抑郁症状严重程度与日常生活步态特征之间的关联，从现实世界环境中的长期加速信号得出:回顾性分析gydF4y2Ba

简介gydF4y2Ba

抑郁症影响着全球超过3亿人的生活[gydF4y2Ba1gydF4y2Ba]并与许多不良后果相关，包括生活质量下降、职业功能丧失、残疾、过早死亡和自杀[gydF4y2Ba2gydF4y2Ba-gydF4y2Ba5gydF4y2Ba］．虽然早期治疗有效，可防止更严重的不良后果[gydF4y2Ba6gydF4y2Ba]，超过半数的抑郁症患者没有得到及时的治疗[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．目前基于问卷的抑郁评估可能受到回忆偏倚的影响，可能无法收集动态信息[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba］．因此，最近的几项研究试图探索抑郁症与使用移动技术的个人行为变化之间的联系[gydF4y2Ba11gydF4y2Ba］．gydF4y2Ba

步态的改变是抑郁症的基本表现[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba］．将步态与抑郁联系起来的主要假设是大脑运动系统与皮层和皮层下结构之间的双向相互作用，这些结构与情绪和认知功能有关[gydF4y2Ba14gydF4y2Ba-gydF4y2Ba16gydF4y2Ba］．许多研究基于“金标准”实验室步行测试探索了抑郁症和步态特征之间的关系。与健康对照组相比，抑郁症患者观察到更长的步态周期、更短的步幅和更慢的步态节奏，这在几项研究中得到了一致的证明[gydF4y2Ba17gydF4y2Ba-gydF4y2Ba25gydF4y2Ba］．其他步态异常，如步态力降低[gydF4y2Ba21gydF4y2Ba]，增加了双支撑时间[gydF4y2Ba22gydF4y2Ba]，减少摆动时间变异性[gydF4y2Ba23gydF4y2Ba]、垂头丧气的姿势[gydF4y2Ba24gydF4y2Ba]，以及身体摇摆加剧[gydF4y2Ba25gydF4y2Ba]，但各研究的一致性较差。gydF4y2Ba

实验室步态测试很难应用于现实环境中，因为需要昂贵的设备(如摄像机和测力板)，专业的实验室，以及在膝盖和脚踝上佩戴传感器的不便，例如[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba26gydF4y2Ba］．一些研究人员认为，人们的日常生活活动特征与他们的健康状况之间的联系应该比实验室检测更紧密。gydF4y2Ba27gydF4y2Ba-gydF4y2Ba29gydF4y2Ba］．因此，有必要使用有效的方法来监测和评估日常步行。gydF4y2Ba

近年来，一些研究使用移动技术来测量日常生活中的走路模式，并探索它们与抑郁症的关系。然而，这些研究大多只测量日常行走的累积步数[gydF4y2Ba30.gydF4y2Ba-gydF4y2Ba32gydF4y2Ba]，这与个人的机动性和身体活动有关，而不是与步态模式(如步态节奏和步态力)有关。据我们所知，只有少数研究探索日常生活步态模式与抑郁之间的直接联系。阿道夫等人[gydF4y2Ba33gydF4y2Ba研究人员在参与者的躯干和右腿上放置两个加速度计2天后发现，与对照组相比，抑郁的参与者走路速度减慢，垂直上下运动减少，而且更容易弯腰驼背。gydF4y2Ba33gydF4y2Ba］．然而，在身体上佩戴多个传感器可能不适合长期监测。随着传感器的发展，移动电话提供了一种经济、持续、不引人注目的手段来测量个人的行为，包括每日步行。因此，手机可能是一种潜在的长期步态监测工具。gydF4y2Ba

本研究旨在探讨每日步行监测在改善抑郁症症状严重程度评估中的价值。我们的第一个目标是从原始加速度信号中设计和提取步态特征，以描述日常行走的特征。第二个目标是探索步态特征与抑郁症状严重程度之间的关联，并测试这些关联是否可以被不同的加速设备捕获。第三个目的是测试与实验室散步相比，日常散步是否能为预测抑郁症提供额外的信息。为了实现第二个和第三个目标，我们对两个流动数据集进行了分析，即长期运动监测(LTMM)和疾病和复发性重度抑郁症远程评估(RADAR-MDD)数据集[gydF4y2Ba34gydF4y2Ba，gydF4y2Ba35gydF4y2Ba]，由可穿戴设备和移动电话分别收集加速度信号。重要的是，LTMM数据集包含与实验室和日常步行相关的数据，这可以解决第三个研究目标。gydF4y2Ba

方法gydF4y2Ba

数据集gydF4y2Ba

LTMM数据集gydF4y2Ba

LTMM数据集包括人口统计学(年龄和性别)、抑郁评分(15项老年抑郁量表[GDS-15] [gydF4y2Ba36gydF4y2Ba])，以及71名长者的实验室步行测试和3天活动的原始加速信号(100赫兹)[gydF4y2Ba34gydF4y2Ba]，可在PhysioNet下载[gydF4y2Ba37gydF4y2Ba］．如果参与者没有任何认知或步态/平衡障碍，则纳入研究[gydF4y2Ba34gydF4y2Ba］．参与者被要求在实验室以自己选择的舒适速度行走1分钟，同时下背部佩戴一个3轴加速度计[gydF4y2Ba34gydF4y2Ba］．GDS-15问卷包含15个简单明了的“是/否”格式问题，适用于老年人群的抑郁症筛查[gydF4y2Ba38gydF4y2Ba，gydF4y2Ba39gydF4y2Ba］．在实验室步行测试后，所有参与者被要求在接下来连续3天佩戴加速度计，以记录日常活动[gydF4y2Ba34gydF4y2Ba］．gydF4y2Ba

道德的考虑gydF4y2Ba

RADAR-MDD是根据《赫尔辛基宣言》和《良好临床实践》开展的，遵循国家卫生服务(NHS)卫生和社会保健研究治理框架(第二版)中概述的原则。在伦敦，已获得坎伯韦尔圣吉尔斯研究伦理委员会(REC参考文献17/LO/1154)的伦理批准，在西班牙，已获得CEIC Fundació Sant Joan de Deu (CI PIC-128-17)的伦理批准，在荷兰，已获得Medische Ethische toetsingscommission VUms的伦理批准(METc VUmc registratienummer 2018.012-NL63557.029.17)。gydF4y2Ba

雷达- mdd数据集gydF4y2Ba

欧盟研究项目RADAR-MDD旨在调查移动技术在现实环境中长期监测抑郁症参与者的效用[gydF4y2Ba35gydF4y2Ba，gydF4y2Ba40gydF4y2Ba］．有抑郁史的成年参与者如果不符合以下标准，则纳入研究:(1)有其他精神疾病(如双相情感障碍、精神分裂症和痴呆)，(2)在过去6个月内接受过药物或酒精使用治疗，(3)有影响日常活动的重大医学诊断，以及(4)怀孕[gydF4y2Ba35gydF4y2Ba］．详细的研究方案已于先前发表[gydF4y2Ba35gydF4y2Ba］．在这项研究中，我们使用了2017年11月至2021年4月期间从英国(伦敦国王学院[KCL])的一个研究地点收集的RADAR-MDD数据的子集，因为KCL地点是收集手机加速信号获得道德批准的唯一地点。为了方便起见，我们将这个子集称为RADAR-MDD-KCL数据集。手机的加速信号以50赫兹的频率被收集，并上传到开源平台RADAR-base [gydF4y2Ba41gydF4y2Ba］．参与者的抑郁症状严重程度由8项患者健康问卷(PHQ-8)评估[gydF4y2Ba42gydF4y2Ba)每两周通过手机进行自我报告。由服务用户组成的患者咨询委员会共同开展了这项研究。他们参与了测量方法、时间安排和参与问题的选择，也参与了分析计划的制定。gydF4y2Ba

步长检测算法gydF4y2Ba

由于我们需要分别对可穿戴设备和手机采集的加速度信号进行步长检测，所以我们选择了步长检测算法[gydF4y2Ba43gydF4y2Ba]，以流动电话为基础(gydF4y2Ba图1gydF4y2Ba)．给定一段三轴加速度信号(gydF4y2BaxgydF4y2Ba_我gydF4y2BaygydF4y2Ba_我gydF4y2Ba, zgydF4y2Ba_我gydF4y2Ba)，计算加速度信号段的加速度幅值，将三维信号合并为单个序列，gydF4y2BargydF4y2Ba_我gydF4y2Ba,在那里gydF4y2Ba．加速度信号的大小与行走过程中手机的方向和倾斜无关[gydF4y2Ba43gydF4y2Ba］．随后,gydF4y2BargydF4y2Ba_我gydF4y2Ba经加权移动平均滤波器滤波去除噪声(式1，gydF4y2BawgydF4y2Ba= 150毫秒)。接下来，过滤后的gydF4y2BargydF4y2Ba_我gydF4y2Ba减去的平均值gydF4y2Bar̄gydF4y2Ba_我gydF4y2Ba为了使gydF4y2Bar̄gydF4y2Ba_我gydF4y2Ba与x轴对称。我们计算了两个新的级数，gydF4y2BaBgydF4y2Ba1gydF4y2Ba_我gydF4y2Ba而且gydF4y2BaBgydF4y2Ba2gydF4y2Ba_我gydF4y2Ba，根据两个阈值分别检测行走的摆动阶段和站立阶段(见式2和式3)。如果摆动阶段结束，站立阶段开始，我们可以识别出发生了一个步骤。步长的形式检测规则gydF4y2Ba年代gydF4y2Ba_我gydF4y2Ba在示例gydF4y2Ba我gydF4y2Ba必须满足以下两个条件:(1)B1中从-0.5到0的变化(gydF4y2BaBgydF4y2Ba1gydF4y2Ba_我gydF4y2Ba= 0和gydF4y2BaBgydF4y2Ba1gydF4y2Ba_{我gydF4y2Ba1gydF4y2Ba}= 0.5);(2)至少有一个检测到gydF4y2BaBgydF4y2Ba2= -0.5的窗口大小gydF4y2BawgydF4y2Ba=150毫秒的样本gydF4y2Ba我gydF4y2Ba（gydF4y2Ba最小值gydF4y2Ba（gydF4y2BaBgydF4y2Ba2gydF4y2Ba_{我gydF4y2Ba：gydF4y2Ba我gydF4y2Ba+gydF4y2BawgydF4y2Ba}) = -0.5)。gydF4y2Ba

然后，通过计算连续步间的时间间隔，得到步态周期序列，记为gydF4y2Ba周期。gydF4y2Ba在每个步态周期中，利用加速度信号的幅值从峰值到谷值的幅度来反映每一步的步态力。给定加速度信号中各步的力表示为级数gydF4y2Ba力。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

特征提取gydF4y2Ba

特征窗口大小gydF4y2Ba

由于PHQ-8评分用于评估过去2周的抑郁症状严重程度[gydF4y2Ba42gydF4y2Ba]，我们从RADAR-MDD-KCL数据集中的每个PHQ-8记录之前的14天时间窗口中提取步态特征。对于LTMM数据集，我们从3天的活动中提取步态特征，将日常行走与GDS-15评分联系起来。gydF4y2Ba

步长检测窗口与连续行走段gydF4y2Ba

现实环境中的日常步行是复杂的，包含一些间歇性的步行片段(例如在拥挤的环境中步行或步行-休息的过渡状态)。这些间歇性的步行部分可能不能完全反映参与者的正常步行模式。因此，为了区分连续行走和间歇行走，我们使用了一个1分钟的滑动窗口[gydF4y2Ba44gydF4y2Ba]从长期原始加速度信号中检测步长。如果被试在这一分钟内行走的时间最多，我们将这一分钟视为连续行走段。根据我们的经验，我们将50秒作为选择连续行走段的阈值;即选择行走时间超过50秒的片段(每分钟内所有步态周期之和)进行进一步分析(gydF4y2Ba图2gydF4y2Bab)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

步态特征gydF4y2Ba

概述gydF4y2Ba

由于情绪、精力和环境等几个因素，步行的表现会随着时间的推移而变化。因此，长期步态特征需要表示行走模式在特征窗口内的分布和方差。我们首先从特征窗口中每个检测到的连续行走段中提取三个短期步态特征。然后，对于每个短期步态特征，我们在所有连续行走段的值上计算四个统计二级特征(长期特征)。本研究总共提取了12个长期步态特征，这些特征的总结如图所示gydF4y2Ba表1gydF4y2Ba．长期步态特征提取的原理图如图所示gydF4y2Ba图2gydF4y2Ba．gydF4y2Ba

1分钟连续行走段的短期步态特征gydF4y2Ba

步态节奏和步态力是行走的基本特征。步态节奏是指个体双脚接触地面的速度[gydF4y2Ba45gydF4y2Ba］．步态力反映行走过程中的地面反作用力[gydF4y2Ba46gydF4y2Ba］．对于每个连续的步行段，步态周期序列的中位数(gydF4y2Ba周期gydF4y2Ba)，从时域上反映该分钟的步态节奏，记为gydF4y2Ba平均周期gydF4y2Ba．为了从频域评估步态节奏，将快速傅里叶变换应用于滤波幅度(gydF4y2Bar̄gydF4y2Ba_我gydF4y2Ba)表示每个连续行走段的加速度信号。峰值频率[gydF4y2Ba47gydF4y2Ba]的0.5-3赫兹波段(反映行走)[gydF4y2Ba34gydF4y2Ba]从频域反映步幅的主节奏，记为gydF4y2Ba峰值频率gydF4y2Ba．对于步态力，我们计算的中位数gydF4y2Ba力gydF4y2Ba系列(gydF4y2Ba中力gydF4y2Ba)表示一分钟内所有步骤的平均功率。gydF4y2Ba

长期步态特征gydF4y2Ba

对于每个短期步态特征(gydF4y2Ba中值周期，峰值频率，gydF4y2Ba而且gydF4y2Ba中力gydF4y2Ba)，我们计算了四个统计二级特征(第25百分位，中位数，第75百分位，和SD)，从所有检测到的连续行走段在一个特征窗口。gydF4y2Ba

以往的研究表明，长期步态特征的极值可以反映参与者的最佳或最差步行表现，这反过来又比中值更能反映身体或精神状况[gydF4y2Ba29gydF4y2Ba］．因此，我们使用gydF4y2Ba第25百分位gydF4y2Ba，gydF4y2Ba中位数gydF4y2Ba,gydF4y2Ba第75个百分位gydF4y2Ba在一个特征窗口中，表示三个级别行走性能(低、中、高)的二阶统计数据。例如，在特征窗口中快速行走可以表示gydF4y2Ba高性能的行走gydF4y2Ba，这可能不会受到疲劳和拥挤环境等其他因素的影响。gydF4y2Ba高性能的行走gydF4y2Ba可以用gydF4y2Ba峰值频率的75百分位gydF4y2Ba和gydF4y2Ba中位数周期的第25百分位gydF4y2Ba在一个特征窗口中，预计与抑郁状态密切相关。在一个特征窗口内，用SD测量日常行走的方差。gydF4y2Ba

从LTMM数据集中的实验室行走测试中提取的实验室步态特征gydF4y2Ba

我们还提取了gydF4y2Ba中值周期，峰值频率，gydF4y2Ba而且gydF4y2Ba中力gydF4y2Ba来自LTMM数据集中实验室行走测试的1分钟加速信号。为了便于阅读，我们将这些标记为实验室步态特征。gydF4y2Ba

RADAR-MDD-KCL数据集中数据缺失的包容性标准gydF4y2Ba

在RADAR-MDD-KCL研究中，原始加速度信号是通过手机远程收集的。可能是由于上传原始信号的电池消耗和网络流量比较大，加速度信号的缺失率比较高。为了减少缺失的影响，本研究包括的PHQ-8周期(14天)应至少有3天(与LTMM数据集一致)有超过50%的加速度信号[gydF4y2Ba48gydF4y2Ba，gydF4y2Ba49gydF4y2Ba］．gydF4y2Ba

统计分析gydF4y2Ba

对于LTMM数据集，斯皮尔曼系数[gydF4y2Ba50gydF4y2Ba]，以评估GDS-15评分与步态特征(3个实验室步态特征和12个长期步态特征)之间的相关性。由于RADAR-MDD-KCL数据集中的数据是纵向的(对每个参与者重复PHQ-8测量)，一系列成对线性混合效应回归模型[gydF4y2Ba51gydF4y2Ba]，并进行随机参与者拦截，以探索PHQ-8评分与12个长期步态特征之间的关联(雷达- mdd - kcl数据集中不包括实验室测试)。年龄、性别和共病数量(见表S1)gydF4y2Ba多媒体附件1gydF4y2Ba)被视为协变量。使用Benjamini-Hochberg方法对两个数据集进行多次比较校正[gydF4y2Ba52gydF4y2Ba］．gydF4y2Ba

为了测试长期步态特征是否可以解释抑郁评分相对于实验室步态特征的额外数据差异，我们建立了两个嵌套的多元线性回归模型，用于GDS-15评分，没有和有长期步态特征(记为模型A和模型B;公式4和5)在LTMM数据集中。其中，模型A的预测因子为年龄、性别和3个实验室步态特征，模型B的预测因子为年龄、性别和3个实验室步态特征，以及12个长期步态特征。决定系数(gydF4y2BaRgydF4y2Ba^2gydF4y2Ba)对两个模型进行计算，以估计预测因子解释了多少数据方差。然后，似然比检验[gydF4y2Ba53gydF4y2Ba]检验模型B是否比模型a更适合GDS-15评分。由于RADAR-MDD-KCL数据集中不包含实验室行走测试，因此仅在LTMM数据集中进行似然比检验。gydF4y2Ba

模型A: GDS-15=年龄+性别+3个实验室步态特征gydF4y2Ba（4）gydF4y2Ba

模型B: GDS-15=年龄+性别+3个实验室步态特征+12个长期步态特征gydF4y2Ba（5）gydF4y2Ba

结果gydF4y2Ba

资料汇总gydF4y2Ba

LTMM数据集中的71名参与者的平均年龄为78.36岁(SD 4.71岁)，其中18名(25%)参与者有潜在的抑郁障碍(GDS-15≥5)，每位参与者有69.82小时(SD 9.65小时)的加速信号。根据数据纳入标准，RADAR-MDD-KCL数据集包含215名参与者的659条PHQ-8记录，对应的99445小时(平均每位参与者463小时)。RADAR-MDD-KCL数据集中的队列平均年龄为43.36岁(SD 15.12岁)，大多数为女性(75%)，一半的PHQ-8记录显示潜在的抑郁症状(PHQ-8≥10)。在RADAR-MDD-KCL数据集中，手机收集到的加速度信号的平均缺失率(70.60%)显著高于可穿戴设备在LTMM数据集中收集到的加速度信号的平均缺失率(3.03%)。LTMM和RADAR-MDD-KCL数据集的参与者的人口统计数据、抑郁分数分布和可用加速信号的摘要显示在gydF4y2Ba表2gydF4y2Ba．LTMM和RADAR-MDD-KCL数据集的12个长期步态特征之间的相关性热图显示在gydF4y2Ba图3gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

LTMM数据集中步态特征与GDS-15评分之间的关联gydF4y2Ba

在LTMM数据集中，GDS-15评分与步态特征(包括实验室和长期步态特征)之间的Spearman相关性如图所示gydF4y2Ba表3gydF4y2Ba．我们发现，在1分钟实验室步行测试中，较高的GDS-15评分与较大的步态周期中位数、较低的峰值频率和较小的步态力中位数显著相关。从长期来看，GDS-15得分越高，步态力方差越低，高性能行走节奏越慢，3天活动中峰值频率越低，与GDS-15得分越高显著相关。gydF4y2Ba

雷达- mdd - kcl数据集中长期步态特征与PHQ-8评分之间的关系gydF4y2Ba

在RADAR-MDD-KCL数据集中进行的成对线性混合效应模型显示PHQ-8评分与患者的步态节奏之间存在显著的负相关gydF4y2Ba高性能的行走gydF4y2Ba在提交PHQ-8记录前14天内。具体来说,gydF4y2Ba中位数周期的第25百分位gydF4y2Ba与PHQ-8评分呈正相关;也就是说，步态周期中值每增加0.1秒gydF4y2Ba高性能的行走gydF4y2Ba， PHQ-8分提高0.606分。同样,gydF4y2Ba峰值频率的75百分位gydF4y2Ba与PHQ-8评分呈负相关，表明gydF4y2Ba高性能的行走gydF4y2BaPHQ-8点增加0.26。在RADAR-MDD-KCL数据集中，未发现其他长期步态特征与PHQ-8评分显著相关。中提供了所有12个线性混合效应回归模型的摘要gydF4y2Ba表4gydF4y2Ba．gydF4y2Ba

LTMM数据集的似然比检验结果gydF4y2Ba

具有长期步态特征的回归模型(模型B)取得了更好的性能(gydF4y2BaRgydF4y2Ba^2gydF4y2Ba=0.30)比无长期步态特征的模型(模型A) (gydF4y2BaRgydF4y2Ba^2gydF4y2Ba= 0.06)。我们发现，从3天活动中提取的12个长期步态特征可以解释额外24%的数据方差(增加0.24小时)gydF4y2BaRgydF4y2Ba^2gydF4y2Ba)的GDS-15评分相对于实验室步态特征和参与者的人口统计学。似然比检验显示，模型B拟合GDS-15得分显著优于模型A (gydF4y2BaχgydF4y2Ba^2gydF4y2Ba= 32.91 >gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_{0.05gydF4y2Ba}(12),gydF4y2BaPgydF4y2Ba=措施)。两个嵌套回归模型的详细结果如表S2所示gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

这项研究回顾性地使用了两个动态数据集来探索抑郁症状严重程度和日常生活步态特征之间的关系。我们提取了12个长期步态特征来描述长期内步态节奏和力量的分布和变化，并将日常生活步态模式与自我报告的抑郁评分联系起来。本研究主要发现:(1)抑郁症状严重程度越高，患者的步态节奏越低gydF4y2Ba高性能的行走gydF4y2Ba(在所有连续步行段中走得更快);(2)相对于实验室步态特征和人口统计学特征，长期的日常行走有可能为预测抑郁症症状严重程度提供额外的信息;(3)可穿戴设备和移动电话都有可能捕捉日常步态和抑郁之间的联系。gydF4y2Ba

实验室步态特征与LTMM数据集中GDS-15评分之间的Spearman相关性结果与之前的研究一致[gydF4y2Ba17gydF4y2Ba-gydF4y2Ba25gydF4y2Ba];也就是说，在实验室行走测试中，抑郁症状更严重的参与者更有可能具有更慢的步态节奏(更长的步态周期中位数和更低的步态频率)和更小的步态力。gydF4y2Ba

对于日常生活中的步行，本研究使用了较快的步行(gydF4y2Ba峰值频率的75百分位gydF4y2Ba而且gydF4y2Ba中位数周期的第25百分位gydF4y2Ba)在所有检测到的连续行走段中表示gydF4y2Ba高性能的行走gydF4y2Ba在特征窗口期间(LTMM为3天，RADAR-MDD-KCL为14天)。只有步态的韵律gydF4y2Ba高性能的行走gydF4y2Ba与抑郁症状严重程度显著负相关，而在gydF4y2Ba中/低档次走gydF4y2Ba与抑郁评分无显著相关性。这一发现在LTMM和RADAR-MDD-KCL数据集中是一致的。一个潜在的原因是，现实场景中的步行表现可能受到多种因素的影响(如白天或夜间行走，疲劳行走或休息后行走，步行到目的地或在拥挤的超市中穿行)[gydF4y2Ba29gydF4y2Ba];因此，较低的步行表现可能不能完全反映参与者的身体或精神状况。因此，从本研究的主要发现，我们推测，在长期内，更快的步伐可能代表了参与者的高走路表现，这可能与他们的抑郁状态密切相关。gydF4y2Ba

在LTMM数据集中，我们发现步态力(gydF4y2Ba中位力SDgydF4y2Ba)与抑郁症状严重程度呈显著负相关，表明抑郁症状严重程度越高的参与者在3天内的行走方式越可能相对单调。然而，在RADAR-MDD-KCL数据集中，该特征与PHQ-8评分无显著相关性。其中一个原因是(gydF4y2BargydF4y2Ba_我gydF4y2Ba)(详见步长检测算法一节)的加速度信号的大小，取决于附着在物体上的加速度计的位置[gydF4y2Ba54gydF4y2Ba］．由于RADAR-MDD-KCL数据集中的加速度信号是由手机收集的，当手机连接到参与者的身体时(例如在手上、手提包和口袋中)，不同的位置会影响加速度信号的大小。因此，手机采集到的加速度信号的大小并不能完全反映步态力。gydF4y2Ba

回归模型的结果和LTMM数据集的似然检验说明了在现实环境中监测日常生活步态的重要性。LTMM数据中的实验室步态特征和人口统计学仅解释了GDS-15评分数据方差的一小部分(gydF4y2BaRgydF4y2Ba^2gydF4y2Ba=0.06)，而从3天活动中提取的长期步态特征可以解释额外24%的数据方差(gydF4y2BaRgydF4y2Ba^2gydF4y2Ba= 0.30)。这一发现支持了长期的日常行走有可能为预测抑郁症症状严重程度提供额外的信息，相对于实验室步态特征和人口统计学。此外，这一发现也表明，实验室行走测试可能受到主观心理因素和实验室控制条件等多个因素的影响，这些因素可能无法完全反映参与者的心理健康状况[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba29gydF4y2Ba］．由于在RADAR-MDD-KCL数据集中没有实验室测试，因此在RADAR-MDD-KCL中没有进行实验室步态特征和长期日常生活步态特征之间的比较。我们将考虑在未来的数字抑郁症研究中加入实验室测试。gydF4y2Ba

限制gydF4y2Ba

虽然我们发现可穿戴设备和移动电话有可能捕捉抑郁症和日常生活步态模式之间的联系，但这两种设备都有一些局限性。可穿戴设备可以收集相对完整的步行数据;然而，佩戴传感器可能不适合长期监测。手机可用于长期监测，用户无负担，但手机加速信号缺失率较高。本研究结果支持步态与抑郁之间的联系仍然可以从有限和稀疏的日常步行加速信号中揭示出来。在远程数字研究中，缺失是一个常见的挑战[gydF4y2Ba55gydF4y2Ba]，这可能是由于电池消耗大，上传原始加速信号的网络流量，以及Android操作系统对资源的调节。根据本研究的发现，在未来的长期监测研究中，一个可能减少缺失的解决方案是上传步态周期而不是上传原始加速度信号。这并不难实现，因为目前大多数智能手机都有实时步长检测功能或应用程序[gydF4y2Ba56gydF4y2Ba，gydF4y2Ba57gydF4y2Ba］．此外，自我报告的PHQ-8数据可能存在回忆偏差。我们可以考虑在未来的研究中通过被动步态数据收集来实现生态瞬时评估。gydF4y2Ba

超参数在步进检测和特征提取中的应用有待进一步研究。基于之前的研究，我们考虑使用1分钟的窗口大小进行步长检测，使用50秒的窗口大小进行连续行走段的选择[gydF4y2Ba34gydF4y2Ba，gydF4y2Ba44gydF4y2Ba和我们的经验。由于研究设计不同，两个数据集的特征窗口大小不同。然而，最优超参数仍然不清楚，有待于在未来的研究中进一步研究。gydF4y2Ba

本研究中提取的步态特征简单且基于统计学，这些特征在我们最初的分析中用于说明日常步行的重要性。更多的特征，如非线性特征将在未来的研究中考虑。gydF4y2Ba

步态特征可能受到一些身体疾病、神经障碍和年龄的影响[gydF4y2Ba58gydF4y2Ba-gydF4y2Ba60gydF4y2Ba］．虽然在LTMM数据集中没有参与者有任何认知或步态/平衡障碍，而在RADAR-MDD-KCL数据集中共病的数量和年龄被认为是协变量，但身体共病和其他共病可能对步态特征有不同的影响。我们将考虑更广泛的共病，并在未来的研究中进一步调查。gydF4y2Ba

结论gydF4y2Ba

总之，这项研究的发现表明，抑郁症症状严重程度和日常生活步态特征之间的显著联系可以在不同的数据集和不同的加速度计设备中捕捉到。长期的日常行走模式可以为了解实验室行走测试中相对于步态模式的抑郁表现提供额外的价值，这说明了长期步态监测的重要性。日常生活中高性能行走的步态节奏有可能成为监测抑郁症严重程度的指标，这可能有助于开发临床工具来远程监测现实环境中的心理健康。gydF4y2Ba