《Biomedical Signal Processing and Control》：Hidden patterns in human balance: A novel nonlinear approach to understanding age-related changes via head trajectories
编辑推荐：
本研究比较新型非线性平衡指标与现有线性方法，通过分析年轻和老年人在单任务和双任务条件下的头部运动数据，发现运动元素分解（MED）能更敏感捕捉年龄和认知负荷对平衡的影响，为个性化干预提供新方法。
马特乌斯·索萨·席尔瓦（Mateus Souza Silva）|达亚娜·达·席尔瓦·桑托斯（Dayana da Silva Santos）|克拉拉·法里亚·特里戈（Clara Faria Trigo）|若昂·保罗·邦芬姆·克鲁兹·维埃拉（Jo?o Paulo Bomfim Cruz Vieira）|玛塞拉·罗德里格斯·德·卡斯特罗（Marcela Rodrigues de Castro）|加布里埃尔·维纳斯·桑托斯（Gabriel Venas Santos）|马特乌斯·席尔瓦·达伦卡尔（Matheus Silva d’Alencar）|若昂·里卡多·佩索阿·德·阿劳霍（Jo?o Ricardo Pessoa de Araújo）|云达·刘（Yunda Liu）|成勋·伊万·李（Sunghoon Ivan Lee）|玛丽亚·埃莉莎·皮门特尔·皮埃蒙特（Maria Elisa Pimentel Piemonte）|让-弗朗索瓦·达诺（Jean-Francois Daneault）|若泽·加西亚·维瓦斯·米兰达（José Garcia Vivas Miranda）
罗格斯大学健康职业学院康复与运动科学系，65伯格街（65 Bergen Street），纽瓦克（Newark），07107-1709，新泽西州（New Jersey），美国（USA）
摘要
随着年龄的增长，姿势控制的下降会增加跌倒的风险。线性测量方法可以提供关于平衡变化的见解，但非线性动态可能更能捕捉到复杂控制过程中的微妙变化。本研究将新的非线性平衡测量方法与传统的测量方法进行了比较，分析了年轻人和老年人在单任务和双任务条件下的表现。共有22名健康的年轻人（平均年龄23.4±5.6岁）和23名老年人（平均年龄64.04±7.18岁）参与了实验。在参与者保持静止站立的情况下，使用光电系统记录了头部运动情况，这些情况包括单任务和双任务（言语流畅性）条件。基于运动元素分解（Movement Element Decomposition, MED）的非线性分析被应用于运动追踪数据。具体来说，头部运动的速度时间序列被分解为零交叉点处的一维子运动，然后提取了这些子运动的特定特征。此外，还计算了文献中的线性和非线性指标。这些指标能够区分年轻人和老年人以及单任务和双任务条件下的差异。与标准指标相比，这些测量方法在双任务条件下更为敏感。在MED变量集中也区分出了认知和衰老的影响。总体而言，这些结果表明，运动元素分解可以产生敏感的指标，用于检测与年龄和任务相关的平衡效应。这种方法有助于我们更好地理解平衡障碍，并可能导致新的个性化干预措施。
引言
随着年龄的增长，控制平衡的能力会发生变化，这会增加跌倒的风险[1]。平衡是一种复杂的感知-运动能力，依赖于多个感觉系统，使我们能够在空间中定位自己并协调自主运动[2]。随着这些系统因衰老而逐渐衰退，维持平衡变得更加困难。此外，肌肉骨骼因素（如肌肉力量）也会随年龄增长而减弱[3]，从而影响我们快速应对体重变化和干扰的能力。这些与年龄相关的变化使得老年人更难以从突然的干扰或滑倒中恢复[4]。多项先前的研究表明，总体而言，衰老对平衡有负面影响[5]。研究显示，平衡障碍会显著降低生活质量[6]，[7]，尤其是对老年人而言[8]。因此，有必要识别和描述与这种平衡控制能力下降相关的特征，以开发有针对性的干预措施。
另一个需要考虑的重要方面是环境复杂性对平衡的影响。在简单条件下或同时执行另一项任务（双任务）时保持平衡的能力是评估跌倒风险的一个重要因素。简单的站立或行走平衡主要依赖于自动姿势反射和运动控制[9]。然而，在日常生活中，维持平衡通常需要多任务处理，例如边走边说话或携带物品。双任务测试以更符合生态学有效性的方式挑战了平衡系统，因为它涉及这些活动中的注意力需求[8]，[10]，[11]。研究表明，当引入同时的认知需求时，平衡控制往往会受到影响[12]。由于认知资源的竞争，姿势任务与其他需要注意力的任务之间会发生干扰[12]。随着人们年龄的增长，认知处理速度减慢，认知-运动干扰也会增加[13]。比较简单任务和双任务下的平衡表现有助于识别在多任务分配注意力方面存在特定缺陷的个体。评估双任务表现可以更全面地了解一个人的功能移动能力和跌倒风险状况。
此外，理解线性和非线性动态对于全面描述姿势控制至关重要[14]。像摇摆路径长度和范围这样的线性测量假设平衡通过对干扰的比例性和可预测性反应来运作。然而，平衡是适应性的和复杂的，涉及感觉系统、肌肉、四肢和环境之间的非线性相互作用[15]。一个元素的小变化可能会导致整体的显著且不可预测的效果。非线性分析可以捕捉到随时间变化的姿势摇摆模式的复杂性，而线性方法则无法做到这一点[16]。健康的系统表现出“混沌”的摇摆，这种摇摆在受控范围内不可预测地波动，迅速适应以保持稳定[17]。受损的系统则表现出更规则、更僵硬的摇摆模式[17]。这突显了通过非线性方法研究平衡控制的重要性，以便开发个性化和最佳的干预措施。
然而，应用这些方法需要强大且易于获取的数据收集设备。尽管压力中心（Center of Pressure, CoP）经常被用来评估平衡，但大量文献表明头部运动与姿势稳定性之间存在一致的相关性[10]，[18]，[19]，[20]，[21]。重要的是，先前的研究表明，包括头部在内的分段数据对于正确量化质心速度和控制至关重要[22]。因此，观察特定的身体部位可以为评估姿势控制系统的输出提供有效的代理。因此，利用头部轨迹可以在不受力板限制的情况下分析群体差异，为高级非线性分析提供合适的输入。
传统上使用CoP运动来评估姿势控制，然而CoP的动态是所有身体部位平衡的结果。与此一致的是，大量证据表明CoP和头部运动之间存在一致的相关性，这表明两者都反映了平衡的特征[10]，[18]，[19]，[20]，[21]，[22]。虽然经典模型强调踝关节和髋关节策略[23]，但CoP和头部测量都代表了复杂姿势控制系统的相关输出，而头部-颈部动态可能会引入额外的线性或非线性效应[24]。因此，从头部捕捉运动可以作为一种补充方式来研究姿势控制特征。
在当前的研究中，我们使用头部轨迹数据来检查年轻人和老年人在简单任务和双任务下的平衡控制情况。我们进行了一系列线性测量（包括振幅、平均速度和摇摆路径），以及传统的非线性方法（如样本熵和去趋势波动分析）。此外，我们将这些方法与我们团队开发的一种非线性方法——运动元素分解（Movement Element Decomposition, MED）[25]进行了比较。MED是霍夫（Hoff）最初为伸手运动开发的数学模型的泛化。该技术使用简单算法将运动分解为笛卡尔坐标系中的一维子运动，称为运动元素（MEs）。这种方法已成功用于描述上肢的复杂运动[25]，[27]、自主姿势摇摆[28]和步态[29]，在这里我们将其应用于衰老过程中的静态平衡。
研究设计
这项研究是一项横断面观察性研究。该研究已提交给圣保罗大学（USP）医学院附属医院的伦理与研究委员会，并获得了CEP-FMUSP的批准，批准号为CAAE 67388816.2.0000.0065。
研究对象
样本包括按年龄分类的两组健康男性和女性。第一组包括22名年轻人（YG），18名女性和4名男性，平均年龄为23.4±5.6岁；第二组包括23名老年人（AG）。
组间比较
图2、图3以及第2节中的“组间比较”部分展示了所有16个变量在ML轴和AP轴上的主要统计结果。完整的统计信息见补充材料。在ML轴上的组间比较中，没有任何线性变量显示出在任一任务中的统计学显著差异。关于非线性变量，除了MFEN、SampEn和RQA ENT（在DT期间），其他变量均没有显示出显著差异。
讨论
综合来看，我们的结果表明，MED特征通过头部运动提供了关于年龄依赖性和注意力依赖性的姿势控制模式的独特见解。这些特征能够比线性变量更敏感地区分年龄和注意力对姿势的影响。因此，MED变量可以用来更好地理解平衡的动态，作为文献中广泛使用的变量的补充方法。结论
这项研究表明，MED分析通过头部测量提供了关于姿势控制策略的独特见解，揭示了与年龄相关的变化和认知负荷效应，其敏感性优于线性测量方法。该方法能够量化运动控制策略的特定方面，从而提供了超出线性变量的一般稳定性测量或非线性分析的复杂性测量的见解，具有在研究和临床应用中的潜力。作者贡献声明
马特乌斯·索萨·席尔瓦（Mateus Souza Silva）：撰写——审稿与编辑、撰写——初稿、可视化、软件、方法论。达亚娜·达·席尔瓦·桑托斯（Dayana da Silva Santos）：撰写——审稿与编辑、概念化。克拉拉·法里亚·特里戈（Clara Faria Trigo）：撰写——审稿与编辑、概念化。若昂·保罗·邦芬姆·克鲁兹·维埃拉（Jo?o Paulo Bomfim Cruz Vieira）：调查、概念化。玛塞拉·罗德里格斯·德·卡斯特罗（Marcela Rodrigues de Castro）：撰写——审稿与编辑、概念化。加布里埃尔·维纳斯·桑托斯（Gabriel Venas Santos）：方法论、调查、数据管理。马特乌斯·席尔瓦·达伦卡尔（Matheus Silva d’Alencar）：撰写——审稿与利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。致谢
本研究是FAPESP神经数学中心活动的一部分。这项工作得到了巴西国家科学技术发展委员会（CNPq）[资助编号：117790/2020-6, 307828/2018-2]、巴西高等教育人员培训协调委员会（CAPES）[资助编号：001, 88882.377008/2019-01]、圣保罗研究基金会（FAPESP）[资助编号：2013/07699-0, 2025/02885-7]以及国家研究所的支持。
