Évaluation continue de la marche quotidienne par apprentissage auto-supervisé des données d’un accéléromètre porté au poignet

Pourquoi votre montre pourrait un jour suivre la qualité de votre marche

Beaucoup de personnes portent déjà des montres de fitness qui comptent les pas ou suivent les entraînements. Mais chez les personnes âgées, la façon de marcher — vitesse, rythme et stabilité — peut révéler des signes précoces de problèmes de santé, de la fragilité à la démence. Cette étude montre qu’un seul capteur porté au poignet, associé à un système d’intelligence artificielle avancé appelé ElderNet, peut transformer des données de mouvement quotidiennes en mesures détaillées de la qualité de la marche, faisant potentiellement d’un objet courant un puissant outil de surveillance de la santé.

Des simples comptes de pas à des indices riches sur la marche

La plupart des appareils au poignet estiment aujourd’hui votre niveau d’activité global : combien de temps vous êtes assis, à quelle fréquence vous bougez ou combien de pas vous faites. Utile, certes, mais ces résumés mélangent de nombreux types de mouvements et passent à côté des détails fins de la marche elle‑même. Les médecins et chercheurs s’intéressent à des caractéristiques précises de la marche — par exemple la vitesse de marche, le nombre de pas par minute, la longueur de foulée et la régularité des pas — car elles sont de forts indicateurs du vieillissement sain et du risque de handicap, de chute et de déclin cognitif. Traditionnellement, ces mesures proviennent de tests brefs en clinique ou en laboratoire, souvent avec des capteurs sur le bas du dos ou des tapis de marche spécialisés. Ces dispositifs sont précis mais peu pratiques et ne capturent que de courts instantanés de la mobilité d’une personne.

Apprendre à un modèle à lire la marche depuis le poignet

L’équipe derrière ElderNet a cherché à extraire l’information complète sur la marche à partir de capteurs portés au poignet lors de la vie quotidienne, malgré la complexité des mouvements du poignet qui mêlent le balancement des bras à d’autres activités. Elle s’appuie sur une approche d’apprentissage auto‑supervisé, où un réseau neuronal profond s’auto‑forme d’abord pour reconnaître des motifs dans d’importantes quantités de données de poignet non annotées provenant de plus de 100 000 personnes de l’UK Biobank. Ensuite, le modèle est adapté à l’aide d’enregistrements pluri‑journaliers de plus de 800 personnes très âgées du Rush Memory and Aging Project, afin d’être particulièrement ajusté aux profils de mouvement des populations vieillissantes. Enfin, le système est affiné sur un jeu de données plus petit mais soigneusement annoté, Mobilise‑D, où les participants portaient à la fois des capteurs au poignet et un système de référence riche mesurant précisément leur marche en conditions réelles. Cette étape permet à ElderNet d’apprendre à traduire des mouvements complexes du poignet en mesures spécifiques de la marche pour chaque épisode de marche détecté.

Quelle est la précision du système pour mesurer la marche

Lorsqu’il a été testé sur des personnes âgées et des patients atteints de pathologies telles que insuffisance cardiaque, maladie pulmonaire, maladie de Parkinson, fracture de la hanche et sclérose en plaques, ElderNet a estimé la vitesse de marche avec une erreur moyenne d’environ 8,8 centimètres par seconde et a montré une forte concordance avec le système de référence considéré comme la référence. Il a également surpassé une méthode biomécanique de référence basée sur des caractéristiques conçues à la main ainsi qu’un modèle similaire entraîné sans préentraînement auto‑supervisé. Les chercheurs ont étendu ElderNet pour estimer d’autres caractéristiques de la marche comme la cadence, la longueur de foulée et la régularité des pas ; pour la cadence et la longueur de foulée en particulier, la version auto‑supervisée a clairement dépassé la base entièrement supervisée. Fait important, la performance est restée élevée dans un groupe indépendant d’adultes plus jeunes et en bonne santé, ce qui suggère que l’approche généralise au‑delà de l’échantillon d’entraînement initial, même si elle a été optimisée pour des individus âgés.

La marche quotidienne raconte une histoire différente des tests en clinique

Pour explorer l’utilité clinique, les auteurs ont appliqué ElderNet à environ dix jours de données au poignet par personne pour des centaines de personnes âgées vivant en communauté. Ils ont comparé trois façons d’identifier qui déclarait une incapacité de mobilité : des tests de marche brefs et supervisés ; des résumés larges d’activité physique issus du poignet ; et des métriques détaillées de marche pluri‑journalières estimées par ElderNet. Alors que les mesures de marche réalisées en laboratoire et les niveaux d’activité globale n’offraient qu’une discrimination modeste, les caractéristiques riches de la marche en conditions réelles se sont montrées bien meilleures pour séparer les personnes avec et sans problèmes de mobilité. Fait intéressant, les schémas de marche observés dans la vie quotidienne étaient seulement faiblement corrélés à ceux mesurés lors de marches cliniques brèves, ce qui suggère que la façon dont les gens se déplacent dans leur propre environnement capture des aspects fonctionnels que les tests traditionnels manquent.

Quelles implications pour un vieillissement en bonne santé

L’étude montre qu’un dispositif courant et confortable porté au poignet peut, avec les bons algorithmes, fournir une vision de qualité clinique sur la façon dont les personnes marchent au quotidien. La précision d’ElderNet est de l’ordre de grandeurs des variations cliniquement significatives pour la vitesse de marche, et ses mesures pluri‑journalières identifient mieux les personnes âgées ayant des difficultés de mobilité que les tests standard ou les simples comptes d’activité. Avec des validations supplémentaires dans des groupes plus divers et sur des périodes plus longues, cette approche pourrait aider à détecter plus tôt des déclins subtils, suivre la progression ou la récupération de maladies et guider des interventions plus personnalisées, le tout à partir de données collectées discrètement par un capteur de type montre.

Citation: 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

Mots-clés: surveillance de la marche, accéléromètre au poignet, vieillissement en bonne santé, apprentissage auto-supervisé, biomarqueurs numériques