Des chercheurs israéliens ont découvert que la façon dont vous marchez pourrait révéler votre risque pour la maladie d’Alzheimer ou d’autres troubles neurologiques.
Ce modèle peut être intégré dans un modèle d’apprentissage automatique pour mesurer avec précision la longueur des pas. Cette technologie peut être intégrée dans un appareil portable attaché au bas du dos, permettant une surveillance des étapes continue dans la vie quotidienne.
« La longueur de pas est un indicateur sensible pour diverses conditions, du déclin cognitif à la maladie de Parkinson », ont expliqué les chercheurs. « Les appareils actuels sont volumineux et disponibles uniquement dans des cliniques spécialisées. Notre modèle permet une mesure précise dans des contextes naturels à l’aide d’un capteur portable. »
Dirigée par Assaf Zadka, le professeur Jeffrey Hausdorff et le professeur Neta Rabin de l’Université de Tel Aviv, l’étude a également inclus des chercheurs de Belgique, d’Angleterre, d’Italie, de Hollande et du professeur américain Hausdorff a souligné les limites des méthodes existantes, qui ne capturent que unique De brefs instantanés de comportement de marche. « La marche quotidienne peut être influencée par des facteurs comme la fatigue, l’humeur et les médicaments. La surveillance continue capture le comportement de marche du monde réel », a-t-il déclaré.
Le professeur Rabin, un expert en apprentissage automatique, a décrit comment les mesures des smartphones peuvent détecter une sensibilité élevée à certaines maladies. L’équipe a utilisé des systèmes IMU (unité de mesure inertielle) – les capteurs trouvés dans les smartphones et les montres intelligentes – pour résoudre le problème.
Des études antérieures sur les dispositifs basées sur l’IMU impliquaient uniquement des sujets sains et n’étaient pas généralisables ou confortables. L’objectif était de créer un appareil adapté aux personnes ayant des problèmes de marche, permettant une collecte de données d’un jour dans des environnements familiers.
Pour développer l’algorithme, les chercheurs ont utilisé des données de démarche basées sur les capteurs IMU et des données de longueur de pas conventionnelles de 472 sujets souffrant de diverses conditions, notamment Alzheimer, Parkinson, déficience cognitive légère, sclérose en plaques et individus en bonne santé. Cela a généré une base de données diversifiée de 83 569 étapes.
L’équipe a utilisé l’apprentissage automatique pour former des modèles qui traduisent les données IMU en estimations de la longueur des pas. Pour tester la robustesse des modèles, ils ont évalué leur capacité à analyser de nouvelles données avec précision.
« Le modèle XGBOost s’est avéré le plus précis, étant 3,5 fois plus précis que le modèle biomécanique avancé actuel », a déclaré Zadka. « Pour une seule étape, l’erreur moyenne de notre modèle était de 6 cm, contre 21 cm pour le modèle conventionnel. Évaluant une moyenne de 10 étapes, l’erreur est tombée à moins de 5 cm, un seuil cliniquement significatif. »
Les résultats de l’étude suggèrent la fiabilité du modèle et le potentiel d’application du monde réel. « Notre modèle est robuste et fiable, adapté à l’analyse des données des capteurs de sujets ayant des difficultés de marche qui ne faisaient pas partie de l’ensemble de formation d’origine », a conclu Zadka.
Cette recherche marque une progression significative de la surveillance non invasive des conditions neurologiques, offrant une méthode pratique et précise pour suivre et potentiellement prédire la progression de maladies comme Alzheimer et Parkinson.
