Klassificering av fallare och icke-fallare bland äldre med elektrisk IMU-signal för gånganalys och förklarbar djupinlärning

Varför det är viktigt att stå stadigt på fötterna

När människor blir äldre kan ett enkelt snedsteg leda till ett allvarligt fall, med följder som sträcker sig från benbrott till förlorad självständighet. Läkare vet att gångmönstret rymmer viktiga ledtrådar om risken att falla, men det har varit svårt att mäta dessa ledtrådar exakt och omsätta dem till praktiska varningar. Denna studie visar hur små bärbara sensorer på fötterna, i kombination med modern artificiell intelligens, inte bara kan sortera äldre i högre respektive lägre riskgrupper med anmärkningsvärd noggrannhet, utan också avslöja vilka delar av gångcykeln som är mest knutna till fall.

Läsa rörelse med små sensorer

Forskarna använde en offentlig databas med 163 vuxna i åldrarna 70 till 99 år. Varje försöksperson bar en lätt enhet kallad en inertial measurement unit, eller IMU, fäst på ena foten medan de gick i ungefär 30 minuter. Dessa sensorer registrerar hur foten rör sig i tre dimensioner och fångar både acceleration och rotation flera hundra gånger per sekund. Deltagarna kategoriserades utifrån om de hade fallit under det senaste året och grupperades även efter åldersdecennium (70-, 80- eller 90-tal). Från de kontinuerliga inspelningarna delade teamet upp data i korta fönster som täckte flera steg, och skapade tusentals små ”ögonblicksbilder” av gångmönster att mata in i sina dator­modeller.

Träna datorer att känna igen riskfylld gång

För att omvandla dessa rörelsespår till meningsfulla riskgrupper jämförde forskarna traditionella maskininlärningsmetoder med mer avancerade djupinlärningsmetoder. Klassiska algoritmer, såsom besluts­träd och random forest, fick sammanfattande statistik från varje gångsegment, som medelvärde och variabilitet över tid. Djupinlärningsmodellerna—konvolutionella neurala nätverk (CNN) och långkorttidsminnesnätverk (LSTM)—å andra sidan tilläts bearbeta de råa vågformsliknande sensorsignalerna direkt och lära sig mönster själva utan handgjorda kännetecken. Målet var att se hur väl varje metodfamilj kunde skilja äldre som fallit från dem som inte gjort det, och hur tillförlitligt de kunde sortera personer i åldersgrupper enbart utifrån hur de gick.

Hur väl modellerna presterade

När data från alla deltagare blandades och delades upp i tränings- och testdelar överträffade djupinlärningsmodellerna tydligt de traditionella. CNN klassificerade fallare och icke-fallare korrekt ungefär 96 % av gångerna, och LSTM låg nära med 95 %, medan de bästa klassiska metoderna nådde höga 80‑tal som bäst. Även vid ett tuffare test, där modellerna tränades på vissa individer och sedan utvärderades på helt andra personer, uppnådde CNN fortfarande runt 92 % noggrannhet för fallhistorik och nästan 90 % för åldersgrupps­klassificering. Båda djupmodellerna kunde också särskilja individer oväntat väl, vilket antyder att varje persons gång är lika distinkt som en signatur när den ses genom dessa sensorer.

Öppna AI:s "svarta låda"

En vanlig kritik mot kraftfulla AI‑metoder är att de ofta är ogenomskinliga: de kan vara precisa, men förklarar sällan sina beslut. För att tackla detta använde författarna ett förklaringsverktyg kallat LIME för att undersöka CNN:ens beslut vid klassificering av fallhistorik. Istället för att fråga vilka övergripande funktioner som var viktiga, undersökte de vilka ögonblick inom varje steg som bidrog mest till att märka någon som fallare eller icke‑fallare. De fann att modellen fokuserade främst på stance‑fasen—perioden när foten är i marken och bär vikt—särskilt mitten och sena delar när kroppen skjuts framåt och förbereder avstamp. Hos personer med tidigare fall dominerade oregelbundenheter under dessa faser modellens resonemang, medan icke‑fallare visade ett mer balanserat bidrag från både stance och swing (när foten är i luften).

Vad detta betyder för att förebygga fall

För en lekmannaläsare är huvudbudskapet att små, diskreta fotsensorer tillsammans med smarta algoritmer kan upptäcka subtila instabiliteter i hur någon går långt innan ett fall inträffar—och kan peka ut exakt vilken del av stegcykeln problemet uppstår i. Studien visar att djupinlärningssystem kan pålitligt skilja tidigare fallare från icke‑fallare och separera olika åldersmönster i gång, allt utifrån några sekunder av sensordata. Lika viktigt är att genom att lyfta fram problem under viktbärande faser av steget föreslår metoden konkreta mål för träning och rehabilitering, såsom att förbättra balans och styrka när foten är i marken och kroppen rör sig över den. Med vidare prövningar i större och mer varierade grupper över tid kan detta tillvägagångssätt utvecklas till bärbara verktyg som tyst övervakar gång i vardagen och ger vårdpersonal tidiga, begripliga varningar när en äldre persons fallrisk börjar öka.

Citering: 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

Nyckelord: fallrisk, gånganalys, bärbara sensorer, djupinlärning, äldre