Klasyfikacja osób przewracających się i nieprzewracających się w starszym wieku z użyciem sygnału IMU na stopie do analizy chodu oraz wyjaśnialnego uczenia głębokiego

Dlaczego utrzymanie równowagi ma znaczenie

W miarę starzenia się, proste potknięcie może doprowadzić do poważnego upadku, którego konsekwencje wahają się od złamań po utratę samodzielności. Lekarze wiedzą, że sposób chodzenia zawiera istotne wskazówki dotyczące prawdopodobieństwa upadku, ale dotąd trudno było te wskazówki dokładnie zmierzyć i przekształcić w praktyczne ostrzeżenia. To badanie pokazuje, że niewielkie czujniki noszone na stopach, połączone ze współczesną sztuczną inteligencją, mogą nie tylko z wysoką dokładnością podzielić osoby starsze na grupy o wyższym i niższym ryzyku, lecz także wskazać, które fragmenty cyklu chodu są najsilniej powiązane z upadkami.

Odczytywanie ruchu za pomocą małych czujników

Naukowcy skorzystali z publicznej bazy danych obejmującej 163 osoby w wieku od 70 do 99 lat. Każdy ochotnik nosił lekki przyrząd zwany jednostką pomiaru inercyjnego (IMU), przypięty do jednej stopy podczas około 30 minut chodzenia. Te czujniki rejestrują ruch stopy w trzech wymiarach, rejestrując zarówno przyspieszenia, jak i obroty setki razy na sekundę. Uczestnicy zostali oznaczeni w zależności od tego, czy upadli w ciągu ostatniego roku, a także pogrupowani według dekad wiekowych (70., 80. lub 90. lata). Z ciągłych zapisów zespół wycinał krótkie fragmenty obejmujące kilka kroków, tworząc tysiące małych „migawkowych” ujęć wzorców chodu do wprowadzenia do modeli komputerowych.

Nauczanie komputerów wykrywania ryzykownego chodu

Aby przekształcić te ślady ruchu w istotne grupy ryzyka, badacze porównali tradycyjne metody uczenia maszynowego z bardziej zaawansowanymi podejściami uczenia głębokiego. Klasyczne algorytmy, takie jak drzewa decyzyjne i lasy losowe, otrzymały statystyki podsumowujące z każdego segmentu chodu, takie jak wartości średnie i zmienność w czasie. Modele głębokie, zwane sieciami konwolucyjnymi (CNN) i sieciami z pamięcią długotrwałą (LSTM), przetwarzały surowe, falowe sygnały z czujników bez ręcznie tworzonej reprezentacji, ucząc się wzorców samodzielnie. Celem było sprawdzenie, jak dobrze każda grupa metod potrafi odróżnić osoby starsze, które upadły, od tych, które nie upadły, oraz jak wiarygodnie potrafią przyporządkować osoby do grup wiekowych wyłącznie na podstawie ich chodu.

Jak dobrze działały modele

Gdy dane od wszystkich uczestników zostały pomieszane i podzielone na części treningowe i testowe, modele uczenia głębokiego wyraźnie przewyższyły tradycyjne. CNN poprawnie klasyfikował osoby z historią upadków i bez niej w około 96% przypadków, a LSTM był tuż za nim z 95%, podczas gdy najlepsze metody klasyczne osiągały w najlepszym przypadku wysokie 80%. Nawet w trudniejszym teście, w którym modele trenowano na niektórych osobach, a następnie oceniano na zupełnie innych, CNN nadal osiągał około 92% trafności przy klasyfikacji historii upadków i niemal 90% przy klasyfikacji grup wiekowych. Oba modele głębokie dobrze rozróżniały także poszczególne osoby, co sugeruje, że kształt chodu każdego człowieka jest tak rozpoznawalny jak podpis, gdy obserwuje się go przez te czujniki.

Otwarcie „czarnej skrzynki” decyzji AI

Jedna z częstych krytyk potężnych metod AI brzmi, że są one często nieprzezroczyste: mogą być dokładne, ale rzadko się wyjaśniają. Aby to zmierzyć, autorzy użyli narzędzia wyjaśniającego LIME, aby zanalizować decyzje CNN w klasyfikacji historii upadków. Zamiast zastanawiać się, które ogólne cechy miały znaczenie, badali, które momenty w ramach każdego kroku najbardziej przyczyniały się do oznaczenia osoby jako przewracającej się lub nie. Okazało się, że model skupiał się głównie na fazie podparcia — okresie, gdy stopa jest na ziemi i przenosi ciężar — szczególnie na środkowej i późnej części tej fazy, gdy ciało przesuwa się do przodu i przygotowuje wybicie. U osób z historią upadków nieregularności w tych fazach dominowały w myśleniu modelu, podczas gdy u nieprzewracających się wkład był bardziej zrównoważony między fazą podparcia a fazą lotu (gdy stopa jest w powietrzu).

Co to oznacza dla zapobiegania upadkom

Dla laika kluczowy przekaz jest taki, że małe, dyskretne czujniki na stopach wraz z inteligentnymi algorytmami potrafią wykryć subtelne niestabilności w chodu znacznie wcześniej niż wystąpi upadek — i wskazać dokładny fragment cyklu kroku, w którym pojawiają się problemy. Badanie pokazuje, że systemy oparte na uczeniu głębokim mogą niezawodnie odróżnić osoby, które wcześniej upadały, od tych, które tego nie doświadczyły, oraz rozróżnić wzorce chodu związane z różnymi grupami wiekowymi, na podstawie zaledwie kilku sekund danych z czujników. Równie ważne jest to, że wskazując problemy w fazach przenoszenia ciężaru, metoda sugeruje konkretne cele dla ćwiczeń i rehabilitacji — na przykład poprawę równowagi i siły w momencie, gdy stopa jest na ziemi, a ciało przesuwa się nad nią. Po dalszych testach na szerszych grupach i w dłuższym czasie, podejście to może rozwinąć się w noszone narzędzia, które dyskretnie monitorują chód w codziennym życiu i dostarczają klinicystom wczesnych, zrozumiałych ostrzeżeń, gdy ryzyko upadku u osoby starszej zaczyna rosnąć.

Cytowanie: 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

Słowa kluczowe: ryzyko upadku, analiza chodu, czujniki noszone, uczenie głębokie, osoby starsze