Istraživači su koristili tehnologije mašinskog učenja da bi razvili algoritam koji konvertuje podatke sa malog, laganog, vodootpornog senzora za nošenje zalepljenog na donji deo leđa u tačnu procenu dužine koraka. Model je skoro četiri puta tačniji od trenutno prihvaćenog biomehaničkog modela.
Istraživači objašnjavaju: „Dužina koraka je osetljiva i neinvazivna mera širokog spektra problema povezanih sa starenjem, kognitivnim opadanjem i mnogim neurološkim bolestima, kao što su Parkinsonova, Alchajmerova i multipla skleroza. Naš model omogućava kontinuirano praćenje ovog ključni aspekt pacijentovog stanja u svakodnevnom životu“.
Istraživači sa Univerziteta u Tel Avivu i Medicinskog centra Ichilov u Tel Avivu Souraski (Tel Aviv) vodili su multidisciplinarnu međunarodnu studiju u kojoj je razvijen inovativni model zasnovan na mašinskom učenju za preciznu procenu dužine koraka. Novi model može da se integriše u nosivi uređaj koji se zakači („skin trakom“) za donji deo leđa i omogućava kontinuirano praćenje koraka u svakodnevnom životu pacijenta.
„Dužina koraka je osetljiva mera širokog spektra problema i bolesti, od kognitivnog opadanja i starenja do Parkinsonove bolesti. Konvencionalni merni uređaji koji danas postoje su stacionarni i glomazni i nalaze se samo u specijalizovanim klinikama i laboratorijama. Model koji smo razvili omogućava precizno merenje u pacijentovom prirodnom okruženju tokom celog dana, koristeći senzor koji se može nositi“, kažu istraživači.
Studiju je vodio Asaf Zadka, diplomirani student na Odseku za biomedicinsko inženjerstvo na Univerzitetu u Tel Avivu; Prof. Jeffrei Hausdorff sa Odeljenja za fizikalnu terapiju Fakulteta medicinskih i zdravstvenih nauka i Sagol škole neuronauka na Univerzitetu u Tel Avivu, kao i sa Odeljenja za neurologiju, Tel Aviv Souraski Medical Center (TASMC); i prof. Neta Rabin sa odseka za industrijsko inženjerstvo Fakulteta inženjerskih nauka Fleischman na Univerzitetu u Tel Avivu.
U studiji su učestvovali i Eran Gazit iz TASMC, prof. Anat Mirelman sa Fakulteta medicinskih i zdravstvenih nauka i Sagol škole neuronauka na Univerzitetu u Tel Avivu i TASMC, kao i istraživači iz Belgije, Engleske, Italije, Holandije i SAD. Istraživanje je podržao Centar za veštačku inteligenciju i nauku podataka Univerziteta u Tel Avivu.
Članak koji opisuje istraživanje objavljen je u časopisu npj Digital Medicine.
Profesor Hausdorf, stručnjak u oblasti hodanja, starenja i neurologije, objašnjava: „Dužina koraka je veoma osetljiva i neinvazivna mera za procenu širokog spektra stanja i bolesti, uključujući starenje, pogoršanje kao rezultat neuroloških i neurodegenerativne bolesti, kognitivni pad, Alchajmerova bolest, Parkinsonova bolest, multipla skleroza i još mnogo toga Danas je uobičajeno meriti dužinu koraka pomoću uređaja koji se nalaze u specijalizovanim laboratorijama i klinikama, a koji se zasnivaju na kamerama i mernim uređajima kao što su prostirke za hod osetljive na silu.“
„Iako su ovi testovi tačni, oni pružaju samo snimak hodanja osobe koja verovatno ne odražava u potpunosti stvarni svet, stvarno funkcionisanje. Svakodnevno hodanje može biti pod uticajem nivoa umora, raspoloženja i lekova pacijenta, na primer Neprekidno, 24/7 praćenje, kao što je omogućeno ovim novim modelom dužine koraka, može da uhvati ovo ponašanje u stvarnom svetu.“
Prof. Rabin, stručnjak za mašinsko učenje, dodaje: „Da bismo rešili problem, pokušali smo da iskoristimo IMU (inercijalne merne jedinice) sisteme—lake i relativno jeftine senzore koji su trenutno instalirani u svakom telefonu i pametnom satu, i da merimo povezane parametre. sa hodanjem.“
„Prethodne studije su ispitivale nosive uređaje zasnovane na IMU kako bi procenili dužinu koraka, ali ovi eksperimenti su izvedeni samo na zdravim subjektima bez poteškoća u hodanju, zasnovani su na maloj veličini uzorka koja nije dozvoljavala generalizaciju, a sami uređaji nisu bili udobni za habanja i ponekad je bilo potrebno nekoliko senzora.“
„Nastojali smo da razvijemo efikasno i pogodno rešenje koje bi odgovaralo ljudima sa problemima hodanja, kao što su bolesni i stari, i omogućilo bi kvantifikaciju i prikupljanje podataka o dužini koraka, tokom dana, u okruženju poznatom pacijentu. Cilj je bio da se razvije algoritam koji je sposoban da prevede IMU podatke u tačnu procenu dužine koraka, koja se može integrisati u nosivi i udoban uređaj.“
Da bi razvili algoritam, istraživači su koristili podatke o hodanju zasnovane na IMU senzorima, pored podataka o dužini koraka merenih konvencionalno u prethodnoj studiji, od 472 ispitanika sa različitim stanjima, kao što je Parkinsonova bolest, ljudi sa blagim kognitivnim oštećenjem, zdravi stariji subjekti, kao što su kao i mlađe, zdrave odrasle osobe i osobe sa multiplom sklerozom. Na ovaj način prikupljena je tačna i raznovrsna baza podataka koja se sastoji od 83.569 koraka.
Istraživači su koristili ove podatke i metode mašinskog učenja za obuku brojnih računarskih modela koji su podatke IMU-a preveli u procenu dužine koraka. Da bi testirali robusnost modela, istraživači su zatim utvrdili u kojoj meri različiti modeli mogu precizno analizirati nove podatke koji nisu korišćeni u procesu obuke – sposobnost poznata kao generalizacija.
Zadka kaže: „Otkrili smo da je model nazvan KSGBoost najprecizniji i 3,5 puta tačniji od najnaprednijeg biomehaničkog modela koji se trenutno koristi za procenu dužine koraka. Za jedan korak, prosečna greška našeg modela je bila 6 cm—u poređenju do 21 cm predviđen konvencionalnim modelom.“
„Kada smo procenili u proseku 10 koraka, došli smo do greške od manje od 5 cm — praga koji je u stručnoj literaturi poznat kao „minimalna razlika koja ima klinički značaj“, koja omogućava identifikaciju značajnog poboljšanja ili smanjenja u subjektu. Drugim rečima, naš model je robustan i pouzdan i može se koristiti za analizu senzorskih podataka od subjekata, od kojih neki imaju teškoće u hodanju, koji nisu bili uključeni u originalni set za obuku.“
Profesor Hausdorf zaključuje: „U našem istraživanju sarađivali smo sa istraživačima u različitim oblastima širom sveta, a multidisciplinarni napori su doveli do obećavajućih rezultata. Razvili smo model mašinskog učenja koji se može integrisati sa nosivim i lakim za korišćenje senzor, koji daje tačnu procenu dužine koraka pacijenta tokom svakodnevnog života.“
„Podaci prikupljeni na ovaj način omogućavaju kontinuirano, daljinsko i dugoročno praćenje stanja pacijenta, a mogu se koristiti iu kliničkim ispitivanjima za ispitivanje efikasnosti lekova. Na osnovu naših ohrabrujućih rezultata, ispitujemo da li je moguće razviti slične modele na osnovu podataka sa senzora u pametnim satovima, što bi dodatno poboljšalo udobnost subjekta.“
