Classification des personnes tombées et non tombées chez les personnes âgées à l’aide du signal IMU électrique pour l’analyse de la marche et du deep learning explicable

Pourquoi garder l’équilibre est essentiel

Avec l’âge, une simple fausse marche peut entraîner une chute grave, aux conséquences allant des os fracturés à la perte d’autonomie. Les médecins savent que la façon de marcher livre des indices cruciaux sur le risque de chute, mais il a été difficile de mesurer ces indices avec précision et d’en tirer des alertes pratiques. Cette étude montre comment de petits capteurs portés sur les pieds, combinés à l’intelligence artificielle moderne, peuvent non seulement classer les personnes âgées en groupes à risque élevé ou faible avec une grande précision, mais aussi révéler quelles parties du cycle de marche sont les plus liées aux chutes.

Lire le mouvement avec de minuscules capteurs

Les chercheurs ont utilisé une base de données publique de 163 personnes âgées de 70 à 99 ans. Chaque volontaire portait un dispositif léger appelé unité de mesure inertielle (IMU) fixé sur un pied lors d’une marche d’environ 30 minutes. Ces capteurs enregistrent les mouvements du pied en trois dimensions, capturant à la fois l’accélération et la rotation des centaines de fois par seconde. Les participants ont été étiquetés selon qu’ils avaient chuté au cours de l’année écoulée et regroupés par décade d’âge (70 ans, 80 ans ou 90 ans). À partir des enregistrements continus, l’équipe a découpé les données en courtes fenêtres couvrant plusieurs pas, créant des milliers de « instantanés » de motifs de marche à fournir à leurs modèles informatiques.

Apprendre aux ordinateurs à repérer la marche à risque

Pour transformer ces traces de mouvement en groupes de risque significatifs, les chercheurs ont comparé des méthodes classiques d’apprentissage automatique à des approches plus avancées d’apprentissage profond. Des algorithmes classiques, tels que les arbres de décision et les forêts aléatoires, ont reçu des statistiques récapitulatives de chaque segment de marche, comme la moyenne et la variabilité au fil du temps. Les modèles d’apprentissage profond appelés réseaux de neurones convolutionnels (CNN) et réseaux à mémoire à long terme (LSTM), en revanche, ont pu traiter directement les signaux bruts en forme d’ondes des capteurs, apprenant des motifs par eux‑mêmes sans caractéristiques manuelles. L’objectif était d’évaluer la capacité de chaque famille de méthodes à distinguer les personnes âgées ayant chuté de celles qui ne l’avaient pas fait, et la fiabilité avec laquelle elles pouvaient classer les groupes d’âge uniquement à partir de la façon dont elles marchent.

Performances des modèles

Lorsque les données de tous les participants ont été mélangées puis divisées en ensembles d’apprentissage et de test, les modèles d’apprentissage profond ont nettement surpassé les méthodes traditionnelles. Le CNN a correctement classé les personnes tombées et non tombées dans environ 96 % des cas, et le LSTM était proche avec 95 %, tandis que les meilleures méthodes classiques atteignaient tout au plus la fin des 80 %. Même dans un test plus exigeant, où les modèles étaient entraînés sur certains individus puis évalués sur des personnes entièrement différentes, le CNN a encore obtenu environ 92 % de précision pour l’historique de chutes et près de 90 % pour la classification par groupe d’âge. Les deux modèles profonds distinguaient aussi étonnamment bien les individus, suggérant que la démarche de chaque personne est aussi distinctive qu’une signature lorsqu’elle est observée à travers ces capteurs.

Ouvrir la « boîte noire » des décisions de l’IA

Une critique fréquente des méthodes d’IA puissantes est leur opacité : elles peuvent être précises, mais expliquent rarement leurs décisions. Pour y remédier, les auteurs ont utilisé un outil d’explicabilité appelé LIME pour sonder les décisions du CNN concernant la classification de l’historique de chutes. Plutôt que de demander quelles caractéristiques globales importaient, ils ont examiné quels instants au sein de chaque pas contribuaient le plus à étiqueter quelqu’un comme tombeur ou non‑tombeur. Ils ont constaté que le modèle se concentrait principalement sur la phase d’appui — la période où le pied est au sol et porte le poids — en particulier les parties moyennes et tardives, lorsque le corps avance et se prépare à la propulsion. Chez les personnes ayant des antécédents de chute, des irrégularités durant ces phases dominaient le raisonnement du modèle, tandis que chez les non‑tombeurs la contribution était plus équilibrée entre l’appui et le balancement (lorsque le pied est en l’air).

Ce que cela signifie pour la prévention des chutes

Pour le grand public, le message clé est que de petits capteurs discrets aux pieds associés à des algorithmes intelligents peuvent détecter de subtiles instabilités dans la manière de marcher bien avant qu’une chute ne survienne — et indiquer précisément dans quel segment du cycle de pas le problème apparaît. L’étude montre que des systèmes d’apprentissage profond peuvent distinguer de façon fiable les anciens tombeurs des non‑tombeurs et séparer différents profils de marche liés à l’âge, à partir de quelques secondes de données capteurs. Tout aussi important, en mettant en évidence des problèmes durant les phases de port de poids du pas, la méthode suggère des cibles concrètes pour l’exercice et la rééducation, comme améliorer l’équilibre et la force lorsque le pied est au sol et que le corps se déplace dessus. Avec des tests complémentaires sur des populations plus larges et sur la durée, cette approche pourrait évoluer vers des outils portables qui surveillent discrètement la marche au quotidien et fournissent aux cliniciens des alertes précoces et compréhensibles lorsqu’un risque de chute chez une personne âgée commence à augmenter.

Citation: 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

Mots-clés: risque de chute, analyse de la marche, capteurs portables, apprentissage profond, personnes âgées