Classificazione di persone cadute e non cadute negli anziani usando segnali IMU elettrici per l’analisi del passo e deep learning interpretabile

Perché mantenere l’equilibrio è importante

Con l’età, un semplice inciampo può provocare una caduta grave, con conseguenze che vanno dalle ossa rotte alla perdita di autonomia. I medici sanno che il modo di camminare contiene indizi fondamentali sulla probabilità di cadere, ma è sempre stato difficile misurare questi segnali con precisione e trasformarli in avvisi pratici. Questo studio mostra come piccoli sensori indossabili sul piede, combinati con l’intelligenza artificiale moderna, possano non solo classificare gli anziani in gruppi a rischio più elevato o più basso con sorprendente accuratezza, ma anche rivelare quali fasi del ciclo del passo sono maggiormente correlate alle cadute.

Leggere il movimento con sensori minuscoli

I ricercatori hanno utilizzato un database pubblico di 163 adulti di età compresa tra 70 e 99 anni. Ogni volontario indossava un dispositivo leggero chiamato unità di misura inerziale, o IMU, applicato a un piede mentre camminava per circa 30 minuti. Questi sensori registrano il movimento del piede in tre dimensioni, catturando sia l’accelerazione sia la rotazione centinaia di volte al secondo. I partecipanti sono stati etichettati in base al fatto se fossero caduti nell’anno precedente e raggruppati anche per decade di età (70, 80 o 90 anni). Dalle registrazioni continue il team ha ritagliato finestre temporali brevi contenenti diversi passi, creando migliaia di piccole “istantanee” del cammino da fornire ai modelli computazionali.

Insegnare ai computer a riconoscere la camminata a rischio

Per trasformare queste tracce di movimento in gruppi di rischio significativi, i ricercatori hanno confrontato metodi tradizionali di machine learning con approcci più avanzati di deep learning. Algoritmi classici, come gli alberi decisionali e le random forest, hanno ricevuto statistiche riassuntive di ogni segmento di cammino, come medie e variabilità nel tempo. I modelli di deep learning, come le reti neurali convoluzionali (CNN) e le reti a memoria a breve-lungo termine (LSTM), invece, hanno processato direttamente i segnali grezzi, a onda, dei sensori, imparando pattern autonomamente senza caratteristiche costruite a mano. L’obiettivo era valutare quanto bene ogni famiglia di metodi potesse distinguere gli anziani che erano caduti da quelli che non lo erano e quanto affidabilmente potessero classificare le persone per fascia d’età basandosi esclusivamente sul modo di camminare.

Come hanno performato i modelli

Quando i dati di tutti i partecipanti sono stati mischiati e divisi in parti per l’addestramento e per il test, i modelli di deep learning hanno superato nettamente quelli tradizionali. La CNN ha classificato correttamente caduti e non caduti circa il 96% delle volte, e la LSTM era vicina al 95%, mentre i migliori metodi classici raggiungevano al massimo la fine degli anni ’80 in termini di percentuale. Anche in un test più severo, in cui i modelli sono stati addestrati su alcuni individui e poi valutati su persone completamente diverse, la CNN ha ottenuto ancora circa il 92% di accuratezza per la storia di cadute e quasi il 90% per la classificazione per fascia d’età. Entrambi i modelli deep sono riusciti anche a distinguere gli individui sorprendentemente bene, suggerendo che il passo di ciascuno è distintivo come una firma quando osservato tramite questi sensori.

Aprire la “scatola nera” delle decisioni dell’IA

Una critica comune ai potenti metodi di IA è la loro opacità: possono essere accurati ma difficili da spiegare. Per affrontare questo, gli autori hanno usato uno strumento di spiegazione chiamato LIME per sondare le decisioni della CNN nella classificazione della storia di cadute. Piuttosto che chiedersi quali caratteristiche globali fossero importanti, hanno esaminato quali momenti all’interno di ogni passo contribuivano maggiormente a etichettare una persona come caduta o non caduta. Hanno scoperto che il modello si concentrava principalmente sulla fase di appoggio — il periodo in cui il piede è a terra a sostenere il peso — in particolare le porzioni medie e finali, quando il corpo si sposta in avanti e si prepara a spingere. Nelle persone con storia di cadute, irregolarità durante queste fasi dominavano il ragionamento del modello, mentre nei non caduti il contributo era più bilanciato tra appoggio e oscillazione (quando il piede è in aria).

Cosa significa per la prevenzione delle cadute

Per un lettore non specialista, il messaggio chiave è che piccoli sensori discreti ai piedi insieme ad algoritmi intelligenti possono rilevare instabilità sottili nel modo di camminare molto prima che si verifichi una caduta — e possono indicare la precisa parte del ciclo del passo dove nasce il problema. Lo studio dimostra che i sistemi di deep learning possono distinguere in modo affidabile i passati caduti dai non caduti e separare diversi modelli di camminata legati all’età, tutto a partire da pochi secondi di dati del sensore. Altrettanto importante, evidenziando problemi durante le fasi di carico del passo, il metodo suggerisce obiettivi concreti per esercizi e riabilitazione, come migliorare equilibrio e forza quando il piede è a terra e il corpo scorre sopra di esso. Con ulteriori test su gruppi più ampi e nel tempo, questo approccio potrebbe evolvere in strumenti indossabili che monitorano discretamente il passo nella vita quotidiana e forniscono ai clinici avvisi precoci e comprensibili quando il rischio di caduta di una persona anziana inizia ad aumentare.

Citazione: 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

Parole chiave: rischio di caduta, analisi del passo, sensori indossabili, deep learning, persone anziane