Обнаружение ключевых признаков поверхностной электромиографии при ходьбе для различения высокого и низкого мышечного объема с помощью анализа машинного обучения

Почему ваша походка говорит больше, чем вы думаете

Большинство считает потерю мышц проблемой старости, однако количество мышечной ткани, которое мы имеем в раннем и среднем возрасте, может определять нашу подвижность и состояние здоровья в будущем. Стандартные тесты на мышечную массу требуют громоздкого оборудования и посещения клиники. В этом исследовании проверяли, может ли простая ходьба, записанная небольшими датчиками на ногах и проанализированная компьютером, показать, у кого относительно низкая или высокая мышечная масса, даже среди в целом здоровых взрослых.

Слушая мышцы во время движения

Вместо полного сканирования тела исследователи сосредоточились на крошечных электрических сигналах, которые мышцы естественно производят при сокращении. Эти сигналы, снятые с поверхности кожи с помощью наклейкок на четырёх ключевых мышцах ног, записывали, пока 133 взрослого в возрасте 20–59 лет шли туда‑обратно в нормальном и быстром темпе. Одновременно датчики движения помогали разделять каждую прогулку на отдельные шаги, чтобы команда могла изучать активность мышц цикл за циклом, а не как один длинный размытый сигнал.

Разделение людей по размеру мышц

Участники также прошли стандартный тест состава тела, оценивающий, сколько мышц в руках и ногах. Поскольку для молодых взрослых нет общепринятых порогов «низкой мышечной массы», команда использовала метод группировки на основе данных, чтобы разделить людей на три кластера в пределах их половых и возрастных групп, затем объединила два верхних кластера в одну группу с высокой мышечной массой. Это позволило получить чёткую метку «низкая» против «высокая» мышечная масса для каждого человека без опоры на произвольные пороги.

Обучение компьютеров чтению мышечных сигналов

Из каждого записанного шага исследователи извлекли сотни числовых признаков, описывающих, насколько сильны, насколько сложны и насколько быстро меняются сигналы каждой мышцы, включая тонкие паттерны, выявленные с помощью продвинутой обработки сигналов. Затем они использовали несколько распространённых моделей машинного обучения, чтобы установить связь между этими признаками и метками «низкая» или «высокая» мышечная масса. Чтобы проверить работу на новых людях, модели обучали на всех, кроме одного участника, и тестировали на человеке, которого исключили, повторяя процесс так, чтобы каждый доброволец однажды оказался в роли невиданного случая.

Что модели узнали о ключевых мышцах

Компьютерные модели с удивительной точностью различали низкую и высокую мышечную массу — около 95 процентов при ходьбе в обычном темпе и 94 процента при быстрой ходьбе для лучших методов. Не менее важно то, что команда использовала инструмент объяснения, чтобы увидеть, какие признаки вносят наибольший вклад в предсказания. При повседневной ходьбе самую информативную роль сыграл сигнал от мышцы по передней части голени: более низкая пиковая мощность была связана с более высокой общей мышечной массой. При быстрой ходьбе наиболее влиятельным признаком оказалось, как часто электрический сигнал от большой мышцы задней поверхности бедра пересекает ноль — мера её быстрой активности, которая, как правило, была выше у людей с большей мышечной массой.

Что это может значить для повседневного здоровья

Проще говоря, исследование показывает, что то, как ваши мышцы ног активируются во время ходьбы, несёт читаемый отпечаток того, сколько у вас мышц в целом. Быстрый тест ходьбы с датчиками и анализом прозрачными компьютерными методами может однажды помочь выявить взрослых, склоняющихся к потере мышечной массы задолго до появления слабости или замедления. Хотя необходимы более масштабные и более разнообразные исследования, работа указывает на то, что короткая прогулка по клиническому коридору в будущем может дополнить традиционные сканирования как удобный чек‑ап состояния мышц.

Цитирование: Lee, D., Konki, S.K., Jung, D. et al. Discovery of key surface electromyography features during walking for discerning high and low muscle mass using machine learning analysis. Sci Rep 16, 14867 (2026). https://doi.org/10.1038/s41598-026-45053-8

Ключевые слова: мышечная масса, поверхностная электромиография, анализ ходьбы, машинное обучение, риск саркопении