利用机器学习在无传感器动作捕捉下进行共济失调的数字步态分析

为何步行视频对大脑健康重要

平衡和协调能力丧失是共济失调这一类神经退行性疾病的典型特征，会使行走变得越来越困难。目前，医生通常使用一个简单的临床量表来评估患者的步态，这种量表可能漏掉早期的、微妙的变化。本研究提出了一个及时的问题：能否仅凭普通的行走视频并借助机器学习来更早、更精确地发现并追踪步态问题——无需佩戴传感器或使用专门的实验室设备？

通过数字视角观察运动

研究者招募了91名患有不同类型共济失调的成年人和28名在德国神经退行性疾病中心接受评估的健康志愿者。在常规就诊时，每位受试者在正面平放的单台平板摄像机前完成一个正常的行走任务并被录制。神经科医生使用标准量表SARA的首项对步态进行评分，该项将步态从正常行走到无法行走分级。这些现场评分作为“真实标准”，用于与数字系统的结果进行比较。

从像素到身体运动

为将原始视频转为可测量的运动信号，团队使用了一种名为AlphaPose的姿态估计算法。该程序在每个视频帧中跟踪关键的身体点位——例如臀部、肩膀、手腕和脚踝——生成描述位置、距离与关节角度随步伐变化的时间序列。从这些信号中，研究者构建了若干机器学习模型。有些模型提取了数百个描述运动模式的数学特征（例如关节角度的变异性），另一些则采用为时间序列设计的快速卷积方法。模型被训练用于重现临床医生的数值化步态评分，或判定个体属于哪两个组别（例如健康组与轻度受影响组）。

匹配并超越人工判断

表现最佳的组合是使用tsfresh工具包进行特征提取，配合基于梯度提升的决策树方法（XGBoost）。该模型能够较准确地重现临床医生的步态评分，并略微优于另一个“人类基线”：三位受训神经科医生事后对视频达成的一致评分。数字系统在区分步态问题明显不同的人群时表现尤为出色，但也能处理非常细微的差别。值得注意的是，它能够将看起来在人工检查中仍正常行走的携带致病基因者与健康志愿者区分开来，其分类准确度明显高于随机。这意味着算法在常规临床检查可见异常之前，已能检测到潜在的步态异常。

窥探“黑箱”内部

为了解模型“关注”的特征，团队使用了一种可解释人工智能方法SHAP来排名对决策最重要的运动信号。肩部和髋部的角度被识别为关键贡献因子，这与临床经验一致：共济失调患者常通过增宽步幅并挥臂来补偿平衡不足。研究者还跟踪了在有多次随访的30名患者中若干数字特征的变化。尽管标准临床步态评分的平均值几乎没有变化，一些由运动数据导出的指标显示出一致的趋势，与时间高度相关并与患者的基线损伤程度相适应。这表明数字化测量能捕捉到粗糙临床量表常常遗漏的渐进性变化。

公平性、实用性与家庭使用

该最佳模型在不同年龄组以及男女之间的表现相似，暗示其可以在广泛人群中使用而不会产生明显的人口学偏差。由于系统可从普通消费级平板正面拍摄的单一视频中工作，它可以整合到常规门诊，并在给出基本的摄像机摆放与背景指导后扩展到家庭录制。这与传统步态分析系统形成对比，后者通常需要多台摄像机、粘在皮肤上的标记或一些患者认为不舒服或不便于频繁监测的可穿戴传感器。

对患者和护理的意义

这项研究表明，借助现代机器学习分析的简单行走视频，不仅可以复制专家对共济失调步态的临床评分，还能略有改进。更重要的是，数字方法能发现人类往往忽视的早期和缓慢变化。对于患者和临床医生而言，这为更早发现疾病起始、以更敏感的方式追踪治疗效果以及在家中便捷监测打开了可能。随着数据的累积与方法的改进，此类基于视频的数字生物标志物有望成为管理共济失调和评估新疗法的常规工具。

引用: Wegner, P., Grobe-Einsler, M., Reimer, L. et al. Leveraging machine learning for digital gait analysis in ataxia using sensor-free motion capture. Commun Med 6, 167 (2026). https://doi.org/10.1038/s43856-025-01258-y

关键词: 共济失调 步态, 视频动作捕捉, 机器学习, 数字生物标志物, 神经运动障碍