El bilek ivmeölçer verilerinin kendinden denetimli öğrenmesiyle günlük yaşam yürüyüşünün sürekli değerlendirilmesi

Saatiniz Bir Gün Nasıl Yürüdüğünüzü İzleyebilir

Birçok insan zaten adımları sayan veya antrenmanları izleyen akıllı saatler takıyor. Ancak yaşlı yetişkinler için yürüyüş biçimleri—hız, ritim ve kararlılık—zorluklara işaret edebilecek erken sağlık belirtilerini, kırılganlıktan demansa kadar, ortaya çıkarabilir. Bu çalışma, tek bir bileğe takılan sensörün ve ElderNet adındaki gelişmiş yapay zeka sisteminin günlük hareket verilerini yürüyüş kalitesinin ayrıntılı ölçütlerine çevirebileceğini gösteriyor; böylece sıradan bir cihaz güçlü bir sağlık izleyicisine dönüşebilir.

Basit Adım Sayılarından Zengin Yürüme İpuçlarına

Bugünkü çoğu bilek cihazı genel olarak ne kadar aktif olduğunuzu tahmin eder: ne kadar oturduğunuz, ne sıklıkta hareket ettiğiniz veya kaç adım attığınız gibi. Bunlar faydalı olsa da, bu özetler birçok hareket türünü karıştırır ve yürüyüşün kendisine dair ince ayrıntıları kaçırır. Hekimler ve araştırmacılar belirli yürüme özellikleriyle ilgilenir—örneğin yürüyüş hızı, dakikadaki adım sayısı, her adımın uzunluğu ve adım düzenliliği—çünkü bunlar sağlıklı yaşlanma ile sakatlık, düşme ve bilişsel gerileme riskinin güçlü göstergeleridir. Geleneksel olarak bu ölçümler kliniklerde veya laboratuvarlarda yapılan kısa testlerden gelir; genellikle alt sırtına takılan sensörler veya özel yürüyüş yolları kullanılır. Bu düzenekler doğru olsa da kullanışsızdır ve bir kişinin hareketliliğinin yalnızca kısa anlık görüntülerini yakalar.

Bilekten Yürümeyi Okumayı Öğreten Bir Model

ElderNet’in arkasındaki ekip, bileğin kol salınımları ile diğer aktivitelerin karıştığı karmaşık hareketlerine rağmen gündelik yaşam sırasında takılan bilek sensörlerinden tam yürüyüş bilgisini açığa çıkarmayı amaçladı. Yaklaşımı, derin bir sinir ağının etiketlenmemiş çok büyük miktarda bilek verisindeki desenleri kendiliğinden öğrenmesine dayanan kendinden denetimli öğrenme üzerine inşa ettiler; bu veri, 100.000’den fazla kişinin verilerini içeren UK Biobank’ten sağlandı. Ardından model, yaşlanan nüfusların hareket kalıplarına özel olarak uyum sağlaması için Rush Memory and Aging Project’ten 800’den fazla ileri yaştaki yetişkine ait çok günlük kayıtlardan geçirilerek daha da adapte edildi. Son adımda sistem, katılımcıların hem bilek sensörleri hem de gerçek dünyada yürüyüşlerini hassas şekilde ölçen zengin bir referans sistemi taktıkları daha küçük ama dikkatle etiketlenmiş Mobilise‑D veri kümesi üzerinde ince ayarlandı. Bu adım ElderNet’in karmaşık bilek hareketlerini algılanan her yürüyüş periyodu için belirli yürüyüş ölçütlerine çevirmeyi öğrenmesini sağladı.

Sistemin Yürüyüşü Ne Kadar İyi Ölçtüğü

Yaşlı yetişkinler ve kalp yetmezliği, akciğer hastalığı, Parkinson hastalığı, kalça kırığı ve multipl skleroz gibi durumları olan kişiler üzerinde test edildiğinde, ElderNet yürüyüş hızını ortalama yaklaşık 8.8 santimetre/saniye hata ile tahmin etti ve altın standart referans sistemiyle güçlü bir uyum gösterdi. Ayrıca el yapımı özelliklere dayanan önde gelen bir biyomekanik yöntemi ve kendinden denetimli ön eğitim yapılmamış benzer bir modeli geride bıraktı. Araştırmacılar ElderNet’i kadans, adım uzunluğu ve adım düzenliliği gibi ek yürüme özelliklerini tahmin edecek şekilde genişletti; özellikle kadans ve adım uzunluğu için kendinden denetimli sürüm tam denetimli temel modele açıkça üstünlük sağladı. Önemli olarak, performans bireysel olarak daha genç, sağlıklı yetişkinlerden oluşan bağımsız bir grupta da yüksek kaldı; bu da yöntem optimize edildiği yaşlı bireylerin ötesine genelleme yapabildiğini gösteriyor.

Günlük Yürüyüş Klinik Testlerden Farklı Bir Hikâye Anlatıyor

Klinik kullanım potansiyelini araştırmak için yazarlar ElderNet’i yüzlerce toplumda yaşayan yaşlı yetişkinin kişibaşına yaklaşık on günlük bilek verisi üzerine uyguladı. Mobilite engelini bildirenleri işaretlemek için üç yaklaşımı karşılaştırdılar: kısa, denetimli yürüyüş testleri; bilekten elde edilen geniş fiziksel aktivite özetleri; ve ElderNet tarafından tahmin edilen ayrıntılı çok günlük yürüyüş ölçüleri. Laboratuvar temelli yürüyüş ölçümleri ve genel aktivite düzeyleri yalnızca mütevazı ayrım sağlarken, zengin gerçek dünya yürüyüş özellikleri hareket sorunları olanlarla olmayanları ayırmada çok daha başarılı oldu. İlginç şekilde, günlük hayatta görülen yürüyüş kalıpları kısa klinik yürüyüşlerle yalnızca zayıf ilişki gösteriyordu; bu, insanların kendi ortamlarında nasıl hareket ettiğinin geleneksel testlerin kaçırdığı işlevsel yönleri yakaladığını düşündürüyor.

Sağlıklı Yaşlanma İçin Ne Anlama Gelebilir

Çalışma, bileğe takılan yaygın ve rahat bir cihazın doğru algoritmalarla insanların günlük yaşamlarında nasıl yürüdüklerine dair klinik düzeyde içgörüler sağlayabileceğini gösteriyor. ElderNet’in doğruluğu yürüyüş hızında klinik olarak anlamlı değişikliklerin ölçeğinde ve çok günlük ölçüleri, standart testler veya basit aktivite sayımlarından daha iyi şekilde hareket güçlüğü yaşayan yaşlıları tanımlıyor. Daha çeşitli gruplarda ve daha uzun süreler boyunca yapılacak ek doğrulamalarla bu yaklaşım, ince düşüşleri daha erken tespit etmeye, hastalık ilerlemesini veya iyileşmeyi izlemeye ve daha kişiselleştirilmiş müdahalelere rehberlik etmeye yardımcı olabilir; tüm bunlar saat benzeri bir sensörden sessizce toplanan verilerle mümkün olabilir.

Atıf: 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

Anahtar kelimeler: yürüme izleme, bilek ivmeölçer, sağlıklı yaşlanma, kendinden denetimli öğrenme, dijital biyobelirteçler