使用足部电气惯性测量单元(IMU)信号进行步态分析与可解释深度学习来区分老年人中的跌倒者与非跌倒者

为何保持站立稳定至关重要

随着年龄增长，一个简单的绊倒可能导致严重的跌落，后果从骨折到失去独立性不等。医生知道一个人的行走方式蕴含着关于其跌倒可能性的关键信息，但要准确测量这些线索并将其转化为可用的预警一直很困难。这项研究表明，脚部的小型可穿戴传感器结合现代人工智能，不仅能以显著的准确率将老年人分为高风险和低风险群体，还能揭示与跌倒最密切相关的步态周期阶段。

用微小传感器读取运动

研究人员利用了一个包含163名年龄在70到99岁之间成人的公开数据库。每位志愿者在行走时在一只脚上绑着一个轻量的设备，称为惯性测量单元（IMU），大约走了30分钟。这些传感器以每秒数百次的频率记录足部在三维空间的运动，捕捉加速度和转动。参与者根据过去一年内是否发生过跌倒被贴上标签，并按年龄十年组（70岁组、80岁组或90岁组）分组。从连续记录中，团队将数据切成覆盖数步的短窗口，创建出数千个小的行走“快照”以输入计算模型。

教计算机识别有风险的步态

为了将这些运动轨迹转化为有意义的风险分组，研究者比较了传统的机器学习方法与更先进的深度学习方法。经典算法，如决策树和随机森林，使用来自每个行走片段的汇总统计量，例如平均值和随时间的变异性。相比之下，被称为卷积神经网络（CNN）和长短期记忆网络（LSTM）的深度学习模型则直接处理原始波形传感器信号，自行学习模式而无需手工设计特征。目标是检验每类方法在区分有无跌倒史的老年人方面的效果如何，以及仅凭行走方式能多可靠地将人分入其年龄组。

模型的表现如何

当将所有参与者的数据混合后再划分为训练集和测试集时，深度学习模型明显优于传统方法。CNN对跌倒者与非跌倒者的分类正确率约为96%，LSTM紧随其后约为95%，而表现最好的经典方法最高也只达80年代后期。即便在更严格的测试中——模型在部分个体上训练后再在完全不同的人群上评估——CNN在跌倒史分类上仍约达92%的准确率，在年龄组分类上接近90%。两种深度模型还意外地能够很好地区分个体，这表明通过这些传感器观察时，每个人的步态就像签名一样具有辨识性。

打开人工智能“黑箱”

强大AI方法的一个常见批评是其往往不透明：它们可能很准确，但很少解释自己的决策。为了解决这一点，作者使用了一种名为LIME的解释工具来探查CNN在跌倒史分类中的决策。他们不是询问哪些总体特征重要，而是检查在每一步内哪些时刻对将某人标记为跌倒者或非跌倒者贡献最大。他们发现模型主要关注支撑相——即脚着地承重的阶段，尤其是身体向前移动并准备蹬离的中后段。在有跌倒史的人群中，这些阶段的不规则性主导了模型的判断，而非跌倒者则在支撑相和摆动相（脚在空中）之间表现出更为均衡的贡献。

这对预防跌倒意味着什么

对普通读者而言，关键信息是：小型、不起眼的足部传感器加上智能算法能够在跌倒发生前很久检测到行走中的细微不稳定，并指出步态周期中确切出现问题的部分。研究表明，深度学习系统可以仅从几秒钟的传感器数据可靠地区分有无跌倒史的人并区分不同年龄的步态模式。同样重要的是，通过突出体重承载阶段的问题，该方法为锻炼和康复提供了具体目标，比如在脚着地且身体在其上移动时改善平衡和力量。经过在更广泛人群和更长时间段的进一步测试，这一方法可能发展为能在日常生活中悄然监测步态并在老年人跌倒风险上升时向临床医生发出早期且易懂警报的可穿戴工具。

引用: 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

关键词: 跌倒风险, 步态分析, 可穿戴传感器, 深度学习, 老年人