Un jeu de données annoté à plusieurs niveaux sur les manifestations et la gravité de l’arrêt de la marche dans la maladie de Parkinson

Pourquoi s’arrêter en plein pas compte

Pour de nombreuses personnes atteintes de la maladie de Parkinson, marcher n’est pas seulement plus lent ou plus tremblant — cela peut s’arrêter soudainement. En un instant, leurs pieds ont l’impression d’être collés au sol, alors qu’elles essaient désespérément d’avancer. Cet épisode effrayant, appelé arrêt de la marche, est une cause majeure de chutes, de blessures et de perte d’autonomie. L’article résumant ce travail présente FoG-STAR, un nouveau jeu de données riche construit à partir de capteurs portables qui suivent les mouvements des personnes atteintes de Parkinson au cours d’activités quotidiennes. En partageant ces données ouvertement avec la communauté scientifique mondiale, les auteurs espèrent accélérer le développement d’appareils et d’algorithmes plus performants capables de détecter, mesurer et, à terme, aider à prévenir ces épisodes dangereux.

Observer le mouvement avec des capteurs portables discrets

Plutôt que de se fier uniquement à l’observation brève d’un médecin en clinique, le projet FoG-STAR utilise quatre petits capteurs de mouvement pour suivre le corps pas à pas. Vingt-deux volontaires atteints de Parkinson ont porté des capteurs aux deux chevilles, à un poignet et sur le bas du dos, approximativement à l’emplacement du centre de masse. Chaque appareil a enregistré la vitesse et la rotation des différentes parties du corps des centaines de fois par seconde, pendant que les participants réalisaient des mouvements courants comme se lever, s’asseoir, marcher sur dix mètres, tourner sur place ou traverser un seuil. Toutes les séances ont été filmées alors que les participants étaient en état « off-médicament » afin d’augmenter la probabilité d’apparition d’épisodes de blocage. En parallèle, des caméras vidéo ont capturé chaque action, fournissant une référence visuelle pour ce que les capteurs enregistraient.

Du mouvement brut aux épisodes de gel étiquetés

Collecter les signaux n’est qu’une moitié de l’histoire ; l’autre moitié consiste à comprendre ce qu’ils signifient. Deux neurologues, tous deux experts en troubles du mouvement, ont soigneusement passé les vidéos image par image. Ils ont marqué le début et la fin de chaque épisode de gel et décrit son apparence — si la personne avançait en traînant de petits pas, tremblait sur place avec des mouvements rapides des jambes, ou restait complètement bloquée sans bouger du tout. Ils ont aussi étiqueté ce que faisait la personne le reste du temps : marcher, rester immobile, tourner, s’asseoir ou changer de posture. Ces annotations détaillées ont ensuite été synchronisées avec les données des capteurs, produisant un enregistrement synchronisé où chaque instant de mouvement est associé à ce qui se passait cliniquement. Cette description multi-couches permet d’étudier le gel dans son contexte plutôt que comme des épisodes isolés.

Construire une ressource pour des algorithmes plus intelligents

Le résultat est une collection ouverte et organisée de 329 000 échantillons de capteurs, chacun lié à un sujet, une tâche, une activité et une étiquette de gel. Un fichier séparé liste l’âge de chaque participant, le stade de la maladie, les scores moteurs, les capacités cognitives, la peur de la chute et la qualité de vie, afin que les chercheurs puissent explorer comment les profils de gel diffèrent d’un patient à l’autre. Des tests précoces avec des modèles d’apprentissage automatique montrent que les méthodes d’apprentissage profond peuvent reconnaître les épisodes de gel avec une grande précision, en particulier lorsque l’on utilise les données des capteurs aux chevilles. Ces modèles peuvent même être entraînés sur FoG-STAR puis adaptés à d’autres jeux de données, ce qui suggère que FoG-STAR capture des caractéristiques clés de l’apparition du gel dans les signaux de mouvement. Les auteurs décrivent également comment ils ont géré des problèmes techniques comme la synchronisation de plusieurs capteurs et le traitement des lacunes occasionnelles dans les données, fournissant ainsi une feuille de route pour des études similaires.

Limites, réserves et usage en conditions réelles

Comme toute ressource scientifique, FoG-STAR présente des limites. L’étude ne comprend que 22 personnes, toutes testées dans un environnement soigneusement contrôlé et toutes en arrêt de leur médication habituelle, si bien que les données peuvent ne pas refléter la pleine variété des gels observés à domicile ou à des stades plus légers de la maladie. Tous les participants n’ont pas réalisé chaque tâche, et les vidéos ont été réduites à dix images par seconde, ce qui signifie que des épisodes de gel extrêmement brefs peuvent ne pas être capturés avec précision. Néanmoins, le jeu de données couvre un large éventail de schémas de marche, de virages et de changements de posture, et il conserve les petites lacunes et imperfections des signaux au lieu de les lisser, permettant ainsi aux chercheurs de décider comment nettoyer et interpréter au mieux les données selon leurs besoins.

Ce que cela signifie pour les personnes vivant avec la maladie de Parkinson

Concrètement, FoG-STAR revient à remettre à la communauté de recherche un journal détaillé, horodaté, de la manière dont l’arrêt de la marche se déroule réellement dans le corps, écrit non pas en mots mais en mouvements. En rendant ce journal ouvert et bien documenté, les auteurs offrent aux ingénieurs, cliniciens et data scientists un point de départ commun pour comparer de nouvelles idées et outils. Avec le temps, ce travail pourrait conduire à des dispositifs portables qui avertissent les personnes juste avant qu’elles ne se bloquent, ajustent les traitements pour réduire le gel, ou guident des exercices de rééducation à domicile adaptés aux schémas de mouvement spécifiques d’une personne. Si FoG-STAR ne guérit pas la maladie de Parkinson ni l’arrêt de la marche en soi, il pose des bases cruciales pour des technologies qui pourraient un jour aider les personnes à marcher de façon plus sûre et plus confiante.

Citation: Borzì, L., Demrozi, F., Bacchin, R.A. et al. A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease. Sci Data 13, 305 (2026). https://doi.org/10.1038/s41597-026-06645-1

Mots-clés: Maladie de Parkinson, arrêt de la marche, capteurs portables, analyse de la marche, apprentissage profond