歩行解析のための電気式IMU信号と説明可能な深層学習を用いた高齢者の転倒者・非転倒者の分類

足元の安定が重要な理由

年を重ねると、ちょっとしたつまずきが重大な転倒につながり、骨折から自立の喪失までさまざまな結果を招きます。医師は歩行の仕方が転倒しやすさを示す重要な手がかりを含んでいることを知っていますが、その手がかりを正確に測り、実用的な警告に変えるのは難しいことでした。本研究は、足に装着する小さなウェアラブルセンサーと最新の人工知能を組み合わせることで、高齢者を高リスク群と低リスク群に高い精度で分類できるだけでなく、どの歩行サイクルの部分が転倒と最も強く結びついているかを明らかにできることを示しています。

小さなセンサーで動きを読む

研究者たちは70〜99歳の163人の公開データベースを利用しました。各参加者は片足に慣性計測装置（IMU）と呼ばれる軽量デバイスを装着して約30分間歩行しました。これらのセンサーは足の動きを三次元で記録し、毎秒何百回も加速度と回転を捉えます。参加者は過去1年に転倒したかどうかでラベル付けされ、また年代（70代、80代、90代）ごとに分けられました。連続記録から研究チームはデータを数歩を含む短いウィンドウに切り分け、数千の小さな歩行パターンの「スナップショット」を作り、コンピュータモデルに入力しました。

危険な歩行を見抜くための機械学習

これらの運動トレースを意味のあるリスク群に変換するため、研究者たちは従来の機械学習手法とより進んだ深層学習アプローチを比較しました。決定木やランダムフォレストのような古典的アルゴリズムには、各歩行セグメントの平均や時間的変動などの要約統計が与えられました。一方、畳み込みニューラルネットワーク（CNN）や長短期記憶（LSTM）といった深層学習モデルは、生の波形のようなセンサー信号を直接処理することが許され、手作りの特徴なしにパターンを自ら学習しました。目的は、どの手法群が転倒歴のある高齢者とない人を見分けられるか、また歩行だけから年代群をどれだけ確実に分類できるかを比較することでした。

モデルの性能

全参加者のデータを混ぜて訓練用と評価用に分けた場合、深層学習モデルは従来手法を明確に上回りました。CNNは転倒者と非転倒者を約96％の正確さで分類し、LSTMも95％とそれに迫りました。最良の古典的手法でも最高で80年代後半に留まりました。まったく異なる人々で評価するというより厳しい試験でも、CNNは転倒歴分類で約92％、年代分類でほぼ90％の正確さを維持しました。両方の深層モデルは個人識別も驚くほどよくでき、これらのセンサーを通して見ると各人の歩容が署名のように特徴的であることを示唆しています。

AIの「ブラックボックス」を開く

強力なAI手法に対する一般的な批判は、その判断過程が不透明であるという点です。そこで著者らはLIMEという説明ツールを使って、転倒歴分類におけるCNNの決定を詳しく調べました。全体のどの特徴が重要かを問うのではなく、各ステップのどの瞬間が転倒者あるいは非転倒者のラベル付けに最も寄与したかを検証しました。その結果、モデルは主にスタンス相、すなわち足が地面に接して体重を支えている期間に注目しており、特に体が前方に移動して蹴り出しの準備をする中盤から後半にかけての部分を重視していました。転倒歴のある人ではこれらの相の不規則性がモデルの判断を支配していたのに対し、非転倒者ではスタンス相とスイング相（足が空中にある期間）の両方からよりバランスよく寄与が見られました。

転倒予防への示唆

一般向けの要点は、小さく目立たない足センサーと賢いアルゴリズムの組み合わせで、転倒が起きるずっと前に歩行のわずかな不安定さを検出でき、問題が生じるステップサイクルの正確な部分を指し示せるということです。本研究は、深層学習システムが数秒のセンサーデータから過去の転倒者と非転倒者を信頼性高く識別でき、年代ごとの歩行パターンも区別できることを示しています。同様に重要なのは、体重を支える段階での問題を強調することで、足が地面にあるときのバランスや筋力を改善するような運動やリハビリの具体的な目標を示唆する点です。より幅広い集団や長期にわたる追加の検証が進めば、このアプローチは日常生活で静かに歩行を監視し、高齢者の転倒リスクが高まり始めたときに臨床医へ早く分かりやすい警告を出すウェアラブルツールへと発展する可能性があります。

引用: 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

キーワード: 転倒リスク, 歩行解析, ウェアラブルセンサー, 深層学習, 高齢者