Определение ключевых характеристик походки у пациентов после инсульта с помощью носимых инерционных датчиков и методов контролируемого и неконтролируемого машинного обучения

Почему ходьба после инсульта важна

Инсульт часто превращает простой переход через комнату в ежедневную борьбу. Для многих переживших инсульт способность управлять движениями ног, туловища и головы определяет, смогут ли они жить самостоятельно, избежать падений и вернуться к работе или общественной жизни. В этом исследовании показано, как небольшие носимые датчики и интеллектуальные компьютерные алгоритмы способны уловить скрытые признаки походки после инсульта, помогая клиникам увидеть больше, чем невооружённый глаз, и прокладывая путь к более целенаправленной реабилитации.

Измерение шагов с помощью миниатюрных носимых устройств

Исследователи оснастили 85 человек, перенёсших инсульт, и 97 здоровых добровольцев пятью монетоподобными датчиками движения. Их разместили на лбу, груди, нижней части спины и на обеих голенях, после чего участники ходили туда и обратно по десятиметровой дистанции в обычном темпе. Датчики записывали трёхмерные движения тела, фиксируя не только скорость и длину шага, но и плавность и устойчивость туловища и головы, а также то, насколько равномерно распределялась нагрузка между ногами. Из этих записей команда вычислила 79 различных показателей, описывающих тайминг, симметрию между ногами, вариабельность от шага к шагу и плавность и устойчивость движений верхней части тела.

Обучение компьютеров распознавать проблемную походку

При таком большом числе показателей стояла задача выявить те, которые действительно отличают переживших инсульт от здоровых ходоков. Команда использовала три метода машинного обучения для классификации: k-ближайших соседей, опорные векторы и деревья решений. Сначала применили стандартные статистические тесты, чтобы отбросить явно неинформативные показатели, затем удалили почти дублирующие друг друга переменные. Наконец, использовали поэтапный подход отсечения, при котором многократно обучали каждый алгоритм, убирая по одному показателю и сохраняя лишь те, которые не ухудшали точность классификации. При множественных случайных разбиениях данных системы правильно разделяли пациентов с инсультом и здоровых участников примерно в девяти случаях из десяти, при этом метод опорных векторов показал наилучший и наиболее стабильный результат.

Выделение самых информативных признаков походки

Из первоначальных 79 показателей процесс сократил список до всего девяти, несущих основную полезную информацию. Эти показатели отражали скорость ходьбы, вариабельность временных параметров шага, боковую симметрию движений туловища и плавность движений головы и груди, особенно в передне-заднем и боковом направлениях. Примечательно, что плавность движения головы выявилась как новый и мощный маркер проблем с походкой после инсульта, указывая на трудности с балансом, стабилизацией взгляда и интеграцией сигналов от вестибулярной системы и тела во время ходьбы. Удивительно, но классические показатели асимметрии левого и правого шага не прошли отбор — вероятно, потому что инсульт может нарушать походку по-разному, снижая их надежность для разграничения групп.

Дать данным сгруппироваться самостоятельно

Чтобы проверить, действительно ли эти отобранные признаки информативны, а не адаптированы под конкретные методы обучения, исследователи применили неконтролируемый подход. Вместо того чтобы указывать компьютеру, у кого был инсульт, они просто подали выбранные показатели и попросили алгоритм сформировать две кластера по сходству. С помощью метода k-medoids и нескольких способов измерения расстояния между точками данных они показали, что уже три показателя — общая скорость ходьбы, вариабельность фазы опоры и симметрия сигнала от туловища — достаточно, чтобы группировать людей на «инсульт» и «здоровые» с примерно 90% точностью. Правило расстояния, ориентированное на форму профиля показателей, а не на их абсолютные значения, оказалось наиболее стабильным при повторных проверках.

Что это значит для повседневной помощи

Для неспециалиста главный вывод таков: короткая прогулка в пяти небольших датчиках может выявить компактный «отпечаток» того, как инсульт изменил походку человека. Компьютеры могут использовать всего несколько тщательно отобранных показателей движения — как быстро вы идёте, насколько ровны ваши шаги и насколько плавно двигаются туловище и голова — чтобы надежно отличать походку после инсульта от здоровой. Это приближает нас к простым, удобным для клиник инструментам, которые смогут объективно отслеживать восстановление, выявлять скрытые проблемы с равновесием и помогать терапевтам подбирать упражнения. При дальнейшем развитии для работы в реальном времени и проверки на более разнородных группах пациентов такие системы могут стать повседневными помощниками в реабилитации после инсульта, превращая каждый шаг в полезную обратную связь на пути к более безопасной и уверенной ходьбе.

Цитирование: 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

Ключевые слова: походка после инсульта, носимые датчики, машинное обучение, реабилитация, устойчивость при ходьбе