En flerskiktad annoterad sensordatabas över gångfrysningar och svårighetsgrad vid Parkinsons sjukdom

Varför det spelar roll att stanna mitt i steget

För många med Parkinsons sjukdom innebär gång inte bara att den blir långsammare eller skakigare — den kan plötsligt upphöra. På ett ögonblick känns fötterna som fastlimmade vid golvet trots att personen försöker desperat att röra sig. Denna skrämmande händelse, kallad freezing of gait, är en ledande orsak till fall, skador och minskad självständighet. Artikeln bakom denna sammanfattning introducerar FoG-STAR, en rik ny datamängd byggd från bärbara sensorer som följer hur personer med Parkinson rör sig under vardagliga aktiviteter. Genom att öppet dela dessa data med forskare över hela världen hoppas författarna kunna påskynda utvecklingen av smartare apparater och algoritmer som kan upptäcka, mäta och så småningom bidra till att förebygga dessa farliga frysningsepisoder.

Att observera rörelse med diskreta bärbara sensorer

I stället för att enbart förlita sig på en läkares korta observation i kliniken använder FoG-STAR-projektet fyra små rörelsesensorer för att följa hur kroppen rör sig steg för steg. 22 frivilliga med Parkinson bar sensorer på båda anklarna, på ena handleden och på nedre delen av ryggen, ungefär där kroppens tyngdpunkt sitter. Varje enhet registrerade hur snabbt olika delar av kroppen rörde sig och roterade, hundratals gånger per sekund, medan deltagarna utförde vanliga rörelser som att resa sig, sätta sig, gå tio meter, snurra på stället eller passera en dörröppning. Alla sessioner spelades in medan deltagarna var i ett ”off-medicin” tillstånd så att frysningshändelser skulle vara mer sannolika att uppträda. Samtidigt fångade videokameror varje handling och gav en visuell referens för vad sensorerna registrerade.

Från rå rörelsedata till märkta frysningsepisoder

Att samla signalerna är bara halva historien; den andra halvan är att förstå vad de betyder. Två neurologer, båda experter på rörelsestörningar, granskade noggrant videorna bildruta för bildruta. De markerade när varje frysningsepisod började och slutade och beskrev hur den såg ut — om personen släpade fram fötterna med små steg, skakade på stället med snabba benrörelser eller blev helt fast utan att röra sig alls. De etiketterade också vad personen gjorde resten av tiden: gå, stå, svänga, sitta eller ändra kroppsställning. Dessa detaljerade markeringar synkroniserades sedan med sensordata och skapade en tidsjusterad logg där varje ögonblick av rörelse paras med vad som kliniskt pågick. Denna flerskiktade beskrivning möjliggör att studera frysning i kontext snarare än som isolerade blipp.

Att bygga en resurs för smartare algoritmer

Resultatet är en öppen, organiserad samling om 329 000 sensorsampel, var och en kopplad till en försöksperson, uppgift, aktivitet och frysningsetikett. En separat fil listar varje deltagares ålder, sjukdomsstadium, rörelsescore, kognitiva förmåga, rädsla för att falla och livskvalitet, så att forskare kan utforska hur frysningsmönster skiljer sig mellan patienter. Tidiga tester med maskininlärningsmodeller visar att djupinlärningsmetoder kan känna igen frysningsepisoder med hög noggrannhet, särskilt när data från ankelsensorerna används. Dessa modeller kan till och med tränas på FoG-STAR och sedan anpassas för att fungera på andra datamängder, vilket tyder på att FoG-STAR fångar nyckelfunktioner i hur frysning framträder i rörelsesignaler. Författarna beskriver också hur de hanterade tekniska problem som synkronisering av flera sensorer och hantering av tillfälliga luckor i data, vilket ger andra en vägledning för liknande studier.

Begränsningar, förbehåll och användning i verkligheten

Liksom alla vetenskapliga resurser har FoG-STAR sina begränsningar. Studien omfattar endast 22 personer, alla testade i en noggrant kontrollerad miljö och alla utan sina vanliga läkemedel, så data kanske inte speglar hela variationen av frysningar som ses hemma eller i mildare sjukdomsstadier. Inte varje deltagare genomförde varje uppgift, och videona reducerades till tio bilder per sekund, vilket innebär att extremt korta frysningshändelser kanske inte fångas exakt. Ändå täcker datamängden en bred blandning av gångmönster, svängar och hållningsförändringar, och den lämnar små luckor och ofullkomligheter i signalerna synliga i stället för att jämna ut dem, så att forskare kan avgöra hur de bäst vill rensa och tolka data för sina egna ändamål.

Vad detta betyder för personer som lever med Parkinsons

I vardagliga termer är FoG-STAR som att ge forskarsamhället en detaljerad, tidsstämplad dagbok över hur gångfrysning faktiskt utvecklas i kroppen, skriven inte i ord utan i rörelse. Genom att göra denna dagbok öppen och väl dokumenterad ger författarna ingenjörer, kliniker och dataforskare en gemensam utgångspunkt för att jämföra nya idéer och verktyg. Med tiden kan sådant arbete leda till bärbara enheter som varnar personer precis innan de fryser, anpassar behandlingar för att minska frysningar eller vägleder hemrehabiliteringsövningar skräddarsydda efter en persons specifika rörelsemönster. Medan FoG-STAR inte botar Parkinsons eller gångfrysning i sig, lägger det en avgörande grund för teknologier som en dag kan hjälpa människor att gå säkrare och med större självförtroende.

Citering: 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

Nyckelord: Parkinsons sjukdom, gångfrysning, bärbara sensorer, gånganalys, djupinlärning