מיון נופלים ולא-נופלים במבוגרים מבוגרים באמצעות אותות IMU חשמליים לניתוח הליכה ולמידה עמוקה ניתנת להסבר

מדוע חשוב לשמור על יציבות על הרגליים

ככל שאנשים מתבגרים, צעד לא נכון פשוט עלול להוביל לנפילה חמורה, עם השלכות שיכולות לנוע משברים איברים ועד אובדן עצמאות. רופאים יודעים שדרך ההליכה של אדם מכילה רמזים חשובים לגבי הסבירות שלו ליפול, אך היה קשה למדוד רמזים אלה בדיוק ולהפכם לאזהרות מעשיות. המחקר הזה מראה כיצד חיישנים קטנים שנלבשים על הרגליים, בשילוב בינה מלאכותית מודרנית, יכולים לא רק למיין מבוגרים לקבוצות סיכון גבוהות ונמוכות בדיוק מרשים, אלא גם לחשוף אילו חלקים במחזור ההליכה קשורים ביותר לנפילות.

קריאת תנועה בחיישנים זעירים

החוקרים השתמשו במאגר ציבורי של 163 מבוגרים בגילאים 70–99. כל מתנדב חבש מכשיר קל בשם יחידת מדידה אינרציאלית (IMU) קשור לאחת הרגליים בזמן הליכה במשך כ־30 דקות. חיישנים אלה מקליטים את תנועת הרגל בשלוש מימדים, ותופסים הן תאוצה והן סיבוב מאות פעמים בשנייה. המשתתפים סומנו בהתאם לשאלה האם נפלו בשנה האחרונה ונסווגו גם לפי עשור גיל (שנות ה־70, ה־80 או ה־90). מתוך ההקלטות הרציפות, הצוות חיתך את הנתונים לחלונות קצרים המכסים כמה צעדים, ויצר אלפי "צילומי־מצב" קטנים של דפוסי הליכה להזנתם למודלים הממוחשבים.

לימוד מחשבים לזהות הליכה בסיכון

כדי להפוך את העקבות התנועה הללו לקבוצות סיכון בעלות משמעות, החוקרים השוו שיטות למידה מכונתית מסורתיות לגישות מתקדמות של למידה עמוקה. אלגוריתמים קלאסיים, כגון עצי החלטה ויער אקראי, קיבלו סטטיסטיקות סיכום מכל מקטע הליכה, כמו ממוצע ושונות לאורך הזמן. לעומת זאת, מודלים של למידה עמוקה שנקראים רשתות נוירונים קונבולוציוניות (CNN) ורשתות LSTM אפשרו עיבוד ישיר של אותות החיישן הגולמיים בגלים, כשהם לומדים תבניות בעצמם ללא תכונות שנוצרו ביד. המטרה הייתה לבדוק עד כמה כל משפחה של שיטות יכולה להבחין בין מבוגרים שנפלו לאלו שלא, ועד כמה הן מסוגלות למיין אנשים לפי קבוצות גיל בהתבסס אך ורק על הדרך שבה הם הולכים.

עד כמה המודלים התפקדו היטב

כאשר הנתונים מכל המשתתפים נערבבו והופצו לחלקי אימון ובדיקה, מודלי הלמידה העמוקה השיגו ביצועים טובים משמעותית בהשוואה למודלים המסורתיים. CNN סווג כראוי נפילים ולא־נפילים בכ־96% מהמקרים, ו־LSTM היה קרוב מאחור עם 95%, בעוד שהשיטות הקלאסיות הטובות ביותר הגיעו לטווח הגבוה של ה־80. גם במבחן קשה יותר, שבו המודלים אומנו על אנשים מסוימים ואז הוערכו על אנשים שונים לחלוטין, ה־CNN עדיין השיג דיוק של כ־92% בהיסטוריית נפילות וכמעט 90% במיון לפי קבוצת גיל. שני המודלים העמוקים גם היו מסוגלים להבחין בין פרטים באופן מפתיע, מה שמרמז שדפוס ההליכה של כל אדם הוא ייחודי כמו חתימה כאשר נצפה דרך חיישנים אלה.

פתיחת "הקופסה השחורה" של החלטות ה־AI

ביקורת נפוצה על שיטות AI חזקות היא שהן לעתים קרובות אטומות: הן עשויות להיות מדויקות, אך בקושי מסבירות את עצמן. כדי להתמודד עם זאת, המחברים השתמשו בכלי הסבר בשם LIME כדי לחקור את החלטות ה־CNN בסיווג היסטוריית נפילות. במקום לשאול אילו תכונות כלליות השפיעו, הם בדקו אילו רגעים בתוך כל צעד תרמו ביותר לתיוג אדם כנופל או לא־נופל. הם גילו שהמודל התרכז בעיקר בשלב העמידה — התקופה שבה כף הרגל על הקרקע ונושאת משקל — במיוחד בחלקים האמצעיים והאחרונים כשהגוף נוטה קדימה ומתכונן להדחיפה. אצל אנשים עם היסטוריית נפילות, אי־סדירויות במהלך שלבים אלה שלטו בהסבר המודל, בעוד שללא־נופלים נצפה תרומה מאוזנת יותר הן משלבי העמידה והן שלבי הניתור (כאשר כף הרגל באוויר).

מה זה אומר למניעת נפילות

באופן פשוט, המסר המרכזי הוא שחיישני רגל קטנים ובלתי פולשניים בצירוף אלגוריתמים חכמים יכולים לזהות אי־יציבות עדינה באופן ההליכה הרבה לפני שמתרחשת נפילה — ולציין את החלק המדויק במחזור הצעד שבו עולה הבעיה. המחקר מראה שמערכות למידה עמוקה יכולות להבחין באופן אמין בין נפילים לעומת לא־נפילים ולהפריד דפוסי הליכה על בסיס גיל, ורובן ממספר שניות של נתוני חיישן. לא פחות חשוב, על ידי הדגשת בעיות במהלך שלבי נשיאת המשקל של הצעד, השיטה מציעה מטרות קונקרטיות לתרגול ושיקום, כגון שיפור שיווי המשקל והכוח כאשר כף הרגל על הקרקע והגוף נע עליה. עם בדיקות נוספות באוכלוסיות רחבות יותר ולמשך זמן, גישה זו יכולה להתפתח לכלי נלבש שיפקח בעדינות על ההליכה בחיי היומיום וייתן לאנשי מקצוע אזהרות מוקדמות ומובנות כאשר סיכון הנפילה של מבוגר מתחיל לעלות.

ציטוט: 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

מילות מפתח: סיכון לנפילה, ניתוח הליכה, חיישנים נלבשים, למידה עמוקה, מבוגרים