人类的非语言行为，如面部表情、姿势、步态等，可以体现出心理特征。使用非语言行为线索测量心理特征的主要障碍在于行为量化及其心理特征识别。随着智能设备的推陈出新和模式识别技术的发展，使用机器学习建模实现自动预测已成为可能。此次研究共招募182名研究生作为被试，包括100名男性和82名女性。
要求被试在一块长方形地毯上来回走动两分钟，Kinect摄像头置于地毯两端，收集被试步态数据，Kinect以每秒20帧的速度捕获人体25个关节在X, Y, Z三个轴上的三维坐标。此外，被试需要完成罗森博格自尊量表（RSES）。
研究人员对Kinect获取的原始数据进行降噪、坐标系转换和剪切后，使用快速傅里叶变换（Fast Fourier Transform, FFT）从每个关节点的每一轴（共三轴）抽取64个特征，计算每个特征与被试自尊得分的相关系数，并选取相关系数最大的5个特征来建立回归模型，共有360个特征进入模型训练（5×3×24）。
研究分别使用线性回归（Linear Regression, LR）、简单线性回归（Simple Linear Regression, SLR）、高斯过程（Gaussian Processes, GP）、epsilon支持向量回归（epsilon-Support Vector Regression, E-SVR）、nu支持向量回归（nu-Support Vector Regression, N-SVR）方法建立回归模型并预测个体的自尊得分。
预测结果与被试自我报告的自尊得分间的最高相关为0.45。鉴于男性和女性的步态存在一定差异，研究针对男性和女性的步态数据分别进行建模预测，对男性步态预测与自我报告得分之间的最高相关为0.43，女性为0.59。研究结果表明，使用步态能够实现对个体自尊的自动识别。这种方法的优点在于能够进行非接触式的自尊测量，并能够在无法使用自我报告测量的情境中起到一定补充作用。
未来研究中可将步态测量与其他自尊研究手段相结合，以达到更好的信效度水平。该研究是中科院行为科学重点实验室朱廷劭研究组在“计算网络心理学”研究领域的系列成果之一。此项研究工作得到中科院重点部署项目、国家重点基础研究发展计划、中科院战略性先导科技专项等的资助。研究成果在线发表Gait & Posture上。