使用腕戴式加速度计数据的自监督学习进行日常步态的持续评估

为什么有一天你的手表可能会跟踪你走路的好坏

许多人已经佩戴能够计步或记录锻炼的智能手表。但对老年人来说，他们的行走方式——速度、节奏和稳健性——可以揭示从虚弱到痴呆等健康问题的早期迹象。本研究表明，一块腕戴传感器与名为 ElderNet 的先进人工智能系统配合使用，可以将日常运动数据转化为关于步态质量的细致测量，可能把常见的小装置变成强大的健康监测工具。

从简单的步数到丰富的步态线索

如今大多数腕式设备估计的是你的总体活动量：你坐了多久、活动了多少次或走了多少步。虽然有用，但这些汇总将多种类型的运动混在一起，忽略了步态本身的微妙细节。医生和研究人员关注特定的步态特征——例如步行速度、每分钟步数、步幅长度和步伐规律性——因为它们是健康老龄化以及残疾、跌倒和认知衰退风险的重要指标。传统上，这些测量来自诊所或实验室中的短时测试，通常在下背部放置传感器或使用特殊步行通道。这些设置虽精确但不方便，而且仅捕获个体活动的短时间片段。

教会模型从手腕读取步态

ElderNet 背后的团队致力于从日常佩戴的腕部传感器中解锁完整的步态信息，尽管手腕的运动非常复杂，会将手臂摆动与其他活动混合在一起。他们基于自监督学习方法构建系统：首先，一个深度神经网络在来自英国生物样本库（UK Biobank）超过 10 万人的海量未标注腕部数据上自我学习识别模式。接着，模型使用来自 Rush 记忆与衰老项目（Rush Memory and Aging Project）中 800 多名高龄老人的多日记录进一步适配，使其特别调整以适应老龄人群的运动模式。最后，系统在较小但经过精确标注的数据集 Mobilise‑D 上进行微调，该数据集中参与者同时佩戴腕部传感器和能够在真实世界场景中精确测量步态的参考系统。此步骤使 ElderNet 学会将复杂的腕部运动转译为针对每个检测到的步行片段的具体步态指标。

系统测量步态的准确度如何

在对老年人以及患有心力衰竭、肺病、帕金森病、髋部骨折和多发性硬化等疾病的人群进行测试时，ElderNet 对步行速度的估计平均误差约为每秒 8.8 厘米，并与金标准参考系统表现出高度一致性。它还优于一种基于人工设计特征的领先生物力学方法，以及没有进行自监督预训练的类似模型。研究人员将 ElderNet 扩展用于估计额外的步态特征，如步频、步幅和步伐规律性；尤其是在步频和步幅的估计上，自监督版本明显优于完全监督的基线模型。重要的是，在一组独立的、更年轻且健康的成年人中性能仍然较高，表明该方法尽管为老年人群优化，但能超出原始训练样本具有一定的泛化能力。

日常步态与诊所测试讲述不同的故事

为探讨临床实用性，作者将 ElderNet 应用于数百名社区居住老人的每人约十天的腕部数据。他们比较了三种识别自述移动能力受限人群的方法：短时的监督步行测试；来自腕部的广泛体力活动汇总；以及由 ElderNet 估计的详细多日步态指标。实验结果显示，尽管基于实验室的步行测量和总体活动水平只能提供有限的区分能力，但丰富的真实世界步态特征在区分有无移动困难者方面表现更佳。有趣的是，日常生活中观察到的步态模式与短时临床步行测得的特征相关性较弱，这表明人们在自己环境中的运动方式反映了传统测试未能捕获的功能方面。

这对健康老龄化意味着什么

该研究表明，一种常见且舒适的腕戴设备，通过恰当的算法，能够提供对人们日常行走的临床级见解。ElderNet 的准确度处于对步行速度具有临床意义变化的量级，其多日测量比标准测试或简单的活动计数更能识别出具有移动困难的老年人。通过在更多样化人群和更长时间跨度上的进一步验证，这种方法可望帮助更早发现微妙的衰退、监测疾病进展或康复，并指导更个性化的干预，所有这些都可以通过从手表类传感器悄然收集的数据实现。

引用: 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

关键词: 步态监测, 腕部加速度计, 健康老龄化, 自监督学习, 数字生物标志物