Giyilebilir atalet sensörleri ve denetimli / denetimsiz makine öğrenmesi kullanarak inmeli hastalarda yürüyüşün ana özelliklerini belirleme

İnmeden Sonra Yürümek Neden Önemli

İnme sık sık basit bir odadan karşıya yürümeyi günlük bir mücadeleye dönüştürür. Birçok iyileşen için bacaklarını, gövdesini ve başını ne kadar iyi hareket ettirebildikleri; bağımsız yaşayıp yaşayamayacaklarını, düşmelerden kaçınıp kaçınamayacaklarını ve işe ya da sosyal hayata geri dönüp dönemeyeceklerini belirler. Bu çalışma, küçük giyilebilir sensörler ve akıllı bilgisayar programlarının inme sonrasındaki yürüyüşün gizli imzalarını nasıl yakalayabildiğini araştırıyor; bu sayede klinisyenler çıplak gözün ötesini görebilir ve daha hedefe yönelik rehabilitasyonun yolunu açabilir.

Küçük Giyilebilir Cihazlarla Adımları Ölçmek

Araştırmacılar, inme geçirmiş 85 kişi ile 97 sağlıklı gönüllüye beş bozuk para büyüklüğünde hareket sensörü taktılar. Bunlar alın, göğüs, alt sırt ve her iki kaval kemiğine yerleştirildi ve katılımcılar kendi normal hızlarında on metre boyunca gidip geldiler. Sensörler vücudun üç boyutta nasıl hareket ettiğini kaydederek yalnızca hız ve adım uzunluğunu değil, gövde ve başın ne kadar düzgün ve kararlı olduğunu ve bacakların işi ne kadar eşit paylaştığını da yakaladı. Bu kayıtlardan ekip; zamanlama, bacaklar arasındaki simetri, adımdan adıma değişkenlik ve üst vücudun ne kadar pürüzsüz ve istikrarlı hareket ettiği gibi özellikleri tanımlayan 79 farklı ölçüm hesapladı.

Bilgisayarlara Sorunlu Yürüyüşü Öğretmek

Böylesine çok olası ölçüm varken zorluk, hangilerinin gerçekten inme geçirmişleri sağlıklı yürüyüşten ayırdığını belirlemekti. Ekip, yürüyüşe göre insanları iki gruba ayırmak için tasarlanmış üç farklı makine öğrenmesi yöntemi kullandı: k-en yakın komşu, destek vektör makineleri ve karar ağaçları. Önce açıkça işe yaramayan ölçümleri elmek için standart istatistiksel testler uyguladılar, sonra neredeyse aynı olanları çıkardılar. Son olarak, her algoritmayı birer ölçüm çıkarılarak yineleyerek eğiten ve yüksek sınıflandırma doğruluğunu koruyanları tutan adım adım budama yaklaşımı kullandılar. Veri üzerinde birçok rastgele bölme yapıldığında makinalar yaklaşık on vaka içinde dokuzunda inmeli ile sağlıklı katılımcıyı doğru ayırdı; destek vektör makinesi en iyi ve en tutarlı performansı gösterdi.

En Anlamlı Yürüyüş İpuçlarına Yakın Plan

Orijinal 79 ölçümden süreç, en faydalı bilgiyi taşıyan sadece dokuzuna daraldı. Bu ölçümler insanların ne kadar hızlı yürüdüğünü, adım zamanlamalarının ne kadar değiştiğini, gövdenin yanlar arası hareket simetrisinin ne kadar olduğunu ve baş ile göğsün özellikle ileriback (ön-arka) ve yanlara doğru hareketlerinin ne kadar pürüzsüz olduğunu kapsıyordu. Dikkat çekici olarak, başın ne kadar pürüzsüz hareket ettiğinin ölçümü, denge, bakış sabitleme ve yürürken iç kulak ile vücuttan gelen sinyallerin beyin tarafından bütünleştirilmesindeki sorunları düşündüren yeni ve güçlü bir inme ilişkili yürüyüş belirteci olarak öne çıktı. Sürpriz şekilde, klasik sol-sağ adım asimetri ölçümleri seçim sürecini geçemedi; bunun nedeni muhtemelen inmenin yürüyüşü birçok farklı şekilde bozabilmesi ve bu nedenle grupları güvenilir şekilde ayırt etme gücünün zayıflaması olabilir.

Verinin Kendi Kendine Gruplamasına İzin Vermek

Seçilmiş bu yürüyüş ipuçlarının gerçekten bilgilendirici olup olmadığını —ve yalnızca belirli öğrenme yöntemlerine uyarlanmış olup olmadığını— test etmek için araştırmacılar ardından denetimsiz bir teknik kullandılar. Bilgisayara kimin inme geçirdiğini söylemek yerine, sadece seçilmiş ölçümleri verdiler ve benzerliğe göre iki küme oluşturmasını istediler. K-medoids adlı bir yöntem ve veri noktaları arasındaki mesafeyi ölçmenin birkaç yolunu kullanarak, yalnızca üç ölçümün —genel yürüyüş hızı, duruş evresinin ne kadar değiştiği ve simetriyle ilişkili bir gövde sinyali— insanları inme veya sağlıklı olarak yaklaşık %90 doğrulukla gruplayabilmek için yeterli olduğunu gösterdiler. Ölçümlerin mutlak büyüklüğünden ziyade örüntüsüne odaklanan bir uzaklık kuralı, tekrar eden testlerde en kararlı sonuçları verdi.

Günlük Bakım İçin Anlamı

Uzman olmayan biri için temel mesaj şudur: beş küçük sensör takılıyken kısa bir yürüyüş, bir kişinin yürüyüşünün inmeden nasıl etkilendiğinin kompakt bir “parmak izini” ortaya çıkarabilir. Bilgisayarlar sadece birkaç dikkatle seçilmiş hareket ölçütünü —ne kadar hızlı yürüdüğünüzü, adımlarınızın ne kadar düzenli olduğunu ve gövdeniz ile başınızın ne kadar pürüzsüz hareket ettiğini— kullanarak inme yürüyüşünü sağlıklı yürüyüşten güvenilir şekilde ayırabilir. Bu bulgu, iyileşmeyi nesnel olarak izleyebilecek, gizli denge problemlerini ortaya çıkarabilecek ve terapistlerin egzersizleri kişiselleştirmesine rehberlik edebilecek basit, klinik dostu araçlara bizi yaklaştırıyor. Bu yöntemleri gerçek zamanlı çalıştırmak ve daha çeşitli hasta gruplarında uygulamak için yapılacak ek çalışmalarla, böyle sistemler inme rehabilitasyonunda günlük birer yardımcı haline gelebilir ve her adımı daha güvenli, daha kendinden emin yürümeye giden yolda faydalı geri bildirimlere dönüştürebilir.

Atıf: Brasiliano, P., Orejel-Bustos, A.S., Belluscio, V. et al. Identifying key gait features in stroke patients using wearable inertial sensors and supervised and unsupervised machine learning. Sci Rep 16, 8908 (2026). https://doi.org/10.1038/s41598-026-43666-7

Anahtar kelimeler: inme yürüyüşü, giyilebilir sensörler, makine öğrenmesi, rehabilitasyon, yürüyüş stabilitesi