新技术为人们在日常生活中自我监测和改善睡眠提供了便利。睡眠质量可以通过客观的身体指标和行为或主观感觉来评估。多导睡眠图（PSG）在临床研究中已被广泛应用于睡眠评估，但存在着价格昂贵、侵入性、耗时、不实用等缺点。智能手机和智能手环也可用于睡眠活动监测。然而，这些设备是侵入和繁琐的，因为用户必须带上它们或把它们靠近身体才能进行测量。与此同时，除了客观状态外，个人对自身睡眠的主观看法也很有价值。然而，自我报告的睡眠质量也有其局限性，例如当运动员或患者需要每天评估睡眠质量时，主观报告的方法并不适用。
步态反映一个人走路和移动的方式，它可以反映一个人的心理和健康状况。睡眠和步态会相互影响。一方面，睡眠异常会影响步态。研究表明，每晚睡眠时间少于6小时的人的步态速度比每晚睡眠时间为6-6.8小时的人慢3.5%。另一方面，步态对睡眠也有影响。人们发现每天行走10000步，4周之后可显著改善睡眠质量。同时，睡眠质量对日常能量消耗有影响，而日常能量消耗与步态高度相关。因此，研究者期望通过步态来测量睡眠质量，这种方式更生态，侵入性更小。
中国科学院行为科学重点实验室朱廷劭研究组使用微软Kinect摄像头这一非侵入性工具对用户的步态行为数据进行收集。如图1所示，Kinect以30 Hz采样率捕获人体25个主体关节的3维加速度。它具有非侵入性、低成本、易于使用的优点，而且在早期研究中也被确认在捕捉日常步态和临床环境中的实时步态模式方面是完全胜任的。
图1：人体被Kinect捕捉到的25个关节点
该研究共招募56名志愿者，志愿者首先填写了匹兹堡睡眠质量指数问卷（PSQI）；经过简单练习后，在矩形地毯（6 m×1 m）上自由走动2分钟，并被放置在地毯对角线上的两个Kinect传感器记录下其步态数据。
数据收集以后，研究者首先对数据进行预处理，即利用高斯滤波进行去噪。其次，以脊柱为原点，对其他关节的坐标进行平移，这样做的目的是为了将不同参与者的三维坐标调整到同一坐标系，从而消除他们和Kinect相对位置的差异。最后，研究者将收集的步态数据分割成不同的片段，研究选择64帧（约2秒）作为特征提取中使用的最终数据段的长度。
数据预处理完成后，研究者提取了快速傅立叶变换（FFT）的振幅。FFT将采样函数的每个维度从时域转换为频域。对于步态数据中的每个关节，选取每个维度的64个振幅系数作为特征，然后运行Z函数进行特征归一化。由于高维特征向量是冗余的，因此在训练模型之前进行降维。研究计算了睡眠质量与提取特征之间的皮尔逊相关系数，选择每个维度的中相关系数的绝对值最高的前5个特征来训练机器学习模型，得到每个关节每个维度的5个特征，即总共360个特征（5*3*24=360）。
最后，研究使用WEKA以及360个特征来训练机器学习模型，并采用了10折交叉验证。结果显示，睡眠质量预测的最佳结果为Gaussian processes，相关系数为0.78（p＜0.001）。各分量表中，昼夜功能障碍的最佳结果为linear regression，相关系数为 0.51（p＜0.001）。
该研究提供了一种新的测量睡眠质量的方法。步态数据收集过程是非侵入性的和生态化的，结果同时也表明步态模式可以很好地表征睡眠质量。该方法可作为现有睡眠质量测量方法的有利补充。
该研究成果已被国际期刊 PloS one 录用并在线发表：
Liu, X., Sun, B., Zhang, Z., Wang, Y., Tang, H., & Zhu, T. (2019). Gait can reveal sleep quality with machine learning models. PloS one, 14(9), e0223012.
https://doi.org/10.1371/journal.pone.0223012
