歩行中の皮膚表面筋電図の主要特徴を機械学習で同定し、高筋肉量と低筋肉量を識別する発見

なぜ歩き方は思っている以上に情報を持つのか

多くの人は筋肉の減少を高齢の問題と考えがちだが、若年期や中年期に保持している筋肉量は、将来の運動能力や健康維持に影響を与える。筋肉量を測る標準検査は大型の装置や診療所での受診を必要とする。本研究は、脚に小型センサーを付けて行う簡単な歩行をコンピュータで解析するだけで、健康な成人の中でも相対的に筋肉量が低いか高いかを見分けられるかを探る。

動きながら筋肉に耳を傾ける

全身をスキャンする代わりに、研究者らは筋収縮時に筋肉が自然に発する微小な電気信号に注目した。これらの信号は皮膚表面に貼ったパッチで、大腿四頭筋など主要な4つの脚筋から記録され、20〜59歳の133人が通常速度と速歩の両方で往復して歩いている間に収集された。同時にモーションセンサーで各歩行を個々の歩に分割し、筋活動を長いひと塊としてではなくサイクルごとに詳しく調べられるようにした。

筋量による人の分類

参加者は腕と脚の筋肉量を推定する標準的な体成分検査も受けた。若年成人に対する「低筋肉」の明確な基準が広く合意されていないため、研究チームは性別と年齢帯ごとにデータ駆動のクラスタリング手法で被験者を3群に分け、上位2群を統合して高筋群とした。これにより恣意的な閾値に頼らず、各人に明確な低・高筋肉ラベルを付与した。

筋電信号を読み取るようコンピュータを訓練する

記録された各歩について、各筋の信号がどれほど強いか、どれほど複雑か、どれほど急速に変化するかを表す数百の特徴量を抽出し、高度な信号処理で明らかになる微妙なパターンも含めた。複数の一般的な機械学習モデルを用いて、これら特徴量と低筋・高筋ラベルの関係を学習させた。モデルが未知の被験者にも通用するかを検証するため、被験者を1人ずつ除外して残りで学習し、除外した1人でテストする手法を全員について繰り返した（leave-one-out検証）。

モデルが学んだ主要な筋肉について

コンピュータモデルは低筋量と高筋量を高い精度で識別し、最良の手法では通常歩行で約95％、速歩で約94％の正答率を示した。さらに重要なのは、研究チームが説明可能性ツールを使ってどの特徴量が予測に最も影響したかを明らかにした点である。日常速度の歩行では、すね前面の筋（脛骨前脛筋）の信号が最も情報量が多く、ピークパワーが低いことが全体の筋肉量が高いことと関連していた。速歩時には、大腿裏の大きな筋（ハムストリングス）の信号がゼロ交差する頻度、すなわち急速な発火パターンを示す指標が最も影響力があり、これは筋量が多い人で高い傾向があった。

日常の健康にとっての意義

平たく言えば、本研究は歩行中の脚筋の発火パターンが、その人の全体的な筋肉量の可読な署名を運んでいることを示す。短時間のセンサーを用いた歩行テストを透明性のあるコンピュータ手法で解析すれば、体感として弱くなったり動きが遅くなったりする前に、低筋量に向かっている成人を早期に検出する手助けになる可能性がある。より大規模で多様な研究が今後必要だが、クリニックの床を短く歩く検査が従来のスキャン検査を補完する簡便な筋肉健康チェックになり得ることを示唆している。

引用: Lee, D., Konki, S.K., Jung, D. et al. Discovery of key surface electromyography features during walking for discerning high and low muscle mass using machine learning analysis. Sci Rep 16, 14867 (2026). https://doi.org/10.1038/s41598-026-45053-8

キーワード: 筋肉量, 表面筋電図, 歩行解析, 機械学習, サルコペニアのリスク