Löpande bedömning av vardagsgång med självövervakad inlärning av handledsburna accelerometermätningar

Varför din klocka en dag kan mäta hur bra du går

Många människor bär redan aktivitetsklockor som räknar steg eller följer träningspass. Men för äldre vuxna kan sättet de går på — hastighet, rytm och stabilitet — avslöja tidiga tecken på hälsoproblem, från skörhet till demens. Denna studie visar att en enda sensor på handleden, i kombination med ett avancerat artificiellt intelligenssystem kallat ElderNet, kan omvandla vardagsrörelsedata till detaljerade mått på gångkvalitet och därigenom potentiellt förvandla en vanlig pryl till en kraftfull hälsomonitor.

Från enkla stegräknare till rika ledtrådar om gång

De flesta handledsbaserade enheter idag uppskattar hur aktiv du är i stort: hur länge du sitter, hur ofta du rör dig eller hur många steg du tar. Dessa sammanfattningar är användbara, men de blandar ihop många typer av rörelser och missar de finare detaljerna i själva gångmönstret. Läkare och forskare är intresserade av specifika gångegenskaper — till exempel gånghastighet, steg per minut, steglängd och hur regelbundna stegen är — eftersom de är starka indikatorer på hälsosamt åldrande och risk för funktionsnedsättning, fall och kognitiv nedgång. Traditionellt kommer dessa mått från korta tester i kliniker eller laboratorier, ofta med sensorer på nedre delen av ryggen eller speciella gångbanor. Dessa uppsättningar är precisa men opraktiska och fångar bara korta ögonblicksbilder av en persons rörlighet.

Att lära en modell att avläsa gång från handleden

Teamet bakom ElderNet ville låsa upp fullständig gånginformation från handledssensorer som bärs i normal daglig aktivitet, trots att handleden rör sig på komplexa sätt som blandar armgungningar med andra aktiviteter. De byggde vidare på en självövervakad inlärningsmetod, där ett djupt neuralt nätverk först lär sig känna igen mönster i enorma mängder oetiketterade handledsdata från mer än 100 000 personer i UK Biobank. Därefter anpassas modellen vidare med hjälp av flerdagarsinspelningar från över 800 mycket gamla vuxna i Rush Memory and Aging Project, så att den blir särskilt finjusterad för rörelsemönster hos åldrande populationer. Slutligen finjusteras systemet på en mindre men noggrant etiketterad datamängd, Mobilise‑D, där deltagarna bar både handledssensorer och ett rikt referenssystem som noggrant mätte deras gång i verkliga miljöer. Detta steg låter ElderNet lära sig översätta komplexa handledsrörelser till specifika gångmått för varje upptäckt gångepisod.

Hur väl systemet mäter gång

När det testades på äldre vuxna och personer med tillstånd som hjärtsvikt, lungsjukdom, Parkinsons sjukdom, höftfraktur och multipel skleros, uppskattade ElderNet gånghastigheten med ett genomsnittligt fel på cirka 8,8 centimeter per sekund och visade stark överensstämmelse med guldstandardreferenssystemet. Det överträffade också en ledande biomekanisk metod baserad på handgjorda funktioner och en liknande modell tränad utan självövervakad förinlärning. Forskarna utökade ElderNet för att uppskatta ytterligare gångegenskaper som kadens, steglängd och stegregularitet; för kadens och steglängd i synnerhet slog den självövervakade versionen klart den helt övervakade baslinjen. Viktigt är att prestandan förblev hög i en oberoende grupp yngre, friska vuxna, vilket tyder på att angreppssättet generaliserar bortom den ursprungliga träningssampeln, även om det optimerades för äldre individer.

Vardagsgång berättar en annan historia än kliniska tester

För att utforska klinisk nytta applicerade författarna ElderNet på ungefär tio dagar av handledsdata per person från hundratals äldre vuxna som bor i samhället. De jämförde tre sätt att flagga vilka som rapporterade rörlighetsnedsättning: korta, övervakade gångtester; breda sammanfattningar av fysisk aktivitet från handleden; och detaljerade flerdags gångmått uppskattade av ElderNet. Medan labbaserade gångmått och övergripande aktivitetsnivåer bara gav måttlig diskriminering, klarade sig de rika, verkliga gångfunktionerna mycket bättre för att särskilja personer med och utan rörelseproblem. Intressant nog var gångmönster i vardagen bara svagt relaterade till dem som mättes i korta kliniska promenader, vilket tyder på att hur människor rör sig i sina egna miljöer fångar funktionella aspekter som traditionella tester missar.

Vad detta kan betyda för hälsosamt åldrande

Studien visar att en vanlig, bekväm enhet som bärs på handleden kan, med rätt algoritmer, ge klinik‑kvalitativ insikt i hur människor går i sina vardagsliv. ElderNets noggrannhet ligger i nivå med förändringar som är kliniskt betydelsefulla för gånghastighet, och dess flerdagsmått identifierar bättre äldre vuxna med rörlighetsproblem än standardtester eller enkla aktivitetsräkningar. Med vidare validering i mer mångsidiga grupper och över längre tidsperioder skulle detta angreppssätt kunna hjälpa till att upptäcka subtila försämringar tidigare, övervaka sjukdomsutveckling eller återhämtning och vägleda mer personliga insatser — allt med data som diskret samlas in från en klockliknande sensor.

Citering: 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

Nyckelord: gångövervakning, handledsaccelerometer, hälsosamt åldrande, självövervakad inlärning, digitala biomarkörer