Kontinuierliche Bewertung des täglichen Gangbildes mittels selbstüberwachtem Lernen an handgelenksgetragenen Beschleunigungsdaten

Warum Ihre Uhr eines Tages verfolgen könnte, wie gut Sie gehen

Viele Menschen tragen bereits Fitnessuhren, die Schritte zählen oder Workouts aufzeichnen. Für ältere Erwachsene kann jedoch die Art zu gehen – Tempo, Rhythmus und Stabilität – frühe Hinweise auf gesundheitliche Probleme liefern, von Gebrechlichkeit bis hin zu Demenz. Diese Studie zeigt, dass ein einzelner am Handgelenk getragener Sensor in Kombination mit einem fortschrittlichen KI‑System namens ElderNet Alltagsbewegungsdaten in detaillierte Maße der Gehqualität verwandeln kann und damit ein gängiges Gerät in ein leistungsfähiges Gesundheits‑Überwachungsinstrument verwandeln könnte.

Von einfachen Schrittzählern zu reichhaltigen Hinweisen aufs Gehen

Die meisten Handgelenksgeräte schätzen heute, wie aktiv man insgesamt ist: wie lange man sitzt, wie oft man sich bewegt oder wie viele Schritte man macht. Diese Zusammenfassungen sind zwar nützlich, vermischen jedoch viele Bewegungsarten und übersehen die feinen Details des Gehens. Ärzte und Forscher interessieren sich für spezifische Gehmerkmale – etwa wie schnell man geht, wie viele Schritte pro Minute man macht, wie lang jeder Schritt ist und wie regelmäßig die Schritte sind – weil diese starke Indikatoren für gesundes Altern sowie für das Risiko von Behinderung, Stürzen und kognitivem Abbau sind. Traditionell stammen diese Maße aus kurzen Tests in Kliniken oder Laboren, oft mit Sensoren am unteren Rücken oder speziellen Laufbändern. Diese Aufbauten sind zwar genau, aber unpraktisch und erfassen nur kurze Momentaufnahmen der Mobilität einer Person.

Einem Modell beibringen, vom Handgelenk auf das Gehen zu schließen

Das Team hinter ElderNet wollte vollständige Gehinfos aus Handgelenkssensoren gewinnen, die im normalen Alltagsleben getragen werden, obwohl das Handgelenk sich auf komplexe Weise bewegt und Armschwünge mit anderen Aktivitäten vermischt. Sie bauten auf einem selbstüberwachten Lernansatz auf, bei dem ein tiefes neuronales Netz zunächst aus großen Mengen unlabeled Handgelenksdaten von mehr als 100.000 Personen aus der UK Biobank Muster autodidaktisch lernt. Anschließend wurde das Modell mit mehrtägigen Aufzeichnungen von über 800 sehr alten Erwachsenen aus dem Rush Memory and Aging Project weiter angepasst, sodass es besonders auf Bewegungsmuster älterer Bevölkerungsgruppen abgestimmt ist. Schließlich wurde das System an einem kleineren, aber sorgfältig gelabelten Datensatz, Mobilise‑D, feinabgestimmt, in dem Teilnehmer sowohl Handgelenkssensoren als auch ein umfassendes Referenzsystem trugen, das ihr Gehen in realen Umgebungen präzise maß. Dieser Schritt erlaubt es ElderNet, komplexe Handgelenksbewegungen in konkrete Gehmetriken für jede erkannte Gehsequenz zu übersetzen.

Wie gut das System das Gehen misst

Getestet an älteren Erwachsenen und Personen mit Erkrankungen wie Herzinsuffizienz, Lungenerkrankungen, Parkinson, Hüftfrakturen und Multipler Sklerose schätzte ElderNet die Gehgeschwindigkeit mit einem durchschnittlichen Fehler von etwa 8,8 Zentimetern pro Sekunde und zeigte eine starke Übereinstimmung mit dem Goldstandard‑Referenzsystem. Es übertraf außerdem eine führende biomechanische Methode auf Basis handgefertigter Merkmale sowie ein ähnliches Modell, das ohne selbstüberwachtes Pretraining trainiert wurde. Die Forschenden erweiterten ElderNet, um zusätzliche Gehmerkmale wie Kadenz, Schrittlänge und Schrittregelmäßigkeit zu schätzen; insbesondere bei Kadenz und Schrittlänge war die selbstüberwachte Version dem vollständig überwachten Basismodell deutlich überlegen. Wichtig ist, dass die Leistung in einer unabhängigen Gruppe jüngerer, gesunder Erwachsener hoch blieb, was darauf hindeutet, dass der Ansatz über die ursprüngliche Trainingsstichprobe hinaus generalisiert, obwohl er für ältere Personen optimiert wurde.

Alltägliches Gehen erzählt eine andere Geschichte als Kliniktests

Um die klinische Nützlichkeit zu untersuchen, wendeten die Autoren ElderNet auf etwa zehn Tage Handgelenksdaten pro Person von Hunderten älterer, in der Gemeinschaft lebender Erwachsener an. Sie verglichen drei Wege, Personen mit selbstberichteter Mobilitätseinschränkung zu identifizieren: kurze, überwachte Gehtests; breite Zusammenfassungen der körperlichen Aktivität vom Handgelenk; und detaillierte mehrtägige Gangmetriken, die ElderNet schätzte. Während laborbasierte Gehmaße und allgemeine Aktivitätsniveaus nur mäßig unterscheiden konnten, gelang den reichhaltigen realweltlichen Gehmerkmalen eine deutlich bessere Trennung von Personen mit und ohne Mobilitätsprobleme. Interessanterweise standen die im Alltag beobachteten Gangmuster nur in schwacher Beziehung zu denen, die in kurzen klinischen Spaziergängen gemessen wurden, was darauf hinweist, dass die Bewegungsweisen in der eigenen Umgebung Aspekte der Funktion erfassen, die traditionelle Tests übersehen.

Was das für gesundes Altern bedeuten könnte

Die Studie zeigt, dass ein gewöhnliches, bequem am Handgelenk getragenes Gerät mit den richtigen Algorithmen klinikähnliche Einsichten darüber liefern kann, wie Menschen im Alltag gehen. Die Genauigkeit von ElderNet liegt in einem Bereich, der klinisch relevante Veränderungen der Gehgeschwindigkeit widerspiegelt, und seine mehrtägigen Messungen identifizieren ältere Menschen mit Mobilitätseinschränkungen besser als Standardtests oder einfache Aktivitätszählungen. Mit weiterer Validierung in vielfältigeren Gruppen und über längere Zeiträume könnte dieser Ansatz helfen, subtile Verschlechterungen früher zu entdecken, Krankheitsverläufe oder Erholungen zu überwachen und persönlichere Interventionen zu lenken – alles basierend auf still gesammelten Daten eines uhrähnlichen Sensors.

Zitation: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Schlüsselwörter: Gangüberwachung, Handgelenksbeschleuniger, gesundes Altern, selbstüberwachtes Lernen, digitale Biomarker