一种用于量化抑郁症心体迟缓性的非侵入式 3D 步态分析框架
计算机视觉与模式识别
2026-01-28 v1
摘要
从客观、非侵入的方法预测重大抑郁症（MDD）的状态是当前活跃的研究领域。然而，从数据中自动提取客观且可解释的特征以进行详细的患者状态分析仍 largely 未被探索。尽管 MDD 的症状之一是心体迟缓（PMR），但其临床评估仍大多主观。虽然 3D 动作捕捉提供了客观替代方案，但其对专业硬件的依赖往往限制了常规临床应用。在本文中，我们提出一种非侵入式计算框架，将单目 RGB 视频转换为临床相关的 3D 步态生物力学特征。我们的管道使用重力视图坐标（Gravity-View Coordinates）以及一种新颖的轨迹纠正算法，利用我们改进的 Timed Up and Go（TUG）方案的闭环拓扑，以减轻单目深度误差。这种新颖的管道使我们能够从单次摄像捕获中提取 297 个显式的步态生物力学生物标志物。为了应对小型临床数据集的挑战，我们引入一种基于稳定性的机器学习框架，以识别稳健的运动签名并防止过拟合。在 CALYPSO 数据集上进行验证，我们的方法在检测 PMR 时达到了 83.3% 的准确率，并解释了总体抑郁严重程度的 64% 方差（R^2=0.64）。值得注意的是，我们的研究发现，踝部推进力的减少与髋部运动受限紧密相关，这与抑郁的运动表型相吻合。这些结果表明，身体运动 serves as 抑郁认知状态的稳健代理，为在标准临床环境中客观监测抑郁提供了透明且可扩展的工具。
引用
@article{arxiv.2601.19526,
title = {A Non-Invasive 3D Gait Analysis Framework for Quantifying Psychomotor Retardation in Major Depressive Disorder},
author = {Fouad Boutaleb and Emery Pierson and Mohamed Daoudi and Clémence Nineuil and Ali Amad and Fabien D'Hondt},
journal= {arXiv preprint arXiv:2601.19526},
year = {2026}
}