Identifizierung wichtiger Gangmerkmale bei Schlaganfallpatienten mithilfe tragbarer Trägheitssensoren und überwachter sowie unüberwachter Maschinenlernverfahren

Warum Gehen nach einem Schlaganfall wichtig ist

Ein Schlaganfall verwandelt oft einen einfachen Weg quer durch den Raum in einen täglichen Kampf. Für viele Überlebende entscheidet die Qualität der Bewegung von Beinen, Rumpf und Kopf darüber, ob sie selbstständig leben, Stürze vermeiden und wieder arbeiten oder am gesellschaftlichen Leben teilnehmen können. Diese Studie untersucht, wie kleine tragbare Sensoren und intelligente Programme die verborgenen Signaturen des postschlaganfalllichen Gangs erfassen können, so dass Klinikern mehr auffällt, als das bloße Auge sieht, und damit den Weg für zielgerichtetere Rehabilitationsmaßnahmen ebnen.

Schritte messen mit winzigen tragbaren Geräten

Die Forscher statteten 85 Personen mit Schlaganfall und 97 gesunde Probanden mit fünf münzgroßen Bewegungssensoren aus. Diese wurden auf der Stirn, der Brust, dem unteren Rücken und an beiden Schienbeinen befestigt, und die Teilnehmenden gingen in ihrem üblichen Tempo mehrmals über zehn Meter hin und her. Die Sensoren zeichneten die Bewegungen des Körpers in drei Dimensionen auf und erfassten nicht nur Geschwindigkeit und Schrittlänge, sondern auch wie glatt und stabil Rumpf und Kopf waren und wie gleichmäßig die Beine die Arbeit teilten. Aus diesen Aufzeichnungen berechnete das Team 79 verschiedene Kennwerte, die Timing, Symmetrie zwischen den Beinen, Schritt-für-Schritt-Variabilität sowie die Glätte und Stabilität des Oberkörpers beschrieben.

Computern beibringen, problematischen Gang zu erkennen

Bei so vielen potenziellen Kennwerten bestand die Herausforderung darin, herauszufinden, welche tatsächlich Schlaganfallüberlebende von gesunden Gehern unterscheiden. Das Team verwendete drei verschiedene Maschinenlernverfahren, die alle darauf ausgelegt sind, Personen anhand ihres Gangs in zwei Gruppen zu sortieren: k-nächste Nachbarn, Support-Vektor-Maschinen und Entscheidungsbäume. Zuerst wandten sie Standardstatistiken an, um offensichtlich unbrauchbare Kennwerte auszusortieren, dann entfernten sie solche, die sich praktisch doppelt ähnelten. Schließlich nutzten sie einen schrittweisen Beschneidungsansatz, bei dem jeder Algorithmus wiederholt trainiert wurde, während jeweils ein Kennwert entfernt wurde, sodass nur die Kennwerte erhalten blieben, die eine hohe Klassifikationsgenauigkeit bewahrten. Über viele zufällige Datensplits hinweg unterschieden die Maschinen Schlaganfall- von gesunden Teilnehmenden in etwa neun von zehn Fällen korrekt, wobei die Support-Vektor-Maschine die beste und konsistenteste Leistung zeigte.

Fokussierung auf die aussagekräftigsten Hinweise beim Gehen

Aus den ursprünglichen 79 Kennwerten reduzierte der Prozess die Liste auf nur neun, die den Großteil der nützlichen Information trugen. Diese Kennwerte umfassten die Gehgeschwindigkeit, die Variabilität des Schritt-Timings, die seitliche Symmetrie der Rumpfbewegung und die Glätte der Bewegungen von Kopf und Brust, insbesondere in Vor–Zurück- und Seitenbewegungsrichtungen. Hervorzuheben ist, dass die Glätte der Kopfbewegung als neues und starkes Merkmal für schlaganfallbedingte Gangstörungen hervorging. Das deutet auf Probleme bei der Balance, der Blickstabilisierung und der Integration von Signalen aus Innenohr und Körper während des Gehens hin. Überraschenderweise überlebten klassische Maße der Links-Rechts-Schrittasymmetrie die Auswahl nicht, wahrscheinlich weil ein Schlaganfall den Gang auf viele verschiedene Weisen stören kann und dadurch deren Fähigkeit, Gruppen zuverlässig zu trennen, abgeschwächt wird.

Die Daten sich selbst gruppieren lassen

Um zu prüfen, ob diese ausgewählten Ganghinweise wirklich informativ sind und nicht nur an die verwendeten Lernmethoden angepasst waren, nutzten die Forschenden anschließend eine unüberwachte Technik. Statt dem Computer zu sagen, wer einen Schlaganfall hatte, gaben sie einfach die ausgewählten Kennwerte ein und baten ihn, zwei Cluster nach Ähnlichkeit zu bilden. Mithilfe einer Methode namens k-Medoids und mehreren Möglichkeiten, Entfernungen zwischen Datenpunkten zu messen, zeigten sie, dass bereits so wenige wie drei Kennwerte – die allgemeine Gehgeschwindigkeit, wie sehr die Standphase variierte, und ein symmetriebezogenes Rumpfsignal – ausreichten, um Menschen mit etwa 90 % Genauigkeit als Schlaganfall- oder Gesund-Kategorie zu gruppieren. Eine Distanzregel, die das Muster der Kennwerte statt ihrer absoluten Größe betonte, erwies sich als am stabilsten über wiederholte Tests.

Was das für die tägliche Versorgung bedeutet

Für Nicht-Spezialisten lautet die Kernbotschaft, dass ein kurzer Gang mit fünf kleinen Sensoren ein kompaktes „Fingerabdruck“-Muster enthüllen kann, wie ein Schlaganfall den Gang verändert hat. Computer können mit nur einer Handvoll sorgfältig gewählter Bewegungskennwerte – wie schnell man geht, wie gleichmäßig die Schritte sind und wie glatt sich Rumpf und Kopf bewegen – zuverlässig Schlaganfallgang von gesundem Gang unterscheiden. Diese Erkenntnis bringt uns näher an einfache, klinikfreundliche Werkzeuge, die den Genesungsverlauf objektiv verfolgen, versteckte Gleichgewichtsprobleme aufdecken und Therapeutinnen und Therapeuten bei der Anpassung von Übungen leiten können. Mit weiterer Arbeit, um diese Methoden in Echtzeit und bei vielfältigeren Patientengruppen einzusetzen, könnten solche Systeme zu alltäglichen Begleitern in der Schlaganfallrehabilitation werden und jeden Schritt in nützliches Feedback auf dem Weg zu sichererem, selbstbewussterem Gehen verwandeln.

Zitation: Brasiliano, P., Orejel-Bustos, A.S., Belluscio, V. et al. Identifying key gait features in stroke patients using wearable inertial sensors and supervised and unsupervised machine learning. Sci Rep 16, 8908 (2026). https://doi.org/10.1038/s41598-026-43666-7

Schlüsselwörter: Gang bei Schlaganfall, tragbare Sensoren, Machine Learning, Rehabilitation, Gangsicherheit