DOI: https://doi.org/10.2196/50035
PMID: https://pubmed.ncbi.nlm.nih.gov/38691395
تاريخ النشر: 2024-05-01
المؤلف: Felix Kluge وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تستكشف هذه الدراسة فعالية خوارزميات اكتشاف تسلسل المشي (GS) باستخدام أجهزة استشعار حركية مرتدية على المعصم في البيئات الواقعية، وخاصة بالمقارنة مع أجهزة الاستشعار المرتدية على أسفل الظهر. شملت الأبحاث 83 مشاركًا، بما في ذلك أفراد يعانون من حالات صحية متنوعة مثل مرض باركنسون ومرض الانسداد الرئوي المزمن، وتمت مراقبتهم على مدار 2.5 ساعة باستخدام أنواع متعددة من أجهزة الاستشعار. تشير النتائج إلى أن أفضل خوارزمية مرتكزة على المعصم حققت حساسية متوسطة تتراوح بين 0.55 و0.81 وخصوصية تتراوح بين 0.95 و0.98، مع خطأ نسبي مطلق متوسط في الوقت المقدر للمشي يتراوح بين 8.9% و32.7%. بالمقابل، أظهرت أجهزة الاستشعار المرتدية على أسفل الظهر أداءً متفوقًا، مع حساسية تتراوح بين 0.71 و0.91 ومعدلات خطأ أقل.
تشير النتائج إلى أنه بينما يمكن لأجهزة الاستشعار المرتدية على المعصم اكتشاف GSs بفعالية، فإن أدائها عمومًا أقل من أداء أجهزة الاستشعار المرتدية على أسفل الظهر، خاصة في الفئات السكانية التي تعاني من إعاقات مشي كبيرة. ومع ذلك، قد تبرر سهولة استخدام الأجهزة المرتدية على المعصم استخدامها في الدراسات السريرية الطولية، على الرغم من التبادل في دقة قياس المشي. تسهم هذه الأبحاث في تقديم رؤى قيمة للأطباء والباحثين في اختيار مواضع أجهزة الاستشعار المناسبة لتحليل الحركة، مع التأكيد على إمكانية أجهزة الاستشعار المرتدية على المعصم في تسهيل استخراج معلمات المشي الإضافية في مجموعات المرضى المتنوعة.
مقدمة
تناقش مقدمة ورقة البحث إمكانيات نتائج التنقل الرقمية (DMOs)، وخاصة سرعة المشي، في تقييم وتوقع النتائج السريرية عبر حالات طبية متنوعة. غالبًا ما تكون تقييمات المشي التقليدية في البيئات السريرية محدودة بسبب ندرتها والظروف الاصطناعية، مما يدفع نحو التحول نحو تقييم المشي في العالم الحقيقي. يهدف هذا التحول إلى مراقبة أداء المشي اليومي للمرضى، وتأثيرات العلاج، وتقلبات أعراض المرض على مدى فترات طويلة. بينما تم التحقق من صحة أجهزة الاستشعار الحركية، التي تُرتدى عادةً على الخصر أو الأطراف السفلية، لتقييم المشي، فإن أجهزة الاستشعار المرتدية على المعصم تقدم بديلاً أكثر قبولًا للمشاركين، خاصة بالنظر إلى انتشار الساعات الذكية وأجهزة تتبع اللياقة البدنية.
تسلط الورقة الضوء على الاهتمام المتزايد في استخدام أجهزة الاستشعار المرتدية على المعصم لتقييم المشي، على الرغم من التحديات في التقاط معلمات المشي بدقة بسبب تعقيد حركات الذراع والعوامل المربكة المحتملة. تهدف الدراسة إلى تحديد وترتيب الخوارزميات الموجودة لاكتشاف تسلسل المشي (GSD) باستخدام أجهزة الاستشعار المرتدية على المعصم، باستخدام بيانات حقيقية موسومة من مجموعات مرضى متنوعة. من خلال مقارنة هذه النتائج مع تلك الناتجة عن أجهزة الاستشعار المرتدية على أسفل الظهر، تسعى الأبحاث إلى إبلاغ اتخاذ القرار السريري بشأن موضع أجهزة الاستشعار لتقييم المشي. في النهاية، يمكن أن تعزز النتائج من فهم إعاقات المشي في الظروف الواقعية، مما يفيد المرضى من خلال تقديم رؤى ذات مغزى حول حركتهم.
الطرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث قاموا بإجراء تحليلات إحصائية لتقييم البيانات المجمعة من تجارب متنوعة. شملت المنهجيات المحددة تطبيق تحليل الانحدار لتحديد العلاقات بين المتغيرات، بالإضافة إلى استخدام مجموعات التحكم لضمان صحة النتائج.
شملت جمع البيانات أخذ عينات منهجية وتنفيذ بروتوكولات موحدة لتقليل التحيز. كما استخدم الباحثون أدوات حاسوبية متقدمة لمعالجة البيانات، مما يضمن دقة النتائج. بشكل عام، تم تصميم الطرق بدقة لدعم فرضيات الدراسة وتسهيل إعادة إنتاج النتائج.
النتائج
تشير نتائج الدراسة إلى أن الخوارزميات المحسّنة تفوقت بشكل كبير على نظيراتها ذات المعلمات الافتراضية، وخاصة خوارزمية Brand (2022)، التي حققت مؤشر أداء يتجاوز 0.7 عبر جميع مجموعات الأمراض. بالمقابل، كانت الأداء لمجموعة PFF أقل بشكل ملحوظ، حيث حققت خوارزميات Iluz (2014) وKheirkhahan (2017) مؤشرات أداء تبلغ 0.66، وحققت Willetts (2018) 0.57. تراوحت الحساسية المتوسطة لأفضل الخوارزميات أداءً بين 0.52 و0.81، حيث تجاوزت Brand (2022) باستمرار 0.70. كانت قيم الخصوصية مرتفعة، تتراوح بين 0.91 و0.98، بينما تراوحت معاملات الارتباط داخل الفئة (ICC) لمدة المشي بين 0.72 و0.99.
تسلط الدراسة الضوء على أن مجموعة PFF أظهرت أدنى مقاييس الأداء، والتي تعزى إلى أنماط المشي المتغيرة والتباين بين المرضى. يُوصى باستخدام خوارزمية Brand (2022) لاكتشاف المشي باستخدام أجهزة الاستشعار المرتدية على المعصم عبر مجموعات الأمراض المتنوعة نظرًا لأدائها المتفوق. كانت الحساسية عمومًا أقل من الخصوصية، مما يشير إلى أنه بينما تم فقد العديد من دورات المشي (GSs)، تم تصنيف عدد قليل من الأنشطة غير المتعلقة بالمشي بشكل خاطئ. تؤكد النتائج على الحاجة إلى مزيد من تحسين الخوارزميات لتعزيز الحساسية دون المساس بالخصوصية، خاصة للتطبيقات التي تهدف إلى وصف نتائج الحركة الديناميكية (DMOs).
المناقشة
في هذا القسم، يناقش المؤلفون الاعتبارات الأخلاقية، وخصائص المشاركين، والنهج المنهجي المستخدم في دراستهم حول خوارزميات اكتشاف المشي باستخدام أجهزة استشعار حركية مرتدية على المعصم. تم الحصول على موافقة الأخلاقيات من لجان متعددة، وتم الحصول على موافقة مستنيرة من جميع المشاركين، الذين لم يتم تعويضهم. استخدمت الدراسة مجموعتين من البيانات: عينة تحسين مكونة من 11 بالغًا صحيًا لضبط الخوارزمية وعينة تحقق مكونة من 108 مشاركين من مجموعات أمراض متنوعة، بما في ذلك مرض الانسداد الرئوي المزمن ومرض باركنسون. تم مراقبة المشاركين خلال 2.5 ساعة من الأنشطة الواقعية، مزودين بأجهزة استشعار على المعصم وأسفل الظهر لتقييم المشي.
تشير النتائج إلى أنه بينما يمكن لأجهزة الاستشعار المرتدية على المعصم اكتشاف تسلسلات المشي بفعالية، فإن أدائها عمومًا أقل من أداء أجهزة الاستشعار المرتدية على أسفل الظهر، ويرجع ذلك أساسًا إلى تباين حركة الذراع أثناء المشي. كانت الحساسية للخوارزميات المرتكزة على المعصم منخفضة بشكل ملحوظ، ومع ذلك ظلت الخصوصية مرتفعة، مما يشير إلى رفض موثوق للأنشطة غير المتعلقة بالمشي. تسلط الدراسة أيضًا الضوء على تأثير وسائل المساعدة في المشي على دقة اكتشاف المشي، حيث أثرت وسائل المساعدة الثنائية بشكل كبير على الأداء. يخلص المؤلفون إلى أنه على الرغم من قيود أجهزة الاستشعار المرتدية على المعصم، فإن مزاياها الهندسية وإمكاناتها للاستخدام الواسع في البيئات السريرية تبرر تطبيقها في تقييمات الحركة، مما يمهد الطريق لأبحاث مستقبلية حول نتائج التنقل الرقمية.
القيود
تقدم الدراسة تحقيقًا قويًا في خوارزميات اكتشاف المشي باستخدام نظام INDIP، الذي يدمج بيانات استنادًا إلى أجهزة استشعار من نعل مضغوط، مما يوفر ميزة كبيرة على مجموعات البيانات السابقة. تم التحقق من دقة نظام INDIP مقابل التقاط الحركة البصرية، مما يظهر موثوقية عالية (ICC > 0.95) في البيئات المسيطر عليها. ومع ذلك، قد لا تلتقط فترة التحقق التي تبلغ 2.5 ساعة التباين الكامل للمشي في العالم الحقيقي، مما يشير إلى أن الأبحاث المستقبلية يجب أن تأخذ في الاعتبار فترات تقييم أطول. تشمل مجموعة البيانات مجموعة واسعة من مؤشرات الأمراض، ومع ذلك كانت مجموعة التحسين محدودة بالبالغين الشباب الأصحاء، مما قد يؤدي إلى تحيز في اختيار المعلمات. يجب أن تهدف الدراسات المستقبلية إلى تخصيص الخوارزميات لمجموعات سكانية محددة، بما في ذلك أولئك الذين يعانون من اضطرابات المشي ومستخدمي وسائل المساعدة في المشي.
بالإضافة إلى ذلك، تعترف الدراسة بتحدي البيانات غير المتوازنة، مع وجود أغلبية من المقاطع غير المتعلقة بالمشي، مما قد يؤثر على حساسية النماذج الخاضعة للإشراف. يُوصى بمعالجة هذا التوازن من خلال تقنيات مثل زيادة العينات أو توليد عينات اصطناعية. بينما تغطي الخوارزميات المختارة مجالات متنوعة، يعترف المؤلفون بأن القائمة قد لا تكون شاملة ويشجعون المقارنات مع خوارزميات إضافية. يمكن أن تكون منهجية التحقق ومجموعة البيانات من Mobilise-D إطارًا للدراسات المستقبلية. أخيرًا، تحقق هذه الأبحاث فقط من المرحلة الأولية لخط أنابيب تحليل المشي الشامل، مما يتطلب مزيدًا من الاستكشاف في موثوقية المقاييس المستمدة مثل تردد الخطوة وطول الخطوة بالنسبة إلى مقاطع المشي المحددة.
DOI: https://doi.org/10.2196/50035
PMID: https://pubmed.ncbi.nlm.nih.gov/38691395
Publication Date: 2024-05-01
Author(s): Felix Kluge et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
This study investigates the efficacy of gait sequence (GS) detection algorithms using wrist-worn inertial sensors in real-world settings, particularly in comparison to lower back-worn sensors. The research involved 83 participants, including individuals with various health conditions such as Parkinson’s disease and chronic obstructive pulmonary disease, monitored over 2.5 hours using multiple sensor types. The findings indicate that the best-performing wrist-based algorithm achieved mean sensitivity between 0.55 and 0.81 and specificity between 0.95 and 0.98, with a mean relative absolute error in estimated walking time ranging from 8.9% to 32.7%. In contrast, lower back-worn sensors demonstrated superior performance, with sensitivity between 0.71 and 0.91 and lower error rates.
The results suggest that while wrist-worn sensors can effectively detect GSs, their performance is generally inferior to that of lower back sensors, particularly in populations with significant gait impairments. However, the convenience and user-friendliness of wrist-worn devices may justify their use in longitudinal clinical studies, despite the trade-off in gait quantification accuracy. This research contributes valuable insights for clinicians and researchers in selecting appropriate sensor placements for mobility analysis, emphasizing the potential of wrist-worn sensors to facilitate the extraction of additional gait parameters in diverse patient populations.
Introduction
The introduction of the research paper discusses the potential of digital mobility outcomes (DMOs), particularly walking speed, in assessing and predicting clinical outcomes across various medical conditions. Traditional gait assessments in clinical settings are often limited by their infrequency and artificial conditions, prompting a shift towards real-world gait evaluation. This shift aims to monitor patients’ everyday walking performance, treatment effects, and disease symptom fluctuations over extended periods. While inertial sensors, typically worn on the waist or lower limbs, have been validated for gait assessment, wrist-worn sensors present a more acceptable alternative for participants, especially given the prevalence of smartwatches and fitness trackers.
The paper highlights the growing interest in using wrist-worn sensors for gait assessment, despite challenges in accurately capturing gait parameters due to the complexity of arm movements and potential confounding factors. The study aims to identify and rank existing algorithms for gait sequence detection (GSD) using wrist-worn sensors, utilizing labeled real-world data from diverse patient groups. By comparing these results with those from lower back sensors, the research seeks to inform clinical decision-making regarding sensor placement for gait assessment. Ultimately, the findings could enhance the understanding of gait impairment in real-world conditions, benefiting patients by providing meaningful insights into their mobility.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included the application of regression analysis to identify relationships between variables, as well as the use of control groups to ensure the validity of the findings.
Data collection involved systematic sampling and the implementation of standardized protocols to minimize bias. The researchers also employed advanced computational tools for data processing, ensuring accuracy in the results. Overall, the methods were rigorously designed to support the study’s hypotheses and facilitate reproducibility of the findings.
Results
The results of the study indicate that the optimized algorithms significantly outperformed their default parameter counterparts, particularly the Brand (2022) algorithm, which achieved a performance index exceeding 0.7 across all disease groups. In contrast, the performance for the PFF group was notably lower, with the Iluz (2014) and Kheirkhahan (2017) algorithms yielding performance indices of 0.66, and Willetts (2018) achieving 0.57. The mean sensitivity of the top-performing algorithms ranged from 0.52 to 0.81, with Brand (2022) consistently exceeding 0.70. Specificity values were high, ranging from 0.91 to 0.98, while Intraclass Correlation Coefficients (ICC) for gait duration varied between 0.72 and 0.99.
The study highlights that the PFF group exhibited the lowest performance metrics, attributed to altered gait patterns and variability among patients. The Brand (2022) algorithm is recommended for gait detection using wrist-worn sensors across diverse disease cohorts due to its superior performance. Sensitivity was generally lower than specificity, suggesting that while many gait cycles (GSs) were missed, few non-gait activities were misclassified. The findings underscore the need for further optimization of algorithms to enhance sensitivity without compromising specificity, particularly for applications aimed at characterizing dynamic movement outcomes (DMOs).
Discussion
In this section, the authors discuss the ethical considerations, participant demographics, and methodological approaches used in their study on gait detection algorithms utilizing wrist-worn inertial sensors. Ethics approval was secured from multiple committees, and informed consent was obtained from all participants, who were not compensated. The study utilized two datasets: an optimization sample of 11 healthy adults for algorithm tuning and a validation sample of 108 participants from various disease groups, including chronic obstructive pulmonary disease and Parkinson’s disease. Participants were monitored during 2.5 hours of real-world activities, equipped with both wrist and lower back sensors to assess gait.
The findings indicate that while wrist-worn sensors can effectively detect gait sequences, their performance is generally lower than that of lower back sensors, primarily due to the variability of arm movement during walking. Sensitivity for wrist-based algorithms was notably reduced, yet specificity remained high, suggesting reliable rejection of non-gait activities. The study also highlights the impact of walking aids on gait detection accuracy, with bilateral aids significantly affecting performance. The authors conclude that despite the limitations of wrist-worn sensors, their ergonomic advantages and potential for widespread use in clinical settings justify their application in mobility assessments, paving the way for future research on digital mobility outcomes.
Limitations
The study presents a robust investigation into gait detection algorithms utilizing the INDIP system, which integrates sensor-based data from pressurized insoles, offering a significant advantage over previous datasets. The accuracy of the INDIP system has been validated against optical motion capture, demonstrating high reliability (ICC > 0.95) in controlled environments. However, the 2.5-hour validation period may not capture the full variability of real-world walking, suggesting that future research should consider longer assessment durations. The dataset encompasses a wide range of disease indications, yet the optimization set was limited to healthy young adults, potentially biasing parameter selection. Future studies should aim to tailor algorithms for specific populations, including those with gait disturbances and users of walking aids.
Additionally, the study acknowledges the challenge of imbalanced data, with a predominance of non-gait segments, which may affect the sensitivity of supervised models. Addressing this imbalance through techniques such as upsampling or synthetic sample generation is recommended. While the selected algorithms cover various domains, the authors recognize that the list may not be exhaustive and encourage comparisons with additional algorithms. The validation methodology and dataset from Mobilise-D could serve as a framework for future studies. Lastly, this research only validates the initial phase of a comprehensive gait analysis pipeline, necessitating further exploration into the reliability of derived metrics like cadence and stride length in relation to identified gait segments.