Непрерывная оценка походки в повседневной жизни с помощью самообучения на данных акселерометра, носимого на запястье

Почему ваш наручный гаджет однажды может отслеживать, насколько хорошо вы ходите

Многие уже носят фитнес‑часы, которые считают шаги или отслеживают тренировки. Но для пожилых людей манера ходьбы — скорость, ритм и устойчивость — может выявлять ранние признаки проблем со здоровьем, от слабости до деменции. В этом исследовании показано, что один датчик на запястье в сочетании с продвинутой системой искусственного интеллекта под названием ElderNet способен превращать повседневные данные о движении в подробные показатели качества ходьбы, потенциально превращая привычный гаджет в мощный инструмент здоровья.

От простого подсчёта шагов к богатым подсказкам о походке

Большинство современных наручных устройств оценивают вашу общую активность: сколько вы сидите, как часто двигаетесь или сколько шагов делаете. Хотя такие сводки полезны, они смешивают разные типы движений и упускают тонкие характеристики самой ходьбы. Врачи и исследователи интересуются конкретными чертами походки — например, скоростью ходьбы, количеством шагов в минуту, длиной шага и регулярностью шагов — поскольку они являются сильными индикаторами здорового старения и риска инвалидизации, падений и когнитивного упадка. Традиционно такие показатели получают в кратких тестах в клинике или лаборатории, часто с датчиками на нижней части спины или со специальными дорожками. Эти решения точны, но неудобны и дают лишь короткие фрагменты мобильности человека.

Обучение модели «читать» походку по движениям запястья

Команда, создавшая ElderNet, поставила задачу извлекать полную информацию о ходьбе из датчиков на запястье, носимых в повседневной жизни, даже несмотря на то, что запястье двигается сложно и смешивает качания рук с другими действиями. Они опирались на подход самообучения, при котором глубокая нейронная сеть сначала самостоятельно распознаёт шаблоны в огромных объёмах немаркированных данных с запястий более чем 100 000 человек из UK Biobank. Затем модель дополнительно адаптировали с использованием многодневных записей более чем 800 пожилых участников проекта Rush Memory and Aging Project, чтобы она стала особенно чувствительной к паттернам движений у стареющего населения. Наконец, систему тонко настраивали на меньшем, но тщательно размеченном наборе данных Mobilise‑D, где участники одновременно носили датчики на запястье и эталонную систему, точно измерявшую их ходьбу в реальных условиях. Этот шаг позволил ElderNet научиться переводить сложные движения запястья в конкретные показатели ходьбы для каждой выявленной прогулки.

Насколько хорошо система измеряет ходьбу

При тестировании на пожилых людях и пациентах с такими состояниями, как сердечная недостаточность, заболевания лёгких, болезнь Паркинсона, перелом бедра и рассеянный склероз, ElderNet оценивала скорость ходьбы со средней ошибкой около 8,8 сантиметра в секунду и демонстрировала хорошее согласие с эталонной системой. Она также превосходила ведущий биомеханический метод, основанный на вручную разработанных признаках, и аналогичную модель, обученную без этапа самообучения. Исследователи расширили возможности ElderNet для оценки дополнительных характеристик походки, таких как каденс, длина шага и регулярность шагов; особенно для каденса и длины шага версия с самообучением явно превзошла полностью контролируемый базовый вариант. Важно, что качество работы оставалось высоким и в независимой группе молодых здоровых людей, что указывает на обобщаемость подхода за пределами первоначальной выборки, хотя модель и была оптимизирована под пожилых участников.

Повседневная ходьба рассказывает другую историю, чем клинические тесты

Чтобы оценить клиническую полезность, авторы применили ElderNet к примерно десяти дням данных с запястий на человека у сотен пожилых людей, живущих в сообществе. Они сравнили три способа выявления тех, кто сообщал о нарушениях мобильности: короткие контролируемые тесты ходьбы; общие сводки физической активности с запястья; и детализированные многодневные показатели походки, оценённые ElderNet. В то время как лабораторные меры ходьбы и общие уровни активности обеспечивали лишь умеренное разделение, богатые показатели реальной повседневной походки значительно лучше различали людей с проблемами мобильности и без них. Любопытно, что паттерны ходьбы в повседневной жизни слабо коррелировали с теми, что измеряли в кратких клинических прогулках, что говорит о том, что поведение человека в его обычной среде отражает аспекты функционирования, которые традиционные тесты пропускают.

Что это может значить для здорового старения

Исследование показывает, что обычное, удобное устройство, носимое на запястье, с правильными алгоритмами может предоставлять клинически сопоставимую информацию о том, как люди ходят в повседневной жизни. Точность ElderNet соразмерна изменениям, имеющим клиническое значение для скорости ходьбы, а многодневные меры лучше выявляют пожилых людей с нарушениями мобильности, чем стандартные тесты или простые подсчёты активности. При дальнейшей валидации в более разнообразных группах и на более длительных промежутках времени этот подход может помочь раньше обнаруживать тонкие ухудшения, отслеживать прогрессирование болезни или восстановление и направлять более персонализированные вмешательства — всё это на основе данных, тихо собираемых с датчика, похожего на часы.

Цитирование: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Ключевые слова: мониторинг походки, акселерометр на запястье, здоровое старение, самообучение, цифровые биомаркеры