Получение ценной информации о здоровье: оценка сложных показателей ходьбы с помощью умных часов.

В ходе масштабного валидационного исследования мы подтвердили, что умные часы представляют собой высоконадежную платформу для оценки пространственно-временных параметров походки.

Быстрые ссылки

• Бумага
• Делиться
  • Скопировать ссылку ×

Показатели походки — такие параметры, как скорость ходьбы, длина шага и время двойной опоры (т.е. доля цикла походки, когда обе ноги находятся на земле) — известны как важные биомаркеры для оценки общего состояния здоровья человека, риска падений и прогрессирования неврологических или опорно-двигательных заболеваний. Анализ походки, известный как анализ походки, предоставляет ценную неинвазивную информацию об общем самочувствии, травмах и проблемах со здоровьем.

Исторически сложилось так, что измерение походки требовало дорогостоящего специализированного лабораторного оборудования, что делало непрерывное отслеживание непрактичным. Хотя смартфоны теперь предлагают портативную альтернативу, используя встроенные инерциальные измерительные блоки (IMU), они требуют точного размещения — например, в набедренном кармане или на поясе — для получения наиболее точных результатов. В отличие от них, умные часы носятся на запястье в фиксированном месте. Это обеспечивает гораздо более практичную и стабильную платформу для непрерывного отслеживания, даже расширяя возможности отслеживания до сценариев без телефона, например, при ходьбе по дому.

Несмотря на это решающее логистическое преимущество, умные часы исторически отставали от смартфонов в комплексной оценке показателей походки. В нашей работе «Оценка показателей ходьбы на основе умных часов» мы стремились преодолеть этот разрыв. Мы продемонстрировали, что потребительские умные часы являются весьма жизнеспособной, точной и надежной платформой для оценки полного набора пространственно-временных показателей походки, с производительностью, сопоставимой с методами, основанными на смартфонах.

Применение методов глубокого обучения для анализа движений запястья.

Для достижения этой цели мы разработали многовыходную (т.е. многоголовочную) модель глубокого обучения, построенную на архитектуре временной сверточной сети (TCN), идентичной для данных умных часов и смартфонов. Эта многоголовочная модель является ключевым отличием от предыдущих подходов на основе TCN, которые часто предоставляют только временные события (например, точки контакта), требующие подверженной дрейфу интеграции пространственных метрик, таких как длина шага и скорость походки. Наша модель, напротив, напрямую оценивает все пространственно-временные метрики походки.

Наша модель принимает два ключевых входных параметра: рост пользователя (единый скалярный демографический параметр) и необработанные сигналы IMU , включающие данные 3-осевого акселерометра и 3-осевого гироскопа с одних лишь наручных часов Pixel Watch с частотой дискретизации 50 Гц. Архитектура модели извлекает эмбеддинги из входных данных датчика IMU, которые затем объединяются с демографическими данными перед окончательными слоями прогнозирования. Выходные данные многоголовочной модели затем напрямую оценивают полный набор показателей, включая двусторонние метрики (по одной головке для скорости походки и времени двойной опоры) и односторонние метрики (по две головки для левой и правой стопы) для длины шага, времени переноса и времени опоры. Определения для каждой из этих метрик следующие:

• Скорость ходьбы: Расстояние, пройденное человеком, деленное на затраченное время (в см/с)
• Время двойной опоры: доля цикла походки, когда обе стопы находятся на земле (в %).
• Длина шага (односторонняя): Расстояние от точки контакта одной стопы с поверхностью до точки контакта другой стопы (в см)
• Время переноса ноги (одностороннее): Длительность в цикле походки, когда стопа не соприкасается с землей (в мс)
• Время опоры (одностороннее): Длительность в цикле походки, когда стопа находится в контакте с землей (в мс)

Для сегментации данных мы использовали 5-секундные окна с 1-секундным перекрытием. В качестве функции потерь мы использовали среднюю абсолютную процентную ошибку (MAPE), которая уникальным образом оптимизирует относительную точность по всем многоблочным выходным данным (например, длина шага в см, время двойной поддержки в мс).

Тщательная проверка в крупномасштабном исследовании

Для тщательной оценки модели мы провели масштабное валидационное исследование с участием большой когорты из 246 человек и примерно 70 000 отрезков ходьбы. Участники были отобраны по следующим критериям: возраст старше 18 лет, отсутствие вспомогательных устройств и заболеваний, влияющих на равновесие или походку. Данные были собраны в двух международных группах: Google в Маунтин-Вью, Калифорния, и Киотский университет в Японии.

Для эталонных (истинных) измерений мы использовали лабораторную систему Zeno Gait Walkway. Участники были экипированы часами Pixel Watch 1 на каждом запястье, а также четырьмя телефонами Pixel 6, размещенными в переднем кармане, заднем кармане, рюкзаке и сумке через плечо.

Протокол исследования включал разнообразные модели ходьбы для обеспечения всесторонней оценки:

• Тест шестиминутной ходьбы (6МТ): Пройдите несколько кругов по беговой дорожке в собственном темпе.
• Быстрая ходьба: идите в комфортно быстром, но размеренном темпе.
• Легкая и умеренная асимметрия: ходьба в собственном темпе с использованием шарнирного наколенника, зафиксированного в определенных углах сгибания/разгибания.

Модель для умных часов обучалась с использованием данных с обоих наручных устройств, в то время как модель для смартфона на этапах тестирования использовала исключительно данные с телефонов, размещенных в переднем и заднем карманах, учитывая их ожидаемую распространенность и наивысшую точность. Мы применили стратегию пятикратной перекрестной проверки, чтобы максимизировать тестовую выборку и предотвратить утечку данных, распределяя все данные от одного участника по одной группе.

Основные выводы

В совокупности результаты продемонстрировали точность, корреляцию и надежность метода, основанного на использовании умных часов, показав сопоставимую производительность с оценками, полученными с помощью смартфона, несмотря на то, что модель для смартфона была обучена примерно на вдвое большем количестве сегментов данных.

1. Высокая достоверность и отличная надежность: На основе 70 000 сегментов ходьбы оценки, полученные с помощью смарт-часов, продемонстрировали высокую достоверность (коэффициент корреляции Пирсона r > 0,80) и отличную надежность (коэффициент внутриклассовой корреляции (ICC) > 0,80) для большинства показателей, включая скорость походки, длину шага, время переноса и время опоры. Время двойной опоры показало умеренно более низкие, но приемлемые значения ICC (0,56–0,60) с узкими 95% доверительными интервалами, что подчеркивает надежность.
2. Сопоставимо с оценками смартфонов : Количественное сравнение MAPE (см. ниже) и средней абсолютной ошибки (MAE) показало незначительные различия ( p > 0,05) между Pixel Watch и телефоном Pixel по всем измеренным показателям походки. Это подтверждает, что умные часы являются жизнеспособной и высоко сопоставимой платформой для точного анализа походки. Обе модели, как умные часы, так и смартфон, значительно превзошли простой оценщик, который просто предсказывал среднее значение обучающих выборок.
3. Роль роста пользователя: Исследование методом абляции подтвердило, что предоставление информации о росте пользователя значительно повышает точность оценки скорости походки и длины шага с помощью смарт-часов, что подчеркивает исключительную важность роста пользователя для оценки параметров походки на запястье.

Точность параметров походки, отражающая среднюю абсолютную процентную ошибку (MAPE) для умных часов Pixel Smartwatch (Watch) и смартфона Pixel Smartphone (Phone) (N=246 участников). Прямоугольники обозначают межквартильный размах (Q1–Q3), усы показывают 1-й–99-й процентили.

Влияние и будущие направления

Эти результаты являются важным шагом на пути к превращению повсеместно распространенных наручных смарт-часов в основополагающую технологию для точного и надежного отслеживания состояния здоровья на основе анализа походки. Перенеся комплексный анализ походки из лаборатории на запястье, мы можем обеспечить:

• Непрерывное и доступное отслеживание: продольное наблюдение за показателями походки вне традиционных клинических и лабораторных условий.
• Ранняя диагностика и профилактика: больший потенциал для раннего выявления заболеваний, снижения риска падений и разработки индивидуальных планов реабилитации.

Умные часы предлагают практичную и надежную платформу для отслеживания состояния здоровья, которая преодолевает проблемы с размещением, связанные со смартфонами. В дальнейшем мы будем работать над усовершенствованием и расширением набора показателей, чтобы максимально повысить полезность умных часов для проактивного отслеживания состояния здоровья и предоставления рекомендаций.

Благодарности

В этой работе приняли участие следующие исследователи: Амир Б. Фарджадиан, Шун Ляо [e3e428] , Алисия Й. Кокошка, Кайл ДеХолтон, Джонатан Сюй, Джонатан Ван, Лоуренс Цай, Марк Малхотра, Шветак Патель, Анупам Патхак, Минг-Жер Пох.

Источник: research.google