Identification des caractéristiques clés de la marche chez les patients AVC à l’aide de capteurs inertiels portables et d’apprentissages supervisés et non supervisés

Pourquoi la marche après un AVC est importante

L’AVC transforme souvent une simple traversée de la pièce en une épreuve quotidienne. Pour de nombreux survivants, la qualité des mouvements des jambes, du tronc et de la tête détermine leur autonomie, le risque de chute et la possibilité de reprendre une activité professionnelle ou sociale. Cette étude examine comment de petits capteurs portables et des programmes informatiques intelligents peuvent capturer les signatures cachées de la marche post-AVC, permettant aux cliniciens d’en voir davantage que l’œil nu et ouvrant la voie à une rééducation plus ciblée.

Mesurer la marche avec de petits dispositifs portables

Les chercheurs ont équipé 85 personnes ayant subi un AVC et 97 volontaires sains de cinq capteurs de mouvement de la taille d’une pièce. Ils ont été placés sur le front, la poitrine, le bas du dos et les deux tibias, et les participants ont marché en aller-retour sur dix mètres à leur rythme habituel. Les capteurs ont enregistré les mouvements du corps en trois dimensions, capturant non seulement la vitesse et la longueur de pas mais aussi la fluidité et la stabilité du tronc et de la tête, ainsi que la répartition du travail entre les jambes. À partir de ces enregistrements, l’équipe a calculé 79 mesures différentes décrivant le timing, la symétrie entre les jambes, la variabilité d’un pas à l’autre et la fluidité et la stabilité des mouvements du haut du corps.

Apprendre aux ordinateurs à repérer une marche problématique

Avec autant de mesures possibles, le défi consistait à déterminer lesquelles distinguaient réellement les survivants d’AVC des marcheurs sains. L’équipe a utilisé trois méthodes d’apprentissage automatique, toutes conçues pour classer les sujets en deux groupes selon leur marche : k-plus proches voisins, machines à vecteurs de support et arbres de décision. Ils ont d’abord appliqué des tests statistiques standard pour écarter les mesures manifestement peu utiles, puis ont supprimé celles quasi redondantes. Enfin, ils ont utilisé une approche d’élagage progressive qui entraînait à plusieurs reprises chaque algorithme en retirant une mesure à la fois, ne conservant que celles préservant une haute précision de classification. Sur de nombreuses répartitions aléatoires des données, les machines ont correctement distingué participants AVC et sains dans environ neuf cas sur dix, la machine à vecteurs de support étant la plus performante et la plus stable.

Cibler les indices de marche les plus révélateurs

À partir des 79 mesures initiales, le processus a réduit la liste à seulement neuf qui contenaient l’essentiel de l’information utile. Ces mesures concernaient la vitesse de marche, la variabilité du timing des pas, la symétrie latérale des mouvements du tronc et la fluidité des mouvements de la tête et de la poitrine, en particulier dans les directions avant–arrière et latérale. De façon notable, la fluidité du mouvement de la tête est apparue comme un marqueur nouveau et puissant des troubles de la marche liés à l’AVC, suggérant des problèmes d’équilibre, de stabilisation du regard et d’intégration des signaux de l’oreille interne et du corps pendant la marche. De manière surprenante, les mesures classiques d’asymétrie gauche–droite des pas n’ont pas survécu à la sélection, sans doute parce que l’AVC peut perturber la marche selon des schémas très variables, affaiblissant leur capacité à séparer les groupes de façon fiable.

Laisser les données se regrouper elles-mêmes

Pour vérifier que ces indices sélectionnés étaient réellement informatifs — et non pas simplement adaptés aux méthodes d’apprentissage utilisées — les chercheurs ont ensuite appliqué une technique non supervisée. Plutôt que d’indiquer à l’ordinateur qui avait eu un AVC, ils ont simplement fourni les mesures choisies et demandé de former deux clusters basés sur la similarité. En utilisant une méthode appelée k-médoïdes et plusieurs façons de mesurer la distance entre points de données, ils ont montré que seulement trois mesures — la vitesse globale de marche, la variabilité de la phase d’appui et un signal de symétrie du tronc — suffisaient à regrouper les sujets en AVC ou sains avec environ 90 % de précision. Une règle de distance qui se concentrait sur le profil des mesures plutôt que sur leur amplitude absolue s’est révélée la plus stable lors des tests répétés.

Implications pour la prise en charge quotidienne

Pour un non-spécialiste, le message clé est qu’une courte marche équipée de cinq petits capteurs peut révéler une « empreinte » compacte de la façon dont l’AVC a modifié la marche d’une personne. Les ordinateurs peuvent utiliser une poignée de mesures de mouvement soigneusement sélectionnées — la vitesse de marche, la régularité des pas et la fluidité des mouvements du tronc et de la tête — pour différencier de manière fiable marche post-AVC et marche saine. Cette connaissance nous rapproche d’outils simples et adaptés aux cliniques capables de suivre objectivement la récupération, de mettre en évidence des problèmes d’équilibre occultes et d’aider les thérapeutes à adapter les exercices. Avec des travaux complémentaires pour exécuter ces méthodes en temps réel et sur des populations de patients plus variées, de tels systèmes pourraient devenir des compagnons quotidiens de la rééducation post-AVC, transformant chaque pas en retour utile sur la voie d’une marche plus sûre et plus confiante.

Citation: 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

Mots-clés: marche après AVC, capteurs portables, apprentissage automatique, rééducation, stabilité de la marche