Classificatie van valgevaarlijke en niet-valgevaarlijke ouderen met elektrische IMU-signalen voor lopenanalyse en uitlegbare deep learning

Waarom stabiel blijven staan ertoe doet

Naarmate mensen ouder worden, kan een simpele misstap leiden tot een ernstige val, met gevolgen die variëren van botbreuken tot verlies van zelfstandigheid. Artsen weten dat iemands manier van lopen belangrijke aanwijzingen bevat over de kans op vallen, maar het is lastig geweest die aanwijzingen nauwkeurig te meten en om te zetten in praktische waarschuwingen. Deze studie laat zien hoe kleine draagbare sensoren aan de voet, gecombineerd met moderne kunstmatige intelligentie, niet alleen ouderen met opvallende nauwkeurigheid in hogere en lagere risicogroepen kunnen indelen, maar ook welke onderdelen van de loopcyclus het sterkst samenhangen met vallen.

Beweging lezen met piepkleine sensoren

De onderzoekers gebruikten een openbare database van 163 volwassenen tussen 70 en 99 jaar. Elke deelnemer droeg een lichtgewicht apparaatje, een inertial measurement unit (IMU), vastgemaakt aan één voet tijdens ongeveer 30 minuten lopen. Deze sensoren registreren hoe de voet in drie dimensies beweegt en leggen zowel versnelling als rotatie honderden keren per seconde vast. De deelnemers werden gelabeld op basis van of ze het afgelopen jaar gevallen waren en ook ingedeeld naar leeftijdsdecennium (70s, 80s of 90s). Uit de continue opnames knipte het team de data in korte vensters die meerdere stappen omvatten, waardoor duizenden kleine "momentopnames" van looppatronen ontstonden om aan hun computermodellen te voeren.

Computers leren risicovol lopen te herkennen

Om deze bewegingssporen om te zetten in zinvolle risicogroepen vergeleken de onderzoekers traditionele machine-learningmethoden met meer geavanceerde deep-learningbenaderingen. Klassieke algoritmen, zoals beslisbomen en random forests, kregen samenvattende statistieken uit elk loopsegment, zoals gemiddelde en variabiliteit in de tijd. Deep-learningmodellen, zoals convolutionele neurale netwerken (CNNs) en long short-term memory-netwerken (LSTMs), mochten daarentegen de ruwe, golfachtige sensorsignalen direct verwerken en leerden patronen zelfstandig zonder handgemaakte kenmerken. Het doel was te zien hoe goed elke methodevalk kon onderscheiden welke ouderen waren gevallen en welke niet, en hoe betrouwbaar ze mensen alleen op basis van hun loopgedrag in leeftijdsgroepen konden indelen.

Hoe goed de modellen presteerden

Wanneer de data van alle deelnemers werden gemengd en verdeeld in trainings- en testsets, presteerden de deep-learningmodellen duidelijk beter dan de traditionele methoden. De CNN classificeerde valgevaarlijke en niet-valgevaarlijke personen ongeveer 96% correct, en de LSTM stond daar dicht achter op 95%, terwijl de beste klassieke methoden hoogstens in de hoge 80% kwamen. Zelfs bij een strengere test, waarbij modellen werden getraind op sommige personen en daarna geëvalueerd op volledig andere mensen, behaalde de CNN nog steeds rond 92% nauwkeurigheid voor valgeschiedenis en bijna 90% voor leeftijdsgroepclassificatie. Beide deep-modellen konden ook verrassend goed individuen van elkaar onderscheiden, wat suggereert dat iemands gang persoonlijk herkenbaar is als een soort handtekening wanneer die via deze sensoren wordt bekeken.

De "zwarte doos" van AI-beslissingen openen

Een veelgehoorde kritiek op krachtige AI-methoden is dat ze vaak ondoorzichtig zijn: ze kunnen nauwkeurig zijn, maar geven zelden uitleg. Om dit aan te pakken gebruikten de auteurs een uitleghulpmiddel genaamd LIME om de beslissingen van de CNN bij de classificatie van valgeschiedenis te onderzoeken. In plaats van te vragen welke algemene kenmerken van belang waren, keken ze welke momenten binnen elke stap het meest bijdroegen aan het labelen van iemand als valgevaarlijk of niet-valgevaarlijk. Ze vonden dat het model zich vooral richtte op de stance-fase — de periode waarin de voet op de grond staat en gewicht draagt — vooral het midden en late deel wanneer het lichaam naar voren verschuift en zich voorbereidt op afzet. Bij mensen met een valgeschiedenis domineerden onregelmatigheden tijdens deze fasen het redeneerproces van het model, terwijl niet-valgevaarlijke personen een meer evenwichtige bijdrage lieten zien van zowel stance als swing (wanneer de voet in de lucht is).

Wat dit betekent voor valpreventie

Voor een leek is de kernboodschap dat kleine, onopvallende foot-sensoren plus slimme algoritmen subtiele instabiliteiten in iemands loop kunnen detecteren lang voordat een val plaatsvindt — en kunnen aanwijzen in welk deel van de stapcyclus het probleem optreedt. De studie toont aan dat deep-learningsystemen betrouwbaar eerdere valgevallen van niet-valgevallen kunnen onderscheiden en verschillende leeftijdspatronen in het lopen kunnen scheiden, allemaal op basis van enkele seconden sensordata. Even belangrijk: doordat problemen tijdens de gewichtdragende fases van de stap worden benadrukt, geeft de methode concrete aandachtsgebieden voor oefening en revalidatie, zoals het verbeteren van balans en kracht wanneer de voet op de grond staat en het lichaam eroverheen beweegt. Met verdere tests in bredere groepen en over langere tijd zou deze benadering kunnen uitgroeien tot draagbare hulpmiddelen die stilletjes het looppatroon in het dagelijks leven monitoren en clinici vroegtijdige, begrijpelijke waarschuwingen geven wanneer het valrisico van een oudere begint te stijgen.

Bronvermelding: 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

Trefwoorden: valrisico, loopanalyse, draagbare sensoren, deep learning, ouderen