Identyfikacja kluczowych cech chodu u pacjentów po udarze przy użyciu noszonych czujników inercyjnych oraz nadzorowanego i nienadzorowanego uczenia maszynowego

Dlaczego chodzenie po udarze ma znaczenie

Udar często zamienia prosty spacer przez pokój w codzienną walkę. Dla wielu osób, które przeżyły udar, sposób poruszania nogami, tułowiem i głową decyduje o tym, czy mogą żyć samodzielnie, uniknąć upadków i wrócić do pracy lub życia towarzyskiego. W tym badaniu sprawdzono, jak małe noszone czujniki i zaawansowane programy komputerowe mogą uchwycić ukryte sygnatury chodu po udarze, pomagając klinicystom zobaczyć więcej niż gołym okiem i torując drogę do bardziej ukierunkowanej rehabilitacji.

Pomiary kroków za pomocą malutkich urządzeń noszonych

Badacze wyposażyli 85 osób, które doświadczyły udaru, oraz 97 zdrowych ochotników w pięć monetycznych czujników ruchu. Umieszczono je na czole, klatce piersiowej, dolnej części pleców oraz na obu goleniach, a uczestnicy chodzili tam i z powrotem na dystansie dziesięciu metrów w zwykłym tempie. Czujniki rejestrowały ruch ciała w trzech wymiarach, rejestrując nie tylko prędkość i długość kroku, ale także gładkość i stabilność tułowia i głowy oraz to, jak równomiernie nogi dzieliły pracę. Na podstawie tych nagrań zespół obliczył 79 różnych miar opisujących czasowanie, symetrię między nogami, zmienność kroku oraz gładkość i ustabilizowanie ruchów górnej części ciała.

Nauczanie komputerów rozpoznawania problematycznego chodu

Przy tak wielu możliwych miarach wyzwaniem było ustalenie, które z nich rzeczywiście odróżniają osoby po udarze od zdrowych spacerowiczów. Zespół zastosował trzy różne metody uczenia maszynowego, wszystkie zaprojektowane do podziału osób na dwie grupy na podstawie chodu: k-najbliższych sąsiadów, maszyny wektorów nośnych oraz drzewa decyzyjne. Najpierw użyto standardowych testów statystycznych, aby odrzucić oczywiście nieprzydatne miary, następnie usunięto te, które były niemalże zdublowane. Na koniec zastosowano krokowe przycinanie, w którym wielokrotnie trenowano każdy algorytm, usuwając po jednej miarze na raz i zachowując tylko te, które utrzymywały wysoką dokładność klasyfikacji. Przy wielu losowych podziałach danych maszyny poprawnie rozróżniały osoby po udarze od zdrowych w około dziewięciu na dziesięć przypadków, przy czym najlepiej i najspójniej wypadała maszyna wektorów nośnych.

Zbliżenie na najbardziej wymowne wskazówki chodu

Z pierwotnych 79 miar proces zawęził listę do zaledwie dziewięciu, które niosły większość użytecznych informacji. Miary te obejmowały tempo chodzenia, zmienność czasowania kroków, symetrię ruchów tułowia na boki oraz gładkość ruchów głowy i klatki piersiowej, szczególnie w kierunku przód–tył i bok–bok. Szczególnie gładkość ruchu głowy okazała się świeżym i silnym wskaźnikiem problemów z chodem po udarze, sugerującym zaburzenia równowagi, stabilizacji wzroku oraz integracji sygnałów z ucha wewnętrznego i ciała podczas chodzenia. Co zaskakujące, klasyczne miary asymetrii lewo–prawo kroków nie przetrwały selekcji, prawdopodobnie dlatego, że udar może zaburzać chód na wiele różnych sposobów, osłabiając ich zdolność do niezawodnego rozróżnienia grup.

Pozwolenie danym na samodzielne grupowanie

Aby sprawdzić, czy wybrane wskazówki chodu rzeczywiście są informatywne — a nie tylko dopasowane do konkretnych metod uczenia — badacze zastosowali technikę nienadzorowaną. Zamiast mówić komputerowi, kto przeszedł udar, po prostu podano mu wybrane miary i poproszono o utworzenie dwóch klastrów na podstawie podobieństwa. Używając metody zwanej k-medoids oraz kilku sposobów mierzenia odległości między punktami danych, wykazano, że już trzy miary — ogólna prędkość chodzenia, zmienność fazy podparcia oraz sygnał tułowia związany z symetrią — wystarczyły, by pogrupować osoby na po udarze i zdrowe z około 90% dokładnością. Reguła odległości skupiająca się na wzorcu miar, a nie na ich bezwzględnej wielkości, okazała się najstabilniejsza w powtarzanych testach.

Co to oznacza dla codziennej opieki

Dla osoby nietechnicznej kluczowy wniosek jest taki, że krótki spacer w pięciu małych czujnikach może ujawnić kompaktowy „odcisk palca” pokazujący, jak udar zmienił czyjś chód. Komputery mogą użyć zaledwie kilku starannie dobranych miar ruchu — jak szybko chodzisz, jak stabilne są twoje kroki oraz jak gładko poruszają się tułów i głowa — aby wiarygodnie odróżnić chód po udarze od zdrowego. Ta wiedza przybliża nas do prostych narzędzi przyjaznych klinice, które mogą obiektywnie śledzić powrót do sprawności, ujawniać ukryte problemy z równowagą i pomagać terapeutom w dostosowywaniu ćwiczeń. Przy dalszej pracy nad uruchomieniem tych metod w czasie rzeczywistym i w bardziej zróżnicowanych grupach pacjentów takie systemy mogłyby stać się codziennymi towarzyszami rehabilitacji po udarze, zamieniając każdy krok w użyteczną informację na drodze do bezpieczniejszego i pewniejszego chodzenia.

Cytowanie: Brasiliano, P., Orejel-Bustos, A.S., Belluscio, V. et al. Identifying key gait features in stroke patients using wearable inertial sensors and supervised and unsupervised machine learning. Sci Rep 16, 8908 (2026). https://doi.org/10.1038/s41598-026-43666-7

Słowa kluczowe: chód po udarze, czujniki noszone, uczenie maszynowe, rehabilitacja, stabilność chodu