Ученые с помощью машинного обучения разработали алгоритм, который позволил точно оценивать длину шага за счет преобразования данных, получаемых с небольшого водонепроницаемого датчика прикрепленного к пояснице человека. Точность созданной модели в 4 раза выше, чем у существующей биомеханической модели.
Учеными было отмечено, что длину шага можно считать чувствительным маркером различных проблем, таких как старение, снижение когнитивных функций и различных неврологических заболеваний, таких как рассеянный склероз, болезнь Альцгеймера, болезнь Паркинсона. Созданная учеными модель дает возможность проводить непрерывный мониторинг этой двигательной характеристики.
Инновационная модель для оценки длины шага на основе машинного обучения была создана в ходе междисциплинарного исследования учеными из Тель-Авивского университета и Тель-Авивского медицинского центра Сураски Ихилов (Тель-Авив). Модель интегрирована в переносное устройство, которое закрепляется на пояснице и проводит постоянный мониторинг шагов пациента.
Существующие в настоящее время измерительные приборы для измерения длины шага громоздкие и стационарные, а созданная модель позволяет получать точные данные в течение дня с помощью небольшого носимого датчика.
Результаты проведенного исследования были опубликованы в журнале Digital Medicine.
Существующие методы измерения длины шага основаны на данных камер и измерительных устройств, таких как коврики для ходьбы, чувствительных к силе воздействия.
Измерения, проводимые таким методом, достаточно точные, но дают лишь моментальную информацию о ходьбе человека и не отражают реальную двигательную функцию. На повседневную ходьбу могут оказывать влияние такие факторы, как усталость, эмоциональный фон, некоторые принимаемые медикаменты. А возможность непрерывного круглосуточного мониторинга позволяет выявлять реальную механику ходьбы.
Для создания алгоритма ученые использовали данные о ходьбе, которые были получены с помощью датчиков IMU и данные о длине шага, которые были измерены традиционным способом в предыдущем исследовании. Были проанализированы данные 472 человек с такими заболеваниями, как болезнь Паркинсона, легкие когнитивные нарушения, рассеянный склероз, а также здоровые молодые и пожилые люди.
Эти данные были использованы для машинного обучения ряда компьютерных моделей, которые преобразовывали данные с датчиков IMU в оценку длины шага. Таким образом, ученые создали модель машинного обучения, которая позволила интегрировать ее с носимым и простым датчиком – он предоставляет точную оценку длины шага пациента в повседневной жизни.
