包裝器的特征排名算法，通過執(zhí)行優(yōu)化算法在空間內(nèi)搜索最佳特征子集[29]，消除特征之間的冗余。例如，基于GBDT分類器的RFE：（1）將10個(gè)步態(tài)特征作為初始特征子集輸入GBDT分類器，計(jì)算每個(gè)特征的重要性分?jǐn)?shù)；（2）然后從當(dāng)前特征子集中移除重要性分?jǐn)?shù)最低的一個(gè)特征，得到新的特征子集，再次輸入GBDT分類器，計(jì)算每個(gè)特征的重要性分?jǐn)?shù)；（3）遞歸地重復(fù)步驟2，直至剩余的特征數(shù)量達(dá)到所需的特征數(shù)量，然后利用10倍交叉驗(yàn)證方法得到最佳特征子集的分類精度。本研究使用了Python中scikit-learn庫進(jìn)行建模和重要特征選擇。

2 結(jié)果

2.1 三組受試者基本情況比較 三組受試者年齡、性別、身高、體質(zhì)量、鞋碼比較，差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）；MMSE量表評分、MoCA量表評分比較，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05），見表1。

表1 三組受試者基本情況比較Table 1 Comparison of basic information of three groups of subjects

2.2 三組受試者自由行走測試時(shí)步態(tài)參數(shù)比較 三組受試者自由行走測試時(shí)步幅、步速、足趾離地角度和足跟著地角度比較，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。進(jìn)一步兩兩比較結(jié)果顯示，aMCI組和AD組受試者步幅較HC組短，足跟著地角度較HC組小；AD組步速較HC組和aMCI組受試者慢，足趾離地角度較HC組?。≒＜0.05），見表2。

表2 三組受試者自由行走測試時(shí)步態(tài)參數(shù)比較Table 2 Comparison of gait parameters of three groups of subjects during the free walking test

2.3 三組受試者雙任務(wù)倍數(shù)7測試時(shí)步態(tài)參數(shù)比較三組受試者雙任務(wù)倍數(shù)7測試時(shí)步速、支撐時(shí)間、足趾離地角度和足跟著地角度比較，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。進(jìn)一步兩兩比較結(jié)果顯示，aMCI組和AD組受試者步速較HC組慢，足趾離地角度和足跟著地角度較HC組?。籄D組支撐時(shí)間較HC組長，足趾離地角度較aMCI組?。≒＜0.05），見表3。

表3 三組受試者雙任務(wù)倍數(shù)7測試時(shí)步態(tài)參數(shù)比較Table 3 Comparison of gait parameters of three groups of subjects during performing the dual-task of counting backwards in sevens

2.4 三組受試者雙任務(wù)倒數(shù)100測試時(shí)步態(tài)參數(shù)比較三組受試者雙任務(wù)倒數(shù)100測試時(shí)步幅、步速、足趾離地角度和足跟著地角度比較，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。進(jìn)一步兩兩比較結(jié)果顯示，AD組步速較HC組和aMCI組受試者慢，足趾離地角度和足跟著地角度較HC組和aMCI組小，步幅較HC組短；aMCI組足跟著地角度較HC組?。≒＜0.05），見表4。

表4 三組受試者雙任務(wù)倒數(shù)100測試時(shí)步態(tài)參數(shù)比較Table 4 Comparison of gait parameters of three groups of subjects during performing the dual-task of counting backwards from 100

2.5 建立模型和特征選擇 以步態(tài)采集設(shè)備采集的10個(gè)步態(tài)特征作為輸入特征，參與者的疾病狀態(tài)作為標(biāo)簽，通過不斷訓(xùn)練RF和GBDT進(jìn)行分類建模。表5總結(jié)了基于10個(gè)步態(tài)特征的RF模型和GBDT模型區(qū)分各組的準(zhǔn)確度和受試者工作特征曲線下面積（AUC）值。在執(zhí)行單任務(wù)行走和雙任務(wù)行走時(shí)，HC和aMCI患者之間的分類效果均不理想，分類準(zhǔn)確度和AUC值均在0.700 0以下。然而，HC和AD患者之間分類效果比較好，在RF模型中分類準(zhǔn)確度和AUC值均可達(dá)0.800 0以上，甚至在雙任務(wù)倍數(shù)7和倒數(shù)100測試時(shí)，AUC值達(dá)0.900 0以上。在RF模型中，執(zhí)行自由行走任務(wù)的aMCI和AD患者之間分類準(zhǔn)確率最高達(dá)0.861 5。從總體分類效果來看，GBDT的分類效果不如RF的分類效果。

表5 基于10個(gè)步態(tài)特征的RF模型和GBDT模型區(qū)分各組的準(zhǔn)確度和AUC值Table 5 The accuracy and AUC value of RF model and GBDT model in distinguishing healthycontrols，amnestic mild cognitive impairment and Alzheimer's disease patientsbased on 10 gait features

在RF和GBDT分類器中使用RFE求得最佳步態(tài)特征組合，使分類準(zhǔn)確率達(dá)到最高。由于在兩個(gè)機(jī)器學(xué)習(xí)分類器中，HC組和aMCI組的分類效果不佳，所以只對HC組/AD組、aMCI組/AD組之間進(jìn)行了重要特征選擇。研究發(fā)現(xiàn)將RF-RFE選擇的特征組合作為分類器的輸入特征，得到的結(jié)果并不理想。然而，GBDT-RFE選擇的前兩或者三名特征組合，實(shí)現(xiàn)了RF和GBDT的最佳性能。因此，本文展示了GBDT-RFE計(jì)算的各個(gè)步態(tài)特征的重要性（圖1、2）。圖1識別了HC組和AD組受試者步態(tài)特征的重要性。筆者按照圖中排名依次將前一名至前五名特征組合訓(xùn)練機(jī)器學(xué)習(xí)模型，通過比較分類準(zhǔn)確率發(fā)現(xiàn)單任務(wù)和雙任務(wù)選擇的最佳特征組合是不同的：執(zhí)行自由行走任務(wù)時(shí)，最佳特征組合是步速、足趾離地角度、步頻；執(zhí)行雙任務(wù)倍數(shù)7測試時(shí)，最佳特征組合是步速、跨步時(shí)間、足趾離地角度；執(zhí)行雙任務(wù)倒數(shù)100測試時(shí)，最佳特征組合是足跟著地角度、支撐相、步速。圖2識別了aMCI組和AD組步態(tài)特征的重要性。同樣，識別aMCI和AD患者的最佳特征組合也是不同的：執(zhí)行自由行走任務(wù)時(shí)，最佳特征組合是足趾離地角度、足跟著地角度；執(zhí)行雙任務(wù)倍數(shù)7時(shí)，最佳特征組合是足趾離地角度、步幅；執(zhí)行雙任務(wù)倒數(shù)100時(shí)，最佳特征組合是步幅、足跟著地角度。

圖1 不同行走測試時(shí)的步態(tài)特征識別HC和AD患者的重要性Figure 1 The importance of gait characteristics during performingdifferent walking tests in identifying healthycontrols and Alzheimer's disease patients

圖2 不同行走測試時(shí)的步態(tài)特征識別aMCI患者和AD患者的重要性Figure 2 The importance of gait characteristics during performing different walking tests in identifying amnestic mild cognitive impairment and Alzheimer's disease patients

表6總結(jié)了GBDT-RFE選擇的特征作為RF和GBDT分類器的輸入特征，經(jīng)過10折交叉驗(yàn)證后的分類準(zhǔn)確度和AUC值。HC組和AD組受試者的分類準(zhǔn)確率在執(zhí)行雙任務(wù)倍數(shù)7測試時(shí)實(shí)現(xiàn)了最高（0.905 6），GBDT也是如此。aMCI患者和AD患者的分類效果不如HC和AD患者，但是準(zhǔn)確度最高可達(dá)0.876 9。在執(zhí)行雙任務(wù)倒數(shù)100測試時(shí)，RF模型和GBDT模型區(qū)分aMCI和AD的準(zhǔn)確率均是最低。從整體分類效果來看，輸入重要特征模型的性能優(yōu)于輸入10個(gè)步態(tài)特征模型的性能。相比GBDT模型的性能，RF模型的性能更佳。

表6 基于重要步態(tài)特征的RF模型和GBDT模型區(qū)分各組的準(zhǔn)確度和AUC值Table 6 The accuracy and AUC value of RF model and GBDT model in distinguishing healthy controls，amnestic mild cognitive impairment and Alzheimer's disease patients based on important gait features

3 討論

本研究旨在使用單、雙任務(wù)評估的步態(tài)數(shù)據(jù)探索最佳機(jī)器學(xué)習(xí)分類模型，以識別HC、aMCI和AD，并根據(jù)驗(yàn)證過的分類模型進(jìn)行重要特征選擇，以找到各組間的最佳特征組合。本研究結(jié)果顯示，RF模型識別HC、aMCI和AD的整體性能優(yōu)于GBDT模型。RF模型通過將GBDT-RFE選擇的前兩名或者三名特征作為輸入特征，在本研究中實(shí)現(xiàn)了HC組/AD組和aMCI組/AD組的最高分類準(zhǔn)確率。HC組/AD組的最高分類準(zhǔn)確率為 0.905 6，AUC 值為 0.944 4。aMCI組 /AD 組的最高分類準(zhǔn)確率為 0.876 9，AUC 值為 0.933 3。

既往研究顯示，有認(rèn)知障礙者和健康人群的步態(tài)周期（支撐相、擺動(dòng)相、支撐時(shí)間、擺動(dòng)時(shí)間）和運(yùn)動(dòng)學(xué)參數(shù)（步幅、步速、步頻、跨步時(shí)間）比較，差異有統(tǒng)計(jì)學(xué)意義[30-31]。很少有研究使用時(shí)間-空間參數(shù)（足趾離地角度、足跟著地角度）作為評估認(rèn)知障礙的因素，但是有研究發(fā)現(xiàn)足趾離地角度和足跟著地角度是區(qū)分健康人群和有步態(tài)障礙者的重要且靈敏的指標(biāo)[32-33]。本課題組前期研究發(fā)現(xiàn)足趾離地角度和足跟著地角度可能是區(qū)分卒中后癡呆和AD的典型步態(tài)特征[34]。因此，本研究將單雙任務(wù)的步態(tài)周期、運(yùn)動(dòng)學(xué)參數(shù)和時(shí)間-空間參數(shù)3個(gè)領(lǐng)域的步態(tài)參數(shù)納入。研究結(jié)果顯示，單任務(wù)行走和雙任務(wù)行走的部分步態(tài)特征（步幅、步速、支撐時(shí)間、足趾離地角度和足跟著地角度）可用來區(qū)分HC組與aMCI組、HC組與AD組、aMCI組與AD組受試者。重要的是，足趾離地角度和足跟著地角度不但在各組間有差異，也被機(jī)器學(xué)習(xí)算法選擇為重要步態(tài)特征。結(jié)合之前的研究[34]，得出足趾離地角度和足跟著地角度在未來作為評估有關(guān)認(rèn)知障礙疾病的標(biāo)志物具有重要臨床意義。與自由行走比較，倒數(shù)100行走任務(wù)已經(jīng)被證明可能影響MCI患者的步態(tài)參數(shù)[8，35]，但倍數(shù)7行走任務(wù)卻很少受到關(guān)注。本研究在受試者進(jìn)行步態(tài)測試時(shí)，嘗試將倍數(shù)7行走任務(wù)加入，結(jié)果顯示其和倒數(shù)100行走任務(wù)的步態(tài)參數(shù)效果基本一致，即只有步幅在各組間差異無統(tǒng)計(jì)學(xué)意義，但倍數(shù)7行走任務(wù)時(shí)的支撐時(shí)間在HC組和AD組之間表現(xiàn)出了統(tǒng)計(jì)學(xué)差異，與倒數(shù)100行走任務(wù)時(shí)不一致[36]，提示未來可把不同行走任務(wù)的支撐時(shí)間對AD的影響放入研究中。

在統(tǒng)計(jì)學(xué)中，根據(jù)統(tǒng)計(jì)學(xué)方法所得到的P值，即概率，是反映某一事件發(fā)生的可能性大小，一般將P＜0.05定義為差異有統(tǒng)計(jì)學(xué)意義。也有一些研究將P＞0.05且P＜0.1的結(jié)果定義為具有邊際差異，即微弱效應(yīng)[37-38]。本研究將邊際差異納入，結(jié)果顯示各組間具有邊際差異的步態(tài)參數(shù)平均值差值較大，如自由行走任務(wù)時(shí)的足趾離地角度在aMCI組和AD組之間具有邊際差異（P=0.076），aMCI組的平均值為（41.05±4.48）°，而AD組的平均值為（38.34±5.20）°。值得注意的是，大部分具有邊際差異的步態(tài)參數(shù)在另外兩個(gè)行走任務(wù)或者另外兩個(gè)其中的一個(gè)行走任務(wù)中的相同組別中差異有統(tǒng)計(jì)學(xué)意義。提示未來應(yīng)該對具有邊際差異的步態(tài)參數(shù)進(jìn)行討論，并且納入臨床研究中，這可能會幫助臨床醫(yī)生更快、更準(zhǔn)確地評估患者。本研究也間接證明了這一內(nèi)容，自由行走的足趾離地角度作為重要步態(tài)特征之一，在識別aMCI和AD上產(chǎn)生了最佳準(zhǔn)確率。

本研究結(jié)果顯示，在單任務(wù)和雙任務(wù)時(shí)，HC組和aMCI組間均有部分步態(tài)參數(shù)差異有統(tǒng)計(jì)學(xué)意義，這與先前研究結(jié)果一致[39-41]。但也有研究結(jié)果顯示，雖然MCI患者的步態(tài)參數(shù)比HC更差，但是沒有一項(xiàng)單任務(wù)和雙任務(wù)的步態(tài)參數(shù)能夠區(qū)分二者，雙任務(wù)損傷則是AD患者特有的[42-43]。本研究中的機(jī)器學(xué)習(xí)部分也證明了這一點(diǎn)，自由行走狀態(tài)實(shí)現(xiàn)的分類準(zhǔn)確率為0.623 5，雙任務(wù)狀態(tài)實(shí)現(xiàn)的分類準(zhǔn)確率為0.683 7，二者差別不大。這也充分說明MCI是介于正常老化和癡呆之間的一種過渡狀態(tài)，患者的步態(tài)障礙也在有與沒有之間，所以是否可通過步態(tài)參數(shù)實(shí)現(xiàn)HC和aMCI分類仍有待商榷。同時(shí)，本研究結(jié)果顯示單任務(wù)和雙任務(wù)時(shí)的步速、足趾離地角度和足跟著地角度在HC組與AD組間差異均有統(tǒng)計(jì)學(xué)意義，與先前研究一致[44]。單任務(wù)行走不具備認(rèn)知任務(wù)，研究結(jié)果中卻得出單任務(wù)的步態(tài)參數(shù)能夠區(qū)分HC組和AD組人群，這是可以解釋的。有研究表明，步態(tài)障礙在癡呆患者中比在生理性衰老人群中常見，且其常見于整個(gè)AD病程，患病率隨著AD階段的加重而增加[45]。本研究在試驗(yàn)中加入了機(jī)器學(xué)習(xí)評估HC組和AD組患者，并在文獻(xiàn)[46-47]基礎(chǔ)上，加入了RFE對區(qū)分HC組和AD組的步態(tài)參數(shù)進(jìn)行重要特征選擇，結(jié)果顯示步速、足趾離地角度和足跟著地角度作為RF模型的輸入特征，對HC組和AD組進(jìn)行分類的效果最佳，單任務(wù)和雙任務(wù)的分類準(zhǔn)確率均為0.850 0以上，與統(tǒng)計(jì)分析結(jié)果一致。關(guān)于aMCI組與AD組，前期研究發(fā)現(xiàn)，在雙任務(wù)測試中，與MCI患者相比，AD患者速度降低、步幅時(shí)間增加[48]；在單任務(wù)和雙任務(wù)的起立行走測試時(shí)，步速、步態(tài)周期、步頻和步長差異有統(tǒng)計(jì)學(xué)意義[9]。這與本研究結(jié)果相符，但是本研究結(jié)果顯示，aMCI組與AD組步頻和步長比較，差異無統(tǒng)計(jì)學(xué)意義，時(shí)間-空間參數(shù)（足趾離地角度、足跟著地角度）差異有統(tǒng)計(jì)學(xué)意義。機(jī)器學(xué)習(xí)結(jié)合RFE進(jìn)行重要特征選擇是區(qū)分aMCI組與AD組的重要環(huán)節(jié)，本研究結(jié)果顯示步幅、足趾離地角度和足跟著地角度是區(qū)分aMCI患者和AD患者的重要步態(tài)標(biāo)志物，在RF模型中，aMCI組和AD組的分類準(zhǔn)確率可達(dá)0.876 9。隨著疾病的發(fā)展，單任務(wù)和雙任務(wù)的步態(tài)表現(xiàn)下降，但是aMCI和AD之間具有統(tǒng)計(jì)學(xué)差異的步態(tài)參數(shù)并不多，而且總體來看，RF模型對aMCI和AD的分類效果也不如其對HC組和AD組的分類效果。由此來看，步態(tài)障礙不僅可在AD患者中被觀察到，也是aMCI患者的伴隨事件，但是aMCI患者的步態(tài)障礙輕于AD患者。近年來，有關(guān)aMCI和AD的步態(tài)障礙研究越來越多，并且證實(shí)了步態(tài)障礙的嚴(yán)重程度取決于疾病的類型和認(rèn)知障礙的嚴(yán)重程度[45]?？傮w而言，從臨床角度來看，機(jī)器學(xué)習(xí)技術(shù)建立分類模型的研究可以幫助臨床醫(yī)生將機(jī)器學(xué)習(xí)作為識別aMCI和AD診斷的工具，并為明智的決策提供解釋。

本研究仍存在一些局限性：（1）研究僅比較了RF和GBDT模型，雖然分類效果不差，但這遠(yuǎn)遠(yuǎn)不夠，將來應(yīng)考慮更多的機(jī)器學(xué)習(xí)模型，比如Lasso回歸、長短期記憶網(wǎng)絡(luò)和XGBoost，以確定早期識別aMCI患者和AD患者的最佳措施；（2）本研究所納入AD患者的樣本量少，可能會降低本研究的統(tǒng)計(jì)有效性，并影響機(jī)器學(xué)習(xí)的準(zhǔn)確性；（3）本研究僅采集了步態(tài)周期、運(yùn)動(dòng)學(xué)參數(shù)和時(shí)間-空間參數(shù)3類，步態(tài)參數(shù)涉及的領(lǐng)域不廣泛，將來應(yīng)該考慮加入動(dòng)力學(xué)參數(shù)（地反力、力矩和身體重心的加速度），以探索aMCI和AD的最優(yōu)步態(tài)標(biāo)志物。

綜上，本研究發(fā)現(xiàn)：（1）使用步態(tài)參數(shù)評估HC和aMCI具有爭議，未來的研究應(yīng)該進(jìn)一步探索該研究領(lǐng)域的準(zhǔn)確性；（2）可穿戴設(shè)備采集的步態(tài)參數(shù)可以作為識別HC和AD的有用臨床工具；（3）步幅、足趾離地角度和足跟著地角度是識別aMCI患者和AD患者的重要步態(tài)標(biāo)志物，未來對預(yù)防或延緩AD的發(fā)生有重要的臨床應(yīng)用價(jià)值。

作者貢獻(xiàn)：陶帥負(fù)責(zé)資金提供、調(diào)查開展、概念提出；韓星負(fù)責(zé)形式分析、方法學(xué)、軟件、原稿創(chuàng)作；孔麗文負(fù)責(zé)項(xiàng)目管理、監(jiān)督、驗(yàn)證；汪祖民負(fù)責(zé)可視化、審查和寫作；謝海群負(fù)責(zé)數(shù)據(jù)管理、資源提供。

本文無利益沖突。