Многоуровневый аннотированный набор данных проявлений и тяжести замораживания походки при болезни Паркинсона

Почему остановка на полшага важна

Для многих людей с болезнью Паркинсона ходьба — это не просто замедление или дрожание: она может внезапно прекратиться. В мгновение ока кажется, что ступни приклеены к полу, хотя человек изо всех сил пытается сделать шаг. Это пугающее явление, называемое замораживанием походки, является одной из ведущих причин падений, травм и утраты независимости. Работа, лежащая в основе этого обзора, представляет FoG-STAR — богатый новый набор данных, собранный с помощью носимых датчиков, отслеживающих движения людей с Паркинсоном во время повседневных действий. Открыто делясь этими данными с учёными по всему миру, авторы надеются ускорить разработку более умных устройств и алгоритмов, способных обнаруживать, измерять и в конечном счёте помогать предотвращать эти опасные эпизоды замораживания.

Наблюдение за движением с помощью незаметных носимых датчиков

Вместо того чтобы полагаться лишь на краткое наблюдение врача в клинике, проект FoG-STAR использует четыре небольших датчика движения, чтобы отслеживать движения тела шаг за шагом. Двадцать два добровольца с болезнью Паркинсона носили датчики на обеих щиколотках, на одном запястье и в области поясницы примерно там, где находится центр массы тела. Каждое устройство записывало скорость перемещений и вращения разных частей тела сотни раз в секунду, пока участники выполняли обычные движения: вставали, садились, проходили десять метров, поворачивались на месте или проходили через дверной проем. Все сессии записывались в состоянии «без медикаментов», чтобы эпизоды замораживания были более вероятны. Одновременно видеокамеры фиксировали каждое действие, обеспечивая визуальную ссылку на то, что улавливали датчики.

От сырых сигналов движения к размеченным эпизодам замораживания

Сбор сигналов — это только половина дела; вторая половина — понять, что они означают. Двое неврологов, оба эксперты по двигательным расстройствам, тщательно просмотрели видео кадр за кадром. Они отмечали, когда начинался и заканчивался каждый эпизод замораживания, и описывали его внешний вид — чи человек двигался мелкими шагами вперёд, дрожал на месте с быстрыми движениями ног или полностью застывал без движения. Они также помечали, чем человек занимался в остальное время: ходьбой, стоянием, поворотом, сидением или сменой положения. Эти подробные пометки затем синхронизировали с данными датчиков, получив временно выровненный реестр, в котором каждый момент движения сопоставлен с клинической деятельностью. Такое многоуровневое описание позволяет изучать замораживание в контексте, а не как отдельные вспышки.

Создание ресурса для более умных алгоритмов

В результате получена открытая, организованная коллекция из 329 000 образцов сигналов датчиков, каждый из которых связан с участником, задачей, активностью и меткой замораживания. В отдельном файле перечислены возраст участников, стадия болезни, оценки подвижности, когнитивные показатели, страх падения и качество жизни, чтобы исследователи могли изучать, как схемы замораживания различаются у пациентов. Ранние тесты машинного обучения показывают, что методы глубокого обучения могут распознавать эпизоды замораживания с высокой точностью, особенно при использовании данных с датчиков на щиколотках. Эти модели можно обучать на FoG-STAR, а затем адаптировать для работы с другими наборами данных, что говорит о том, что FoG-STAR захватывает ключевые признаки появления замораживания в сигналах движения. Авторы также описывают, как они решали технические проблемы, такие как синхронизация нескольких датчиков и работа с периодическими пропусками данных, давая другим дорожную карту для похожих исследований.

Ограничения, оговорки и использование в реальном мире

Как любой научный ресурс, FoG-STAR имеет ограничения. В исследовании участвуют всего 22 человека, все тесты проводились в тщательно контролируемых условиях и все в состоянии, когда они не принимали обычные лекарства, поэтому данные могут не отражать полного разнообразия замораживания, наблюдаемого дома или на более ранних стадиях болезни. Не каждый участник выполнял все задания, а видео было сокращено до десяти кадров в секунду, что означает, что очень краткие эпизоды замораживания могут быть зафиксированы не совсем точно. Тем не менее набор данных охватывает широкий спектр моделей ходьбы, поворотов и смен поз, и он сохраняет небольшие пропуски и несовершенства в сигналах вместо их сглаживания, так что исследователи могут самостоятельно решать, как лучше очистить и интерпретировать данные для своих целей.

Что это значит для людей, живущих с болезнью Паркинсона

В бытовом представлении FoG-STAR похож на то, как будто исследователям передают подробный дневник с временными отметками о том, как замораживание походки разворачивается в теле, написанный не словами, а движением. Делая этот дневник открытым и хорошо документированным, авторы дают инженерам, клиницистам и специалистам по данным общую отправную точку для сравнения новых идей и инструментов. Со временем такая работа может привести к носимым устройствам, которые предупреждают людей незадолго до замораживания, корректируют лечение для уменьшения эпизодов или направляют домашние реабилитационные упражнения, адаптированные к индивидуальным особенностям движения. Хотя FoG-STAR сам по себе не лечит болезнь Паркинсона или замораживание походки, он закладывает важный фундамент для технологий, которые однажды могут помочь людям ходить более безопасно и уверенно.

Цитирование: 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

Ключевые слова: Болезнь Паркинсона, замораживание походки, носимые датчики, анализ походки, глубокое обучение