DOI: https://doi.org/10.3389/fbioe.2025.1703500
PMID: https://pubmed.ncbi.nlm.nih.gov/41602469
تاريخ النشر: 2026-01-12
المؤلف: Jianlin Ou وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تتناول هذه الدراسة القضية المهمة للصحة العامة المتعلقة بالسقوط بين كبار السن، والذي غالبًا ما يؤدي إلى الإعاقة وزيادة تكاليف الرعاية الصحية. تعيق التقييمات التقليدية للتوازن، مثل مقياس بيرغ للتوازن، طبيعتها الذاتية واعتمادها على الأفراد المدربين، مما يحد من قابليتها للتوسع في البيئات المجتمعية. للتغلب على هذه القيود، طور المؤلفون نظام أحذية ذكي متكامل مع إطار تعلم شبه مشرف للتنبؤ بشكل موضوعي بنتائج مقياس بيرغ للتوازن وتقييم مخاطر السقوط. في دراسة شملت 136 مشاركًا تتراوح أعمارهم بين 60-90 عامًا، تم تحليل بيانات من نعال ذكية مزودة بثمانية حساسات لكل قدم، مما أسفر عن 156 ميزة بيوميكانيكية. تم استخدام نهج توافق خطأ متعدد النماذج لتقليل ضوضاء التسميات، وتم تحديد عشرة متنبئين رئيسيين، مع التركيز على مدة الضغط، وشدة الذروة، وتماثل الأطراف. أظهر النموذج دقة واعدة، محققًا أخطاء جذر متوسط المربعات قدرها 3.99 في التحقق و3.13 في مجموعة اختبار مستقلة.
في الختام، تقدم هذه الدراسة طريقة جديدة وفعالة لتقييم التوازن لدى كبار السن، مما يبرز إمكانيات الأحذية الذكية في الوقاية من السقوط ومراقبة الصحة. تشير النتائج إلى أن التقييمات المستندة إلى ضغط القدم يمكن أن تقدم قيمة سريرية كبيرة. ستسعى الأبحاث المستقبلية إلى تعزيز أداء النموذج واستكشاف التطبيقات العملية في كل من البيئات السريرية والمجتمعية، مما يعزز التنفيذ الأوسع لهذا النهج المبتكر لدعم استراتيجيات الشيخوخة الصحية.
مقدمة
تسلط المقدمة الضوء على التحديات العاجلة للصحة العامة التي تطرحها الزيادة السريعة في عدد السكان المسنين على مستوى العالم، وخاصة الزيادة في حالات السقوط بين كبار السن، والتي تسهم بشكل كبير في الإصابات وأعباء الرعاية الصحية. تواجه الأدوات السريرية الحالية لتقييم التوازن، مثل مقياس بيرغ للتوازن (BBS)، قيودًا تشمل الأحكام الذاتية، وتباين بين المقيمين، وعدم القدرة على عكس قدرات التوازن الحقيقية بدقة. تؤكد هذه القضايا على الحاجة إلى طرق أكثر موضوعية وكفاءة لتقييم التوازن في الوقت الحقيقي في البيئات اليومية.
تقترح الورقة الاستفادة من تقنيات استشعار قابلة للارتداء، مثل وحدات القياس القابلة للحركة (IMUs) وأنظمة ضغط القدم، جنبًا إلى جنب مع تقنيات التعلم الآلي المتقدمة (ML) لتعزيز مراقبة التوازن. يمكن لهذه التقنيات جمع بيانات فسيولوجية وبيوميكانيكية ذات صلة بشكل مستمر، والتي يمكن تحليلها باستخدام خوارزميات ML المختلفة للتنبؤ بمخاطر السقوط وتقييم الصحة في الوقت الحقيقي. ومع ذلك، لا تزال التحديات مثل حساسية وضع المستشعرات وضوضاء التسميات من التقييمات السريرية قائمة. لمعالجة هذه التحديات، تقدم الدراسة إطار تعلم شبه مشرف (SSL) يمكن أن يحافظ على أداء النموذج على الرغم من ندرة أو ضوضاء التسميات، مما يحسن من قابلية تطبيق التكنولوجيا القابلة للارتداء في البيئات السريرية ويعزز منهجيات تقييم التوازن.
طرق البحث
في هذه الدراسة، تم تطوير إطار تعلم شبه مشرف (SSL) لمعالجة التحديات التي تطرحها ضوضاء التسميات في مجموعة بيانات تم وضع علامات عليها في الأصل باستخدام درجات BBS. خلال تدريب النموذج، أظهرت بعض العينات أخطاء توقع أكبر بشكل مستمر، خاصة في نطاق درجات BBS المنخفضة، مما يشير إلى احتمال وجود ضوضاء في التسميات. للتخفيف من هذه المشكلة، تم إخفاء العينات التي تم تحديدها على أنها غامضة وتم دمج بياناتها البيوميكانيكية في خسارة تنظيم التوافق، مما يقلل من تأثير التسميات غير الموثوقة. تم تنفيذ آلية تمييز جودة التسميات، مما أدى إلى إعادة تصنيف 42 عينة شاذة إلى مجموعة غير مصنفة، مما حسن من قوة النموذج ضد ضوضاء التسميات.
أظهر نهج SSL أداءً متفوقًا، محققًا خطأ جذر متوسط المربعات (RMSE) للاختبار قدره 3.13 مقارنة بـ 3.98 من نموذج مشرف بالكامل. لا يعزز هذا الأسلوب فقط أداء التعميم من خلال منع الاعتماد على التسميات ذات الثقة المنخفضة، بل يحسن أيضًا الحساسية تجاه العينات الحدودية، والتي تعتبر حاسمة في هندسة إعادة التأهيل. من خلال توسيع حجم عينة التدريب بفعالية واستغلال المعلومات الهيكلية للبيانات الخام، أثبت إطار SSL فائدته في السيناريوهات التي تتوفر فيها عينات محدودة، مما يظهر آثاره العملية في التطبيقات الواقعية حيث تكون جودة البيانات غير مؤكدة.
النتائج
تقدم قسم النتائج في الدراسة نتائج حول اكتشاف العينات الشاذة وتقييم أداء النموذج. تم إجراء تحديد العينات الموصوفة بشكل غير طبيعي باستخدام ثلاثة نماذج: الانحدار الخطي، والانحدار الداعم (SVR) مع نواة خطية، وSVR القائم على RBF. كشفت التحليلات أن العينات ذات القيم الحقيقية المنخفضة كانت أكثر عرضة للتعرف عليها بشكل خاطئ على أنها شاذة، وهو ما يتماشى مع حساسية مقياس BBS لأخطاء القياس في نطاقات الدرجات المنخفضة. تم استخدام طريقة اختيار يدوية لتنقيح الاكتشاف، مما أسفر عن مجموعة نهائية من 42 عينة شاذة موصوفة، والتي أظهرت قدرة عامة متفوقة مقارنة بمجموعة أكبر من 65 عينة تم تحديدها بواسطة النماذج فقط.
أشار تقييم أداء النموذج إلى تحسين فعال لمعايير النموذج، مع انخفاض ثابت في متوسط الخطأ المربع (MSE) خلال التدريب. كان خطأ جذر متوسط المربعات (RMSE) لمجموعتي التدريب والاختبار 3.99 و3.13، على التوالي، مما يبرز قوة تعميم النموذج والدور الحاسم لفقدان التوافق في استقرار التعلم. كما تسلط الدراسة الضوء على أهمية اختيار الميزات، حيث تم استخدام استراتيجية من ثلاث خطوات انتهت بالاحتفاظ بـ 10 ميزات تمثيلية. هذه الميزات، المصنفة إلى مدة ضغط القدم، وشدة الذروة، والتماثل، لم تحسن فقط الأداء التنبؤي ولكن أيضًا حافظت على الصلة السريرية، مما يبرز الحاجة إلى جودة البيانات وقابليتها للتفسير على تعقيد النموذج في التطبيقات السريرية.
المناقشة
هدفت الدراسة إلى تطوير نموذج تعلم آلي يتنبأ بدرجات مقياس بيرغ للتوازن (BBS) باستخدام بيانات ضغط القدم، وبالتالي تقييم قدرة التوازن لدى كبار السن. باستخدام مجموعة بيانات تتكون من 131 عينة للتدريب و29 للاختبار، اتبعت الأبحاث منهجية منظمة تشمل إعداد مجموعة البيانات، واستخراج الميزات، وتحسين التسميات شبه المشرفة، واختيار الميزات، وتدريب النموذج. ارتدى المشاركون، الذين تم اختيارهم بناءً على معايير إدراج واستبعاد محددة، أحذية ذكية مزودة بمستشعرات ضغط لجمع بيانات ضغط القدم في الوقت الحقيقي أثناء المشي الطبيعي. استخرجت الدراسة 156 ميزة من البيانات، مع التركيز على المعلمات البيوميكانيكية مثل ضغط الذروة ومؤشر التماثل، واستخدمت تطبيع Z-score لتوحيد هذه الميزات من أجل تحسين أداء النموذج.
تتمثل المساهمة الكبيرة لهذه الأبحاث في دمج إطار تعلم شبه مشرف لمعالجة ضوضاء التسميات، والتي تعتبر شائعة في التقييمات السريرية بسبب تباين المقيمين. بدلاً من التخلص من العينات الشاذة، أعادت الدراسة تصنيفها كبيانات غير مصنفة، مما حسن من كفاءة التدريب بنسبة 34.7% وحقق خطأ جذر متوسط المربعات (RMSE) قدره 3.13 في مجموعة الاختبار المستقلة. لا يحسن هذا النهج فقط من قوة النموذج ولكنه يضمن أيضًا أن الميزات البيوميكانيكية المستخرجة قابلة للتفسير سريريًا، مما يمهد الطريق لاستراتيجيات إعادة تأهيل شخصية. بشكل عام، تشير النتائج إلى أن نظام الأحذية الذكية المطور يمثل تقدمًا واعدًا في التكنولوجيا القابلة للارتداء لمراقبة مخاطر السقوط الديناميكية في كل من البيئات المجتمعية والسريرية.
القيود
تقدم الدراسة عدة قيود قد تؤثر على صحة نتائجها. أولاً، قد يؤدي حجم العينة الصغيرة إلى إدخال أخطاء، مما قد يؤثر على موثوقية النتائج. على الرغم من أن جميع درجات التوازن وثبات الجسم (BBS) تم تقييمها من قبل معالجين لديهم خبرة لا تقل عن خمس سنوات، إلا أن تباين المقيمين الناتج عن التقييمات الذاتية قد أدى إلى اختلافات في الدرجات. كانت توقعات النموذج متوافقة بشكل أساسي مع معايير طبيب واحد، مما يثير القلق بشأن قابليتها للتعميم عبر أطباء مختلفين. يجب أن تتضمن الأبحاث المستقبلية تقييمات متعددة المقيمين لتعزيز قابلية تطبيق النموذج.
بالإضافة إلى ذلك، تم جمع بيانات ضغط القدم بتردد 20 هرتز، وهو ما يعتبر كافيًا لالتقاط التغيرات العامة في الضغط ذات الصلة بالتنبؤ بدرجات BBS في مجموعة كبار السن، ولكنه قد يفتقر إلى الدقة الزمنية اللازمة لتحليل أحداث المشي السريعة، مثل ضرب الكعب أو رفع الأصابع. قد تؤدي معدلات أخذ عينات أعلى في التكرارات المستقبلية إلى الحصول على رؤى أكثر تفصيلًا حول ديناميات المشي، خاصة في الفئات السكانية التي تظهر أنماط مشي أكثر تباينًا. أخيرًا، قد تؤدي استراتيجية اكتشاف ضوضاء التسميات، المستندة إلى بقايا النموذج، بشكل غير مقصود إلى تحيز تحديد العينات “الشاذة” نحو تلك ذات درجات BBS المنخفضة. يُوصى باستخدام طريقة أكثر دقة وغير متعلقة بالدرجات لتقييم جودة التسميات، جنبًا إلى جنب مع تنفيذ التحقق المتداخل المتداخل لتحسين المعلمات وتعزيز قوة النتائج.
DOI: https://doi.org/10.3389/fbioe.2025.1703500
PMID: https://pubmed.ncbi.nlm.nih.gov/41602469
Publication Date: 2026-01-12
Author(s): Jianlin Ou et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
This research addresses the significant public health issue of falls among older adults, which often results in disability and increased healthcare costs. Traditional balance assessments, such as the Berg Balance Scale, are hindered by their subjective nature and reliance on trained personnel, limiting their scalability in community settings. To overcome these limitations, the authors developed an intelligent footwear system integrated with a semi-supervised learning framework to objectively predict Berg Balance Scale scores and evaluate fall risk. In a study involving 136 participants aged 60-90, data from smart insoles equipped with eight sensors per foot were analyzed, yielding 156 biomechanical features. A multi-model error consistency approach was utilized to reduce label noise, and ten key predictors were identified, focusing on pressure duration, peak intensity, and inter-limb symmetry. The model demonstrated promising accuracy, achieving root mean square errors of 3.99 in validation and 3.13 in an independent test group.
In conclusion, this study introduces a novel and effective method for assessing balance in older adults, highlighting the potential of smart footwear in fall prevention and health monitoring. The findings suggest that plantar pressure-based assessments could offer significant clinical value. Future research will aim to enhance model performance and investigate practical applications in both clinical and community environments, promoting broader implementation of this innovative approach to support healthy aging strategies.
Introduction
The introduction highlights the urgent public health challenges posed by the rapidly aging global population, particularly the increased incidence of falls among older adults, which significantly contributes to injuries and healthcare burdens. Current clinical tools for assessing balance, such as the Berg Balance Scale (BBS), face limitations including subjective judgments, inter-rater variability, and the inability to accurately reflect real-world balance capabilities. These issues underscore the need for more objective and efficient methods for real-time balance assessment in everyday environments.
The paper proposes leveraging wearable sensor technologies, such as inertial measurement units (IMUs) and plantar pressure systems, combined with advanced machine learning (ML) techniques to enhance balance monitoring. These technologies can continuously collect relevant physiological and biomechanical data, which can be analyzed using various ML algorithms to predict fall risk and assess health in real-time. However, challenges such as sensor placement sensitivity and label noise from clinical assessments persist. To address these challenges, the study introduces a semi-supervised learning (SSL) framework that can maintain model performance despite label scarcity or noise, thereby improving the applicability of wearable technology in clinical settings and advancing balance assessment methodologies.
Methods
In this study, a semisupervised learning (SSL) framework was developed to address the challenges posed by label noise in a dataset originally annotated with BBS scores. During model training, certain samples exhibited consistently larger prediction errors, particularly in the lower BBS score range, indicating potential label noise. To mitigate this issue, samples identified as ambiguous were masked and their biomechanical data incorporated into a consistency regularization loss, reducing the influence of unreliable labels. A label quality discrimination mechanism was implemented, resulting in the reassignment of 42 anomalous samples to an unlabeled set, which improved the model’s robustness against label noise.
The SSL approach demonstrated superior performance, achieving a test root mean square error (RMSE) of 3.13 compared to 3.98 from a fully supervised model. This method not only enhances generalization performance by preventing reliance on low-confidence labels but also improves sensitivity to boundary samples, which are critical in rehabilitation engineering. By effectively expanding the training sample size and leveraging the structural information of raw data, the SSL framework proved beneficial in scenarios with limited sample availability, showcasing its practical implications in real-world applications where data quality is uncertain.
Results
The results section of the study presents findings on abnormal sample detection and model performance evaluation. The identification of abnormally labeled samples was conducted using three models: linear regression, support vector regression (SVR) with a linear kernel, and RBF-based SVR. The analysis revealed that samples with lower true label values were more frequently misidentified as abnormal, consistent with the BBS assessment scale’s sensitivity to measurement errors in lower score ranges. A manual selection method was employed to refine the detection, resulting in a final set of 42 labeled abnormal samples, which demonstrated superior generalizability compared to a larger set of 65 samples identified by the models alone.
The model performance evaluation indicated effective optimization of model parameters, with a steady decrease in the mean squared error (MSE) during training. The root mean square error (RMSE) for the training and test groups was 3.99 and 3.13, respectively, showcasing the model’s strong generalizability and the critical role of consistency loss in stabilizing learning. The study also highlights the importance of feature selection, employing a three-step strategy that culminated in the retention of 10 representative features. These features, categorized into plantar pressure duration, peak intensity, and symmetry, not only improved predictive performance but also maintained clinical relevance, emphasizing the need for data quality and interpretability over model complexity in clinical applications.
Discussion
The study aimed to develop a machine learning model that predicts Berg Balance Scale (BBS) scores using plantar pressure data, thereby assessing balance ability in elderly adults. Utilizing a dataset of 131 samples for training and 29 for testing, the research followed a structured methodology encompassing dataset preparation, feature extraction, semi-supervised label optimization, feature selection, and model training. The participants, selected based on specific inclusion and exclusion criteria, wore intelligent shoes equipped with pressure sensors to collect real-time plantar pressure data during natural walking. The study extracted 156 features from the data, focusing on biomechanical parameters such as peak pressure and symmetry index, and employed Z-score normalization to standardize these features for improved model performance.
A significant contribution of this research is the incorporation of a semi-supervised learning framework to address label noise, which is common in clinical assessments due to inter-rater variability. Instead of discarding anomalous samples, the study reclassified them as unlabeled data, enhancing training efficiency by 34.7% and achieving a root mean square error (RMSE) of 3.13 on the independent test set. This approach not only improves model robustness but also ensures that the extracted biomechanical features are clinically interpretable, paving the way for personalized rehabilitation strategies. Overall, the findings suggest that the developed intelligent shoe system represents a promising advancement in wearable technology for dynamic fall risk monitoring in both community and clinical settings.
Limitations
The study presents several limitations that may impact the validity of its findings. Firstly, the small sample size could introduce errors, potentially affecting the reliability of the results. Although all Balance and Body Stability (BBS) scores were evaluated by therapists with a minimum of five years of experience, interrater variability stemming from subjective assessments may have led to discrepancies in scoring. The model’s predictions were primarily aligned with a single clinician’s standards, which raises concerns about its generalizability across different clinicians. Future research should incorporate multirater assessments to enhance the model’s applicability.
Additionally, the plantar pressure data were collected at a frequency of 20 Hz, which, while adequate for capturing the overall pressure changes relevant to predicting BBS scores in the elderly cohort, may lack the temporal precision needed to analyze rapid gait events, such as heel-strike or toe-off. Higher sampling rates in future iterations could yield more detailed insights into gait dynamics, especially in populations exhibiting more variable gait patterns. Lastly, the label noise detection strategy, based on model residuals, may inadvertently bias the identification of ‘abnormal’ samples towards those with lower BBS scores. A more refined, score-invariant method for assessing label quality is recommended, along with the implementation of nested cross-validation to optimize hyperparameters and enhance the robustness of the findings.