Классификация упавших и неупавших пожилых людей с использованием электрического сигнала ИМУ для анализа походки и объяснимого глубокого обучения

Почему важно сохранять равновесие

С возрастом один неверный шаг может привести к серьёзному падению — от переломов до утраты самостоятельности. Врачи знают, что манера ходьбы содержит важные подсказки о вероятности падения, но точно измерить эти признаки и превратить их в практические предупреждения было сложно. В этом исследовании показано, что небольшие носимые датчики на ступнях в сочетании с современным искусственным интеллектом не только с впечатляющей точностью разделяют пожилых людей на группы с более высоким и более низким риском, но и выявляют, какие именно фрагменты цикла шага наиболее тесно связаны с падениями.

Чтение движений крошечными датчиками

Исследователи использовали публичную базу данных, включающую 163 человека в возрасте от 70 до 99 лет. Каждый доброволец носил лёгкое устройство — инерциальный измерительный блок (IMU), закреплённый на одной ступне, и ходил примерно по 30 минут. Эти датчики фиксируют движение стопы в трёх измерениях, записывая ускорение и вращение сотни раз в секунду. Участников пометили в зависимости от того, падали ли они в прошлом году, а также сгруппировали по декадам возраста (70‑е, 80‑е, 90‑е). Из непрерывных записей команда нарезала данные на короткие окна, охватывающие несколько шагов, получив тысячи небольших «снимков» походки для подачи в компьютерные модели.

Обучение компьютеров замечать рискованную походку

Чтобы превратить эти следы движения в осмысленные группы риска, исследователи сравнили традиционные методы машинного обучения с более продвинутыми подходами глубокого обучения. Классические алгоритмы, такие как решающие деревья и случайные леса, получали сводные статистики из каждого сегмента ходьбы — например, средние значения и вариативность во времени. Моделям глубокого обучения, таким как сверточные нейронные сети (CNN) и сети с длительной кратковременной памятью (LSTM), напротив, позволяли обрабатывать сырые волнообразные сигналы датчиков напрямую, чтобы они сами выявляли шаблоны без ручного отбора признаков. Цель заключалась в том, чтобы оценить, насколько каждая группа методов способна отличать пожилых людей с историей падений от тех, у кого таких падений не было, и насколько надёжно они могут разделять людей по возрастным группам исключительно по манере ходьбы.

Насколько хорошо работали модели

Когда данные всех участников были перемешаны и разделены на обучающую и тестовую выборки, модели глубокого обучения явно превзошли традиционные методы. CNN правильно классифицировала упавших и неупавших примерно в 96% случаев, LSTM была чуть позади — около 95%, тогда как лучшие классические методы достигали максимум высоких 80‑х процентов. Даже в более жёстком тесте, когда модели обучали на одних людях, а затем оценивали на совершенно других, CNN всё равно показала около 92% точности при классификации по истории падений и почти 90% при распознавании возрастной группы. Обе глубокие модели также довольно хорошо различали отдельных людей, что указывает на то, что походка каждого человека при просмотре через такие датчики похожа на подпись.

Открывая «чёрный ящик» решений ИИ

Распространённая критика мощных методов ИИ в том, что они часто непрозрачны: они могут быть точными, но редко объясняют свои решения. Чтобы исправить это, авторы использовали инструмент интерпретации под названием LIME для исследования решений CNN при классификации по истории падений. Вместо того чтобы спросить, какие общие признаки были важны, они проанализировали, какие моменты внутри каждого шага вносят наибольший вклад в присвоение метки «упавший» или «неупавший». Оказалось, что модель в основном фокусируется на фазе опоры — периоде, когда стопа находится на земле и несёт вес, особенно на средней и поздней её частях, когда тело смещается вперёд и готовится оттолкнуться. У людей с историей падений именно нарушения в этих фазах преобладали в рассуждениях модели, тогда как у неупавших вклад был более сбалансирован между фазами опоры и маха (когда стопа в воздухе).

Что это значит для предотвращения падений

Для широкой аудитории главный вывод таков: небольшие незаметные датчики на ступнях в сочетании с продвинутыми алгоритмами способны обнаруживать тонкие нестабильности в походке задолго до самого падения — и указывать на точную часть цикла шага, где возникает проблема. Исследование демонстрирует, что системы глубокого обучения могут надёжно отличать прошлых падений от отсутствия таковых и разделять разные возрастные шаблоны походки всего по нескольким секундам данных датчика. Не менее важно то, что, выделяя проблемы в фазах переноса веса, метод предлагает конкретные цели для упражнений и реабилитации, например усиление равновесия и силы в моменты, когда стопа стоит на земле и тело перемещается над ней. После дальнейшей проверки на более широких группах и в продольных исследованиях этот подход может развиться в носимые устройства, которые тихо мониторят походку в повседневной жизни и дают врачам ранние, понятные предупреждения, когда риск падения пожилого человека начинает расти.

Цитирование: 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

Ключевые слова: риск падений, анализ походки, носимые датчики, глубокое обучение, пожилые люди