Ciągła ocena chodu w codziennym życiu przy użyciu samonadzorowanego uczenia się danych z akcelerometru noszonego na nadgarstku

Dlaczego twój zegarek pewnego dnia może śledzić, jak dobrze chodzisz

Wiele osób już nosi zegarki sportowe, które liczą kroki lub rejestrują treningi. Dla starszych dorosłych to, jak chodzą — prędkość, rytm i stabilność — może jednak ujawniać wczesne oznaki problemów zdrowotnych, od kruchości po demencję. Badanie pokazuje, że pojedynczy czujnik noszony na nadgarstku, w połączeniu z zaawansowanym systemem sztucznej inteligencji nazwanym ElderNet, może przekształcić codzienne dane ruchu w szczegółowe miary jakości chodu, potencjalnie zamieniając powszechne urządzenie w potężny monitor zdrowia.

Od prostego liczenia kroków do bogatych wskazówek o chodzie

Większość dzisiejszych urządzeń na nadgarstku ocenia ogólną aktywność: jak długo siedzisz, jak często się ruszasz lub ile robisz kroków. Choć przydatne, takie podsumowania mieszają różne rodzaje ruchu i pomijają subtelne cechy samego chodzenia. Lekarzy i badaczy interesują konkretne cechy chodu — na przykład prędkość, liczba kroków na minutę, długość każdego kroku i regularność kroków — ponieważ są one silnymi wskaźnikami zdrowego starzenia się oraz ryzyka niepełnosprawności, upadków i pogorszenia funkcji poznawczych. Tradycyjnie te miary pochodzą z krótkich testów w klinikach lub laboratoriach, często przy użyciu czujników na dolnym odcinku kręgosłupa lub specjalnych bieżni. Takie układy są dokładne, ale niewygodne i rejestrują jedynie krótkie migawki mobilności osoby.

Nauczanie modelu rozpoznawania chodu z nadgarstka

Zespół stojący za ElderNet postanowił wydobyć pełne informacje o chodzie z czujników na nadgarstku noszonych podczas normalnego życia codziennego, mimo że nadgarstek porusza się w złożony sposób łącząc huśtanie ramion z innymi aktywnościami. Wykorzystali podejście uczenia samonadzorowanego, w którym głęboka sieć neuronowa najpierw uczy się rozpoznawać wzorce w ogromnej ilości nieoznakowanych danych z nadgarstka pochodzących od ponad 100 000 osób z UK Biobank. Następnie model jest dalej dostosowywany przy użyciu wielodniowych nagrań od ponad 800 bardzo starszych dorosłych z Rush Memory and Aging Project, dzięki czemu lepiej dopasowuje się do wzorców ruchu populacji starzejących się. Wreszcie system jest dopracowywany na mniejszym, ale precyzyjnie opisanym zestawie danych Mobilise‑D, gdzie uczestnicy nosili zarówno czujniki na nadgarstku, jak i rozbudowany system referencyjny dokładnie mierzący ich chodzenie w warunkach rzeczywistych. Ten krok pozwala ElderNet nauczyć się tłumaczyć złożone ruchy nadgarstka na konkretne metryki chodu dla każdej wykrytej sekwencji chodzenia.

Jak dobrze system mierzy chodzenie

Testowany na osobach starszych oraz pacjentach z chorobami takimi jak niewydolność serca, choroby płuc, choroba Parkinsona, złamanie biodra i stwardnienie rozsiane, ElderNet oszacował prędkość chodu z przeciętnym błędem około 8,8 centymetra na sekundę i wykazał silne zgodności ze złotym standardem referencyjnym. Przewyższał też wiodącą metodę biomechaniczną opartą na ręcznie konstruowanych cechach oraz podobny model trenowany bez wstępnego uczenia samonadzorowanego. Naukowcy rozszerzyli ElderNet o szacunki dodatkowych cech chodu, takich jak kadencja, długość kroku i regularność kroków; w przypadku kadencji i długości kroku wersja z uczeniem samonadzorowanym wyraźnie pokonała w pełni nadzorowaną podstawę. Co ważne, wydajność pozostała wysoka w niezależnej grupie młodszych, zdrowych dorosłych, co sugeruje, że podejście uogólnia się poza pierwotną próbą treningową, mimo iż zostało zoptymalizowane pod kątem osób starszych.

Codzienne chodzenie mówi inną historię niż testy kliniczne

Aby sprawdzić użyteczność kliniczną, autorzy zastosowali ElderNet do około dziesięciu dni danych z nadgarstka na osobę od setek starszych dorosłych mieszkających w społeczności. Porównali trzy sposoby wskazywania osób zgłaszających niepełnosprawność ruchową: krótkie, nadzorowane testy chodu; szerokie podsumowania aktywności fizycznej z nadgarstka; oraz szczegółowe, wielodniowe miary chodu oszacowane przez ElderNet. Podczas gdy pomiary chodu w laboratorium i ogólne poziomy aktywności dawały jedynie umiarkowaną zdolność rozróżniania, bogate, rzeczywiste cechy chodu znacznie lepiej oddzielały osoby z problemami z mobilnością od tych bez nich. Co ciekawe, wzorce chodu obserwowane w codziennym życiu były tylko słabo powiązane z tymi mierzonymi podczas krótkich spacerów klinicznych, co sugeruje, że sposób, w jaki ludzie poruszają się we własnym otoczeniu, uchwyca aspekty funkcji, które tradycyjne testy pomijają.

Co to może znaczyć dla zdrowego starzenia się

Badanie pokazuje, że powszechne, wygodne urządzenie na nadgarstku może, przy właściwych algorytmach, dostarczać klinicznej jakości wglądu w to, jak ludzie chodzą na co dzień. Dokładność ElderNet odpowiada wielkości zmian istotnych klinicznie dla prędkości chodu, a jego wielodniowe miary lepiej identyfikują starsze osoby z trudnościami w mobilności niż standardowe testy czy proste liczniki aktywności. Przy dalszej walidacji w bardziej zróżnicowanych grupach i na dłuższych okresach, to podejście mogłoby pomóc we wcześniejszym wykrywaniu subtelnych pogorszeń, monitorowaniu postępu choroby lub rekonwalescencji oraz wspierać bardziej spersonalizowane interwencje — wszystko to przy użyciu danych dyskretnie zbieranych z urządzenia przypominającego zegarek.

Cytowanie: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Słowa kluczowe: monitorowanie chodu, akcelerometr na nadgarstku, zdrowe starzenie się, uczenie samonadzorowane, cyfrowe biomarkery