Wielopoziomowy, anotowany zestaw danych z czujników dotyczących przejawów i nasilenia zamrożenia chodu w chorobie Parkinsona

Dlaczego zatrzymanie w połowie kroku ma znaczenie

Dla wielu osób z chorobą Parkinsona chodzenie to nie tylko wolniejszy czy bardziej chwiejny ruch — może nagle się zatrzymać. W mgnieniu oka stopy wydają się przyklejone do podłogi, mimo że dana osoba usilnie próbuje się poruszyć. To przerażające zdarzenie, zwane zamrożeniem chodu, jest jedną z głównych przyczyn upadków, urazów i utraty samodzielności. Artykuł będący podstawą tego streszczenia przedstawia FoG-STAR, bogaty nowy zestaw danych zebrany z czujników noszonych, które śledzą, jak poruszają się osoby z Parkinsonem w codziennych czynnościach. Udostępniając te dane otwarcie naukowcom na całym świecie, autorzy mają nadzieję przyspieszyć rozwój inteligentniejszych urządzeń i algorytmów, które potrafią wykrywać, mierzyć, a w końcu pomagać zapobiegać tym niebezpiecznym epizodom zamrożenia.

Obserwacja ruchu za pomocą dyskretnych czujników noszonych

Zamiast polegać wyłącznie na krótkiej obserwacji lekarza w gabinecie, projekt FoG-STAR wykorzystuje cztery małe czujniki ruchu do śledzenia przesunięć ciała krok po kroku. Dwudziestu dwóch ochotników z Parkinsonem nosiło czujniki na obu kostkach, na jednym nadgarstku oraz na dolnej części pleców, mniej więcej tam, gdzie znajduje się środek masy ciała. Każde urządzenie rejestrowało, jak szybko poruszają się i obracają różne części ciała, setki razy na sekundę, podczas gdy uczestnicy wykonywali typowe czynności, takie jak wstawanie, siadanie, przejście dziesięciu metrów, obrót w miejscu czy przejście przez drzwi. Wszystkie sesje rejestrowano, gdy uczestnicy byli w stanie „poza lekiem”, aby epizody zamrożenia miały większe prawdopodobieństwo wystąpienia. Jednocześnie kamery wideo rejestrowały każde działanie, dostarczając wizualnego odniesienia do tego, co rejestrowały czujniki.

Od surowego ruchu do oznaczonych epizodów zamrożenia

Zbieranie sygnałów to tylko połowa historii; druga połowa to zrozumienie, co one oznaczają. Dwóch neurologów, oboje ekspertów w zaburzeniach ruchu, starannie przejrzało nagrania klatka po klatce. Oznaczyli, kiedy każdy epizod zamrożenia się zaczynał i kończył oraz opisali, jak wyglądał — czy osoba szurała do przodu drobnymi krokami, drżała w miejscu z szybkimi ruchami nóg, czy też pozostawała całkowicie zablokowana bez ruchu. Oznaczyli także, co osoba robiła w pozostałym czasie: chodziła, stała, skręcała, siedziała lub zmieniała pozycję. Te szczegółowe oznaczenia zostały następnie zsynchronizowane z danymi z czujników, tworząc zarejestrowany w czasie zapis, w którym każdej chwili ruchu odpowiada opis kliniczny. Taka wielowarstwowa charakterystyka pozwala badać zamrożenia w kontekście, a nie jako izolowane przebłyski.

Budowanie zasobu dla inteligentniejszych algorytmów

Efektem jest otwarty, uporządkowany zbiór 329 000 próbek z czujników, z których każda powiązana jest z uczestnikiem, zadaniem, aktywnością i etykietą zamrożenia. Osobny plik zawiera informacje o wieku każdego uczestnika, stadium choroby, wynikach motorycznych, zdolnościach poznawczych, lęku przed upadkiem oraz jakości życia, dzięki czemu badacze mogą badać, jak wzorce zamrożenia różnią się między pacjentami. Wstępne testy z modelami uczenia maszynowego pokazują, że metody uczenia głębokiego potrafią rozpoznawać epizody zamrożenia z wysoką dokładnością, szczególnie przy wykorzystaniu danych z czujników umieszczonych na kostkach. Modele te można nawet wytrenować na FoG-STAR, a następnie dostosować do pracy z innymi zbiorami danych, co sugeruje, że FoG-STAR wychwytuje kluczowe cechy pojawiania się zamrożenia w sygnałach ruchu. Autorzy opisują też, jak radzili sobie z kwestiami technicznymi, takimi jak synchronizacja wielu czujników i radzenie sobie z okazjonalnymi lukami w danych, dając innym wskazówkę do podobnych badań.

Ograniczenia, zastrzeżenia i zastosowanie w praktyce

Jak każdy zasób naukowy, FoG-STAR ma swoje ograniczenia. Badanie obejmuje tylko 22 osoby, wszystkie badane w starannie kontrolowanych warunkach i wszystkie poza zwykłą farmakoterapią, więc dane mogą nie odzwierciedlać pełnego spektrum zamrożeń występujących w domu lub w łagodniejszych stadiach choroby. Nie każdy uczestnik wykonał każde zadanie, a nagrania wideo zredukowano do dziesięciu klatek na sekundę, co oznacza, że bardzo krótkie epizody zamrożenia mogą nie być uchwycone precyzyjnie. Mimo to zestaw danych obejmuje szeroką gamę wzorców chodu, skrętów i zmian postawy, i zachowuje małe luki oraz niedoskonałości w sygnałach zamiast je wygładzać, dzięki czemu badacze mogą sami zdecydować, jak najlepiej wyczyścić i interpretować dane do swoich celów.

Co to oznacza dla osób żyjących z chorobą Parkinsona

Mówiąc prościej, FoG-STAR to jak przekazanie społeczności badawczej szczegółowego, czasowo oznaczonego dziennika tego, jak zamrożenie chodu faktycznie rozwija się w ciele — zapisanego nie słowami, lecz ruchem. Udostępniając ten dziennik otwarcie i dobrze go dokumentując, autorzy dają inżynierom, klinicystom i naukowcom danych wspólny punkt wyjścia do porównywania nowych pomysłów i narzędzi. Z czasem takie prace mogą doprowadzić do powstania urządzeń noszonych, które ostrzegają ludzi tuż przed zamrożeniem, dostosowują leczenie redukujące zamrożenia lub prowadzą rehabilitację domową dopasowaną do indywidualnych wzorców ruchowych. Chociaż FoG-STAR samo w sobie nie leczy Parkinsona ani zamrożenia chodu, stanowi kluczową podstawę dla technologii, które mogą pewnego dnia pomóc ludziom chodzić bezpieczniej i pewniej.

Cytowanie: Borzì, L., Demrozi, F., Bacchin, R.A. et al. A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease. Sci Data 13, 305 (2026). https://doi.org/10.1038/s41597-026-06645-1

Słowa kluczowe: choroba Parkinsona, zamrożenie chodu, czujniki noszone, analiza chodu, uczenie głębokie