Classificação de pessoas que caem e que não caem em idosos usando sinal elétrico de IMU para análise de marcha e aprendizado profundo explicável

Por que manter-se firme nos pés importa

À medida que envelhecem, um simples escorregão pode levar a uma queda grave, com consequências que variam de fraturas a perda de independência. Médicos sabem que a forma como alguém caminha contém pistas vitais sobre a probabilidade de queda, mas tem sido difícil medir essas pistas com precisão e transformá-las em avisos práticos. Este estudo mostra como pequenos sensores vestíveis nos pés, combinados com inteligência artificial moderna, podem não apenas classificar idosos em grupos de maior e menor risco com impressionante acurácia, mas também revelar quais partes do ciclo da marcha estão mais estreitamente ligadas às quedas.

Lendo o movimento com sensores minúsculos

Os pesquisadores utilizaram um banco de dados público com 163 adultos entre 70 e 99 anos. Cada voluntário usou um dispositivo leve chamado unidade de medição inercial, ou IMU, preso a um dos pés enquanto caminhava por cerca de 30 minutos. Esses sensores registram como o pé se move em três dimensões, capturando tanto a aceleração quanto a rotação centenas de vezes por segundo. Os participantes foram rotulados conforme se haviam caído no último ano e também agrupados por faixa etária (70, 80 ou 90 anos). A partir das gravações contínuas, a equipe recortou os dados em janelas curtas cobrindo vários passos, criando milhares de pequenas "capturas" dos padrões de marcha para alimentar seus modelos computacionais.

Ensinando computadores a detectar marcha de risco

Para transformar esses traços de movimento em grupos de risco significativos, os pesquisadores compararam métodos tradicionais de aprendizado de máquina com abordagens mais avançadas de aprendizado profundo. Algoritmos clássicos, como árvores de decisão e florestas aleatórias, receberam estatísticas resumo de cada segmento de caminhada, como média e variabilidade ao longo do tempo. Modelos de aprendizado profundo chamados redes neurais convolucionais (CNNs) e redes de memória de longo prazo (LSTMs), por outro lado, foram autorizados a processar diretamente os sinais brutos em forma de onda dos sensores, aprendendo padrões por conta própria sem características elaboradas manualmente. O objetivo era ver quão bem cada família de métodos conseguia distinguir idosos que haviam caído daqueles que não haviam, e o quão confiavelmente podiam classificar as pessoas em seus grupos etários baseando-se apenas na forma como caminham.

Desempenho dos modelos

Quando os dados de todos os participantes foram misturados e divididos em partes de treino e teste, os modelos de aprendizado profundo superaram claramente os tradicionais. A CNN classificou corretamente caidores e não-caidores em cerca de 96% das vezes, e a LSTM ficou logo atrás com 95%, enquanto os melhores métodos clássicos atingiram, no máximo, a casa dos 80 e poucos por cento. Mesmo em um teste mais difícil, onde os modelos foram treinados com alguns indivíduos e depois avaliados em pessoas totalmente diferentes, a CNN ainda alcançou cerca de 92% de acurácia para histórico de quedas e quase 90% para classificação por faixa etária. Ambos os modelos profundos também foram capazes de distinguir indivíduos surpreendentemente bem, sugerindo que a marcha de cada pessoa é tão distintiva quanto uma assinatura quando vista por esses sensores.

Abrindo a "caixa-preta" das decisões de IA

Uma crítica comum a métodos poderosos de IA é que muitas vezes são opacos: podem ser precisos, mas raramente se explicam. Para enfrentar isso, os autores usaram uma ferramenta de explicação chamada LIME para sondar as decisões da CNN na classificação do histórico de quedas. Em vez de perguntar quais características gerais importavam, eles examinaram quais momentos dentro de cada passo contribuíam mais para rotular alguém como caidor ou não-caidor. Descobriram que o modelo concentrava-se principalmente na fase de apoio — o período em que o pé está no chão suportando o peso — especialmente nas porções médias e finais, quando o corpo se desloca para frente e se prepara para impulsionar. Em pessoas com histórico de quedas, irregularidades durante essas fases dominaram o raciocínio do modelo, enquanto os não-caidores mostraram uma contribuição mais equilibrada entre apoio e balanço (quando o pé está no ar).

O que isso significa para prevenir quedas

Para um leigo, a mensagem-chave é que pequenos sensores discretos nos pés, mais algoritmos inteligentes, podem detectar instabilidades sutis na maneira de caminhar muito antes de ocorrer uma queda — e apontar a parte exata do ciclo do passo onde o problema surge. O estudo mostra que sistemas de aprendizado profundo podem, de forma confiável, distinguir caidores passados de não-caidores e separar diferentes padrões etários de marcha, tudo a partir de alguns segundos de dados do sensor. Igualmente importante, ao destacar problemas durante as fases de suporte de peso do passo, o método sugere alvos concretos para exercícios e reabilitação, como melhorar o equilíbrio e a força quando o pé está no chão e o corpo se desloca sobre ele. Com testes adicionais em grupos mais amplos e ao longo do tempo, essa abordagem pode evoluir para ferramentas vestíveis que monitoram discretamente a marcha na vida diária e fornecem aos clínicos avisos precoces e compreensíveis quando o risco de queda de um idoso começar a aumentar.

Citação: 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

Palavras-chave: risco de queda, análise da marcha, sensores vestíveis, aprendizado profundo, idosos