DOI: https://doi.org/10.1016/j.exger.2026.113056
PMID: https://pubmed.ncbi.nlm.nih.gov/41654277
تاريخ النشر: 2026-02-05
المؤلف: Sailee Sansgiri وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تدرس الدراسة تحديد توقيتات الاتصال بالأرض (GCT) لدى كبار السن باستخدام نماذج التعلم العميق المدربة على بيانات جهاز المشي من البالغين الشباب، وتقييم قابليتها للتطبيق في كل من سيناريوهات المشي على جهاز المشي والمشي في الهواء الطلق. تسلط الأبحاث الضوء على قيود الطرق التقليدية في المختبر، التي تفتقر إلى القابلية للتطبيق في العالم الحقيقي، وتؤكد على إمكانية التعلم بالنقل لتعزيز أداء النموذج. تم جمع البيانات من 20 بالغًا شابًا و26 بالغًا مسنًا باستخدام وحدات قياس القصور الذاتي المثبتة على القدم عبر تضاريس مختلفة. النماذج التي تم تقييمها تشمل الشبكات العصبية المتصلة بالكامل (FCNN)، والشبكات العصبية التلافيفية (CNN)، والشبكات العصبية ذات الذاكرة الطويلة والقصيرة ثنائية الاتجاه (BiLSTM)، حيث أظهرت الشبكة العصبية التلافيفية أداءً متفوقًا، محققةً درجات F1 تبلغ 0.9864 للمشي على جهاز المشي و0.9637 للمشي في الهواء الطلق على مستوى.
تشير النتائج إلى أن تحسين الشبكة العصبية التلافيفية باستخدام بيانات كبار السن قد حسّن بشكل كبير من دقة التنبؤ، خاصةً للمشي على جهاز المشي، بينما كان الأداء في المشي المنحدر أقل بكثير، مما يشير إلى الحاجة إلى نهج نمذجة متخصص بسبب التحديات البيوميكانيكية الفريدة. تختتم الدراسة بأن التعلم بالنقل يمكن أن يسد الفجوة بفعالية بين البيئات المختبرية المسيطر عليها والتطبيقات في العالم الحقيقي، لكن يجب أن تركز الأبحاث المستقبلية على توسيع تنوع مجموعة كبار السن واستخدام تقنيات متقدمة مثل الشبكات العدائية لتعزيز قوة النموذج في ظروف المشي الصعبة.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة لمراقبة الحركة في السكان المتقدمين في السن، خاصةً من خلال تقييم المشي كمؤشر على الصحة. يتم التأكيد على توقيت الاتصال بالأرض (GCT) – الفاصل الزمني بين الاتصال الأولي ورفع إصبع القدم لنفس القدم – كمعامل حاسم لتحليل تباين الخطوة إلى الخطوة، والذي يمكن أن يشير إلى خطر السقوط وتدهور الإدراك. بينما توفر أجهزة المشي بيئات مسيطر عليها لتحليل المشي، فإنها تفشل في التقاط تعقيدات المشي على الأرض، حيث تؤثر العوامل البيئية بشكل كبير على أنماط المشي. تقترح المقدمة أن نماذج التعلم الآلي (ML)، خاصةً عند دمجها مع بيانات من وحدات قياس القصور الذاتي (IMUs)، يمكن أن تؤتمت تحليل المشي في البيئات الطبيعية. ومع ذلك، لا تزال هناك تحديات في تعميم هذه النماذج عبر مجموعات سكانية وبيئات مختلفة، خاصةً لكبار السن الذين يظهرون تباينًا أكبر في المشي.
لمعالجة هذه التحديات، تقترح المقدمة استخدام التعلم بالنقل، الذي يسمح للنماذج المدربة في مجال واحد (مثل المشي على جهاز المشي في البالغين الشباب) بالتكيف مع مجال آخر (مثل المشي على الأرض في كبار السن) مع الحد الأدنى من البيانات الإضافية. يستفيد هذا النهج من ميزات المشي المشتركة عبر الفئات العمرية ويهدف إلى تقليل عبء جمع البيانات من كبار السن. تهدف الدراسة إلى الإجابة عن ثلاثة أسئلة بحثية رئيسية تتعلق بأداء نماذج التعلم العميق المدربة على بيانات جهاز المشي لاكتشاف GCT في سيناريوهات المشي في الهواء الطلق لكبار السن، وتأثير تحسين الأداء باستخدام بيانات جهاز المشي لكبار السن، والفعالية العامة للتعلم بالنقل في تعزيز دقة التنبؤ. من المتوقع أن تسهم النتائج في تحليل أكثر فعالية للمشي في العالم الحقيقي، مما يسهل الكشف المبكر عن إعاقات الحركة والتدخلات الشخصية لكبار السن.
الطرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. شملت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج ذات الصلة.
شمل جمع البيانات أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما سمح بتطبيق تقنيات مثل تحليل الانحدار واختبار الفرضيات. تم تفسير النتائج في سياق الأدبيات الحالية، مما يوفر فهمًا شاملاً للنتائج وآثارها على المجال.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث كشفت التحليلات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون نتيجة للصدفة.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم للتنبؤ يتماشى بشكل وثيق مع البيانات الملاحظة، كما يتضح من معامل التحديد العالي ($R^2$)، مما يشير إلى قوة تفسيرية قوية. تم تقديم نتائج عددية محددة، مثل القيم المتوسطة والانحرافات المعيارية، لت quantifying التأثيرات، مما يدعم بشكل أكبر قوة النتائج. بشكل عام، تدعم النتائج الفرضيات التي تم طرحها في بداية البحث، مما يساهم في تقديم رؤى قيمة للمجال.
المناقشة
في هذه الدراسة، سعى الباحثون إلى تقييم أداء نماذج التعلم العميق، وبشكل خاص شبكة عصبية تلافيفية (CNN)، في التنبؤ بتوقيت الاتصال بالأرض (GCT) أثناء المشي لدى كبار السن، باستخدام بيانات تم جمعها في البداية من البالغين الأصغر سنًا. شمل التحليل مجموعتين: البالغين الشباب لتدريب النموذج وكبار السن للتحسين والاختبار. تم جمع البيانات باستخدام وحدات قياس القصور الذاتي المثبتة على القدم (IMUs) وأحذية الضغط، مع الحصول على تسميات الحقيقة الأرضية من خلال طرق مختلفة، بما في ذلك الأنظمة الضوئية الإلكترونية وتسجيلات الفيديو. استخدمت الدراسة نهج التعلم بالنقل المتسلسل، حيث تم تحسين النموذج تدريجيًا باستخدام بيانات المشي على جهاز المشي والمشي على الأرض من كبار السن. أشارت النتائج إلى أن نموذج الشبكة العصبية التلافيفية تكيف بشكل فعال مع بيانات كبار السن، مع تحسينات كبيرة في دقة التنبؤ لظروف المشي على الأرض والمشي المنحدر، بينما كان الأداء في المشي المنحدر أقل رضا.
كشف تحليل التوزيع الاحتمالي للجيران العشوائي (t-SNE) عن تجمعات مميزة بين المجموعتين الأصغر سنًا والأكبر سنًا، مع بعض التداخل في ظروف المشي لكبار السن. يشير ذلك إلى أنه بينما توجد ميزات مشي مشتركة، فإن المتطلبات البيوميكانيكية الفريدة في المشي المنحدر تتطلب نهج نمذجة متخصص. وجدت الدراسة أن درجات F1 استقرت عند حوالي 10 مشاركين لبيانات جهاز المشي و5 لبيانات المشي على الأرض، مما يشير إلى الكميات المثلى من بيانات التحسين لتعظيم أداء النموذج. بشكل عام، تؤكد النتائج على إمكانية التعلم بالنقل في تعزيز قابلية تعميم النموذج عبر ظروف المشي المختلفة والفئات العمرية، بينما تسلط الضوء أيضًا على الحاجة إلى مزيد من البحث لمعالجة التحديات المرتبطة بالمشي المنحدر.
القيود
تقدم الدراسة عدة قيود يجب أخذها في الاعتبار عند تفسير نتائجها. أولاً، كانت مجموعة كبار السن تتكون من أفراد أصحاء وقادرين على الحركة، حيث أظهرت متوسط سرعات المشي تبلغ 3.9 كم/ساعة على جهاز المشي و5.4 كم/ساعة على الأرض، مما يعادل تلك الخاصة بالبالغين الشباب. قد يكون نقص التباين في القدرات الوظيفية قد قيد التحديات المرتبطة بالتعلم بالنقل، مما يشير إلى أن الأبحاث المستقبلية يجب أن تشمل نطاقًا أوسع من القدرات الوظيفية لدى كبار السن لتقييم قوة منهجيات التعلم بالنقل بشكل أفضل.
ثانيًا، فإن مجموعة الاختبار الصغيرة المكونة من ستة مشاركين فقط واستخدام مجموعة اختبار ثابتة بسبب الطبيعة الاسترجاعية للبيانات يحد من قابلية تعميم النتائج على السكان الأكبر سنًا بشكل أوسع. لتعزيز صلاحية النتائج، يُوصى بأحجام عينات أكبر ومجموعات بيانات مستقلة للدراسات المستقبلية. بالإضافة إلى ذلك، فإن التركيز على التنبؤ بتوقيت الاتصال بالأرض (GCT) يمثل سؤال بحثي نسبيًا بسيط، مما يحذر من التطبيق المباشر لهذه النتائج على قضايا أكثر تعقيدًا، مثل التنبؤ بطول الخطوات أو زوايا المفاصل، دون مزيد من التحقيق. أخيرًا، لم تقارن الدراسة توقعات GCT بتلك المستمدة من طرق معالجة الإشارات التقليدية، والتي كان من الممكن أن توفر رؤى قيمة؛ ومع ذلك، فإن هذا الإغفال يتماشى مع الهدف البحثي الرئيسي المتمثل في تقييم إمكانية التعلم بالنقل في تكييف النماذج من البالغين الشباب إلى كبار السن.
DOI: https://doi.org/10.1016/j.exger.2026.113056
PMID: https://pubmed.ncbi.nlm.nih.gov/41654277
Publication Date: 2026-02-05
Author(s): Sailee Sansgiri et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
The study investigates the identification of ground contact timings (GCT) in older adults using deep learning models trained on treadmill data from young adults, assessing their applicability to both treadmill and outdoor walking scenarios. The research highlights the limitations of traditional laboratory methods, which lack real-world applicability, and emphasizes the potential of transfer learning to enhance model performance. Data was collected from 20 young adults and 26 older adults using foot-mounted inertial measurement units (IMUs) across various terrains. The models evaluated included fully connected neural networks (FCNN), convolutional neural networks (CNN), and bidirectional long short-term memory networks (BiLSTM), with the CNN demonstrating superior performance, achieving F1-scores of 0.9864 for treadmill walking and 0.9637 for outdoor level walking.
The findings indicate that fine-tuning the CNN with older adults’ data significantly improved predictive accuracy, particularly for treadmill walking, while performance on downhill walking was notably poorer, suggesting the need for specialized modeling approaches due to unique biomechanical challenges. The study concludes that transfer learning can effectively bridge the gap between controlled laboratory settings and real-world applications, but future research should focus on expanding the diversity of the older adult cohort and employing advanced techniques such as adversarial networks to enhance model robustness in challenging walking conditions.
Introduction
The introduction highlights the growing importance of monitoring mobility in aging populations, particularly through the assessment of gait as an indicator of health. Ground contact timing (GCT)—the interval between initial contact and toe-off of the same foot—is emphasized as a critical parameter for analyzing stride-to-stride variability, which can signal fall risk and cognitive decline. While treadmills offer controlled environments for gait analysis, they fail to capture the complexities of overground walking, where environmental factors significantly influence gait patterns. The introduction suggests that machine learning (ML) models, particularly when combined with data from inertial measurement units (IMUs), could automate gait analysis in natural settings. However, challenges remain in generalizing these models across different populations and environments, especially for older adults who exhibit greater gait variability.
To address these challenges, the introduction proposes the use of transfer learning, which allows models trained on one domain (e.g., treadmill walking in young adults) to adapt to another (e.g., overground walking in older adults) with minimal additional data. This approach leverages common gait features across age groups and aims to reduce the data collection burden from older adults. The study aims to answer three key research questions regarding the performance of deep learning models trained on treadmill data for detecting GCT in outdoor walking scenarios for older adults, the impact of fine-tuning with older adults’ treadmill data, and the overall effectiveness of transfer learning in enhancing predictive accuracy. The findings are expected to contribute to more effective real-world gait analysis, facilitating earlier detection of mobility impairments and personalized interventions for older adults.
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 controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using advanced statistical software, allowing for the application of techniques such as regression analysis and hypothesis testing. The results were interpreted in the context of existing literature, providing a comprehensive understanding of the findings and their implications for the field.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing p-values below the conventional threshold of 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the results demonstrate that the model used for predictions aligns closely with the observed data, as evidenced by a high coefficient of determination ($R^2$), indicating a strong explanatory power. Specific numerical results, such as mean values and standard deviations, are provided to quantify the effects, further supporting the robustness of the findings. Overall, the results substantiate the hypotheses posited at the outset of the research, contributing valuable insights to the field.
Discussion
In this study, the researchers aimed to evaluate the performance of deep learning models, specifically a Convolutional Neural Network (CNN), in predicting ground contact time (GCT) during walking in older adults, using data initially collected from younger adults. The analysis involved two cohorts: young adults for model training and older adults for fine-tuning and testing. Data were collected using foot-mounted inertial measurement units (IMUs) and pressure insoles, with ground truth annotations obtained through various methods, including opto-electronic systems and video recordings. The study employed a sequential transfer learning approach, where the model was incrementally fine-tuned with treadmill and overground walking data from older adults. Results indicated that the CNN model effectively adapted to the older adults’ data, with significant improvements in predictive accuracy for overground level and incline walking conditions, while performance for downhill walking was less satisfactory.
The t-distributed Stochastic Neighbor Embedding (t-SNE) analysis revealed distinct clusters between younger and older cohorts, with some overlap in the walking conditions of older adults. This suggests that while there are shared gait features, unique biomechanical demands in downhill walking necessitate specialized modeling approaches. The study found that the F1-scores plateaued at around 10 participants for treadmill data and 5 for overground data, indicating optimal amounts of fine-tuning data for maximizing model performance. Overall, the findings underscore the potential of transfer learning in enhancing model generalizability across different walking conditions and age groups, while also highlighting the need for further research to address the challenges associated with downhill walking.
Limitations
The study presents several limitations that must be considered when interpreting its findings. Firstly, the older adult cohort consisted of healthy and mobile individuals, exhibiting mean walking speeds of 3.9 km/h on a treadmill and 5.4 km/h overground, comparable to those of young adults. This lack of variability in functional abilities may have constrained the challenges associated with transfer learning, suggesting that future research should include a broader range of functional capabilities within older adults to better assess the robustness of transfer learning methodologies.
Secondly, the small test cohort of only six participants and the use of a fixed test set due to the retrospective nature of the data limit the generalizability of the results to the wider older adult population. To enhance the validity of the findings, larger sample sizes and independent datasets are recommended for future studies. Additionally, the focus on predicting ground contact time (GCT) represents a relatively straightforward research question, cautioning against the direct application of these results to more complex issues, such as predicting step lengths or joint angles, without further investigation. Lastly, the study did not compare GCT predictions with those derived from traditional signal processing methods, which could have provided valuable insights; however, this omission aligns with the primary research objective of evaluating the potential of transfer learning in adapting models from young adults to older adults.