编辑推荐：
本研究旨在解决如何利用广泛普及的腕戴式加速度计设备，在真实生活场景中准确评估老年人及临床患者步态参数的问题。研究人员对自监督深度学习模型ElderNet进行了扩展，使其能够从腕部加速度数据中估计步态速度、步频、步长等关键指标，并在大规模老年和行动障碍人群中进行了验证。结果显示，ElderNet在步态速度估计上优于当前最优方法（绝对误差8.82 cm/s，组内相关系数0.87），并能有效识别行动障碍，展现了其作为可扩展评估工具在老龄与临床人群中的潜力。
随着年龄增长，维持身体活动与行动能力（mobility）对健康老龄化至关重要，它们能预测多种健康结局。然而，在实验室或临床环境中进行的传统步态评估，往往受限于时间短暂、环境不自然，无法反映个体在日常生活中的真实移动状态。近年来，可穿戴设备，特别是腕戴式加速度计，因其佩戴友好、可进行长期监测，已成为评估身体活动的常用工具。但一个核心挑战在于，如何从主要为手部活动设计的腕部传感器数据中，准确提取出反映下肢核心功能的步行（gait）参数，如步态速度、步频、步长等。现有的方法要么依赖于佩戴在腰部或脚踝的更专业的传感器，要么在从腕部数据估计步态指标的准确性上不尽如人意。这限制了在大规模人群，特别是老年人和行动不便患者中，进行便捷、连续、客观的日常步态评估的可行性。为了突破这一瓶颈，一项发表于《npj Digital Medicine》的研究，将目光投向了深度学习技术，旨在开发一种仅基于腕戴加速度计数据就能精准评估日常步态的新方法。
本研究在技术上主要依托对现有自监督深度学习模型ElderNet的扩展与验证。ElderNet此前已被验证可用于步行片段检测。研究涉及两个关键的人群队列进行模型训练与验证：一个是由819名老年人组成的Rush-Memory-and-Aging-Project队列，另一个是由来自六个医疗中心的85名步态障碍患者组成的Mobilise-D队列。研究通过对比ElderNet模型与当前最优方法（state-of-the-art methods）及基于腰部传感器的模型，评估了其在估计步态速度、步频、步长等指标上的性能，并测试了其区分行动障碍（mobility disability）的能力。
ElderNet在步态速度估计上优于当前最优方法
研究人员在Mobilise-D队列中验证了ElderNet模型。结果显示，对于步态速度（gait speed）这一关键指标，ElderNet实现了8.82 cm/s的绝对误差和0.87的组内相关系数（intra-class correlation）。统计分析表明，其性能显著优于当前最优的步态估计方法（p< 0.001），甚至超过了使用腰部（lower-back）传感器数据的模型。这证明了扩展后的ElderNet能够高精度地从腕部数据中还原步行速度。
ElderNet在步频与步长估计上同样表现优异
除了步态速度，研究还评估了模型对步频（cadence）和步长（stride length）的估计能力。与竞争性方法相比，ElderNet在估计这两个参数时也表现出更低的百分比误差，且差异具有统计学显著性（p< 0.01）。这表明该模型能够全面捕捉步态的多维度特征，而不仅仅是速度。
ElderNet能有效识别行动障碍
研究的另一个重要目标是评估模型在识别行动障碍方面的临床实用性。通过分析模型输出的步态指标，研究人员构建了行动障碍分类器。结果发现，基于ElderNet估计的指标在区分行动障碍患者时，其受试者工作特征曲线下面积（AUC）达到了0.80。这一性能显著优于（p< 0.01）传统的基于步态或身体活动的指标。这意味着，仅凭腕戴设备的数据，ElderNet就能比传统方法更有效地识别出存在行动能力下降风险的个体。
本研究通过扩展和验证自监督学习模型ElderNet，成功开发了一种仅需腕戴式加速度计即可在日常生活环境中连续、准确评估多项步态参数的方法。该模型在包含老年人和步态障碍患者的独立验证队列中，对步态速度、步频、步长的估计精度均超越了现有最佳方法，并能更有效地识别行动障碍。这些结果充分证明了ElderNet作为一种可扩展工具的潜力。它使得利用普及程度极高的腕戴设备（如智能手表）对老龄人群和临床患者进行便捷、低负担的长期步态监测与评估成为可能，为大规模人群健康研究、疾病进展监控以及个性化康复干预提供了创新的技术解决方案。
