Klassifizierung von Sturzgefährdeten und Nicht-Sturzgefährdeten bei älteren Erwachsenen mithilfe elektrischer IMU-Signale für die Ganganalyse und erklärbares Deep Learning

Warum es wichtig ist, standfest zu bleiben

Mit zunehmendem Alter kann ein einfacher Fehltritt zu einem schweren Sturz führen, mit Folgen von Knochenbrüchen bis hin zum Verlust von Selbstständigkeit. Ärztinnen und Ärzte wissen, dass der Gang einer Person wichtige Hinweise auf das Sturzrisiko liefert, doch diese Hinweise waren bisher schwer genau zu messen und in praktische Warnungen zu verwandeln. Diese Studie zeigt, wie kleine, am Fuß getragene Sensoren in Kombination mit moderner künstlicher Intelligenz ältere Erwachsene nicht nur mit auffallend hoher Genauigkeit in höhere und niedrigere Risikogruppen einordnen können, sondern auch aufdecken, welche Abschnitte des Schrittablaufs am engsten mit Stürzen verknüpft sind.

Bewegung erfassen mit winzigen Sensoren

Die Forschenden nutzten eine öffentliche Datenbank mit 163 Erwachsenen im Alter zwischen 70 und 99 Jahren. Jede Versuchsperson trug ein leichtes Gerät, ein sogenanntes Inertial Measurement Unit (IMU), am einen Fuß, während sie etwa 30 Minuten ging. Diese Sensoren zeichnen die Fußbewegung in drei Dimensionen auf und erfassen sowohl Beschleunigung als auch Rotation hunderte Male pro Sekunde. Die Teilnehmenden wurden danach klassifiziert, ob sie im vergangenen Jahr gestürzt waren, und zudem nach Altersdekaden (70er, 80er oder 90er) gruppiert. Aus den kontinuierlichen Aufzeichnungen schnitt das Team die Daten in kurze Fenster über mehrere Schritte, wodurch tausende kleine „Schnappschüsse“ des Gangs entstanden, die in die computergestützten Modelle eingespeist wurden.

Computer beibringen, riskantes Gehen zu erkennen

Um diese Bewegungsaufzeichnungen in aussagekräftige Risikogruppen zu verwandeln, verglichen die Forschenden traditionelle maschinelle Lernverfahren mit fortgeschritteneren Deep-Learning-Ansätzen. Klassische Algorithmen wie Entscheidungsbäume und Random Forests erhielten zusammenfassende Statistiken aus jedem Gehsegment, etwa Mittelwerte und zeitliche Variabilität. Deep-Learning-Modelle wie Convolutional Neural Networks (CNNs) und Long Short-Term Memory-Netze (LSTMs) durften hingegen die rohen, wellenförmigen Sensorsignale direkt verarbeiten und lernten Muster eigenständig ohne manuell entworfene Merkmale. Ziel war es zu prüfen, wie gut jede Methode ältere Erwachsene mit Sturzvorgeschichte von denen ohne unterscheiden kann und wie zuverlässig sich Personen allein anhand ihres Gangs in Altersgruppen einordnen lassen.

Wie gut die Modelle abschneiden

Wurden die Daten aller Teilnehmenden gemischt und in Trainings- und Testsets aufgeteilt, übertrafen die Deep-Learning-Modelle deutlich die traditionellen Methoden. Das CNN klassifizierte Sturzgefährdete und Nicht-Sturzgefährdete korrekt in etwa 96 % der Fälle, das LSTM lag dicht dahinter bei 95 %, während die besten klassischen Methoden bestenfalls in die hohen 80er kamen. Selbst bei einem härteren Test, bei dem die Modelle an einigen Personen trainiert und an völlig anderen evaluiert wurden, erreichte das CNN noch rund 92 % Genauigkeit bei der Klassifikation der Sturzvorgeschichte und nahezu 90 % bei der Altersgruppenzuordnung. Beide Deep-Modelle konnten zudem Individuen überraschend gut unterscheiden, was darauf hindeutet, dass der Gang jedes Menschen durch diese Sensoren fast so charakteristisch ist wie eine Signatur.

Die "Black Box" der KI-Entscheidungen öffnen

Eine häufige Kritik an leistungsstarken KI-Methoden ist ihre Undurchsichtigkeit: Sie können zwar genau sein, erklären sich aber selten selbst. Um dem entgegenzuwirken, nutzten die Autorinnen und Autoren ein Erklärungswerkzeug namens LIME, um die Entscheidungen des CNN zur Klassifikation der Sturzvorgeschichte zu untersuchen. Statt zu fragen, welche Gesamtmerkmale wichtig waren, analysierten sie, welche Momente innerhalb jedes Schritts am meisten dazu beitrugen, jemanden als sturzgefährdet oder nicht sturzgefährdet zu kennzeichnen. Sie stellten fest, dass sich das Modell vor allem auf die Standphase konzentrierte – die Zeit, in der der Fuß Gewicht trägt –, insbesondere auf die mittleren und späten Abschnitte, wenn der Körper nach vorne verlagert wird und sich auf das Abstoßen vorbereitet. Bei Personen mit Sturzvorgeschichte dominierten Unregelmäßigkeiten in diesen Phasen die Modellentscheidung, während Nicht-Sturzgefährdete ausgeglichenere Beiträge aus Stand- und Schwungphase (wenn der Fuß in der Luft ist) zeigten.

Was das für die Sturzprävention bedeutet

Für Laien lautet die zentrale Botschaft: Kleine, unauffällige Fußsensoren in Kombination mit intelligenten Algorithmen können subtile Instabilitäten im Gang erkennen, lange bevor ein Sturz auftritt — und auf den genauen Teil des Schrittablaufs hinweisen, an dem Probleme entstehen. Die Studie zeigt, dass Deep-Learning-Systeme zuverlässig vergangene Sturzpatienten von Nicht-Sturzpatienten unterscheiden und verschiedene Altersmuster im Gang aufspüren können, und das aus nur wenigen Sekunden Sensordaten. Ebenso wichtig ist, dass durch die Betonung von Problemen in den belasteten Phasen des Schritts konkrete Ziele für Übungen und Rehabilitation abgeleitet werden können, etwa die Verbesserung von Gleichgewicht und Kraft in der Standphase, wenn der Körper darüber hinweg bewegt wird. Mit weiteren Tests in breiteren Gruppen und über längere Zeiträume könnte dieser Ansatz zu tragbaren Werkzeugen ausreifen, die den Gang im Alltag leise überwachen und klinisch verwertbare, verständliche Warnungen geben, wenn das Sturzrisiko eines älteren Erwachsenen zunimmt.

Zitation: Alqurashi, A., Alharthi, A., Alammar, M.M. et al. Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning. Sci Rep 16, 14353 (2026). https://doi.org/10.1038/s41598-026-44368-w

Schlüsselwörter: Sturzrisiko, Ganganalyse, tragbare Sensoren, Deep Learning, ältere Erwachsene