Düşenler ve düşmeyenlerin sınıflandırılması: Yürüyüş analizi için elektriksel IMU sinyali ve açıklanabilir derin öğrenme

Ayakta durmanın neden önemli olduğu

İleri yaşla birlikte basit bir tökezleme ciddi bir düşmeye yol açabilir; sonuçlar kırık kemiklerden bağımsızlığın kaybına kadar uzanır. Hekimler, birinin yürüme biçiminin düşme olasılığı hakkında hayati ipuçları taşıdığını biliyor, ancak bu ipuçlarını doğru şekilde ölçüp pratik uyarılara dönüştürmek zordu. Bu çalışma, ayaklara takılan küçük giyilebilir sensörlerin modern yapay zekâ ile birleştirildiğinde, yaşlı yetişkinleri yüksek ve düşük risk gruplarına çarpıcı bir doğrulukla ayırabilmesinin yanı sıra yürüyüş döngüsünün hangi bölümlerinin düşme ile en güçlü şekilde ilişkili olduğunu da ortaya koyabildiğini gösteriyor.

Hareketi küçük sensörlerle okumak

Araştırmacılar, 70 ile 99 yaş arası 163 yetişkinden oluşan halka açık bir veritabanından yararlandı. Her gönüllü, tek bir ayağa bağlanan ve atalet ölçüm ünitesi (IMU) olarak adlandırılan hafif bir cihaz taktı ve yaklaşık 30 dakika yürüdü. Bu sensörler ayağın üç boyutta nasıl hareket ettiğini, saniyede yüzlerce kez hızlanma ve dönmeye ilişkin verilerle kaydeder. Katılımcılar, son bir yılda düşüp düşmediklerine göre etiketlendi ve ayrıca on yıllık yaş gruplarına (70’ler, 80’ler, 90’lar) ayrıldı. Sürekli kayıtlardan ekip, veriyi birkaç adımdan oluşan kısa pencerelere böldü ve bilgisayar modellerine beslemek için binlerce küçük yürüyüş “anlık görüntüsü” oluşturdu.

Bilgisayarlara riskli yürüyüşü öğretmek

Bu hareket izlerini anlamlı risk gruplarına dönüştürmek için araştırmacılar geleneksel makine öğrenimi yöntemlerini daha gelişmiş derin öğrenme yaklaşımlarıyla karşılaştırdı. Karar ağaçları ve rastgele ormanlar gibi klasik algoritmalara, her yürüyüş segmentinden ortalama ve zaman içindeki değişkenlik gibi özet istatistikler verildi. Buna karşılık konvolüsyonel sinir ağları (CNN) ve uzun-kısa süreli hafıza ağları (LSTM) gibi derin öğrenme modellerine ham dalga benzeri sensör sinyallerinin kendisi doğrudan verildi; böylece elle tasarlanmış özelliklere ihtiyaç olmadan kalıpları kendi başlarına öğrenebildiler. Amaç, hangi yöntem ailesinin düşmüş olanları düşmemiş olanlardan ayırmada ve yalnızca yürüyüş biçimine dayanarak kişileri yaş gruplarına güvenilir şekilde ayırmada daha iyi olduğunu görmekti.

Modellerin performansı

Tüm katılımcıların verileri karıştırılıp eğitim ve test bölümlerine ayrıldığında, derin öğrenme modelleri açıkça geleneksel olanları geride bıraktı. CNN, düşenleri ve düşmeyenleri yaklaşık yüzde 96 doğrulukla sınıflandırdı ve LSTM onu yüzde 95 civarında izledi; en iyi klasik yöntemler en yükseklerde 80’lerin sonlarını gördü. Modellerin bazı bireyler üzerinde eğitilip tamamen farklı kişilerde değerlendirildiği daha sıkı bir testte bile, CNN düşme öyküsü sınıflandırmasında hâlâ yaklaşık yüzde 92 doğruluk ve yaş grubu sınıflandırmasında neredeyse yüzde 90 başarım sağladı. Her iki derin model de bireyleri şaşırtıcı derecede iyi ayırt edebiliyordu; bu, bu sensörlerle görüldüğünde her kişinin yürüyüşünün bir imza kadar ayırt edici olabileceğini öne sürüyor.

Yapay zekânın “kara kutusunu” açmak

Güçlü yapay zekâ yöntemlerine sık yöneltilen bir eleştiri, genellikle opak olmalarıdır: doğru olabilirler ama nadiren kendilerini açıklarlar. Bunu ele almak için yazarlar, CNN’in düşme öyküsü sınıflandırması üzerindeki kararlarını incelemek üzere LIME adlı bir açıklama aracını kullandı. Hangi genel özelliklerin önemli olduğunu sormak yerine, her adım içindeki hangi anların birini düşen ya da düşmeyen olarak etiketlemede en çok katkıda bulunduğunu incelediler. Modelin ağırlıklı olarak duruş fazına—ayağın yere basıp ağırlık taşıdığı döneme—odaklandığını, özellikle de vücut öne kayıp itiş hazırlığı yaptığı orta ve geç bölümlere önem verdiğini buldular. Düşme geçmişi olan kişilerde bu fazlardaki düzensizlikler modelin muhakemesini domine ederken, düşmeyenlerde duruş ve salınım (ayağın havada olduğu an) fazlarından daha dengeli bir katkı görüldü.

Düşmeleri önlemek için anlamı

Halk için temel mesaj, küçük, göze batmayan ayak sensörleri ile akıllı algoritmaların, bir düşme olmadan çok önce birinin yürüyüşündeki ince dengesizlikleri tespit edebildiği ve sorun çıkan adım döngüsünün tam bölümünü işaretleyebildiğidir. Çalışma, derin öğrenme sistemlerinin birkaç saniyelik sensör verisinden geçmiş düşenleri düşmeyenlerden güvenilir biçimde ayırabildiğini ve farklı yaşa bağlı yürüyüş örüntülerini saptayabildiğini gösteriyor. Aynı zamanda, adımın ağırlık taşıma fazlarındaki sorunları vurgulayarak egzersiz ve rehabilitasyon için somut hedefler öneriyor; örneğin ayağın yerde olduğu ve vücudun üzerinde hareket ettiği sırada denge ve kuvveti geliştirmek. Daha geniş gruplarda ve zaman içinde yapılacak ek testlerle, bu yaklaşım günlük yaşamda yürüyüşü sessizce izleyen ve bir yaşlı yetişkinin düşme riskinin arttığını erken ve anlaşılır şekilde klinisyenlere bildiren giyilebilir araçlara dönüşebilir.

Atıf: 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

Anahtar kelimeler: düşme riski, yürüyüş analizi, giyilebilir sensörler, derin öğrenme, yaşlı yetişkinler