《Scientific Reports》：Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning
编辑推荐：
本研究聚焦于老年人跌倒预防这一重大公共卫生问题，通过采集70-98岁人群6通道IMU（惯性测量单元）信号，利用LSTM（长短期记忆网络）与CNN（卷积神经网络）等深度学习模型，成功实现了对跌倒史（95%准确率）及年龄分层的精准分类，并运用LIME（局部可解释模型无关解释）揭示了支撑相异常是驱动分类决策的关键生物力学特征，为构建前瞻性跌倒风险预测模型提供了新方法。
跌倒，是悬在老年人群头顶的“达摩克利斯之剑”，一次看似偶然的摔倒背后，往往是生活质量和医疗负担的沉重打击。识别“谁”面临更高的跌倒风险，是预防工作的首要难题。传统的风险筛查多依赖主观问卷或复杂的临床评估，难以精准捕捉动态步行中那些细微却致命的生物力学缺陷。那么，能否用更客观、便捷的方法，从日常步态中“解码”出跌倒风险的信息？
为了回答这一问题，来自科学界的研究人员将目光投向了微型传感器与人工智能的融合。他们开展了一项名为“Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning”的研究，并发表在《Scientific Reports》期刊上。该研究旨在利用佩戴在腰部的惯性测量单元(Inertial Measurement Unit, IMU)采集老年人行走时产生的6通道原始信号（加速度与角速度），并训练先进的深度学习模型，以区分有跌倒史和无跌倒史的老年人。其核心结论是，深度学习模型（如CNN）在此任务上表现出色（高达92%的准确率，即使在严格的“留出受试者”验证下），并且，通过可解释性技术，成功地将模型的决策依据“翻译”为人类可理解的生物力学特征——即，支撑相（特别是终末支撑期和中期支撑期）的异常模式是识别跌倒者的关键。这一发现不仅证明了技术方案的可行性，更将“黑箱”模型的输出与已知的跌倒生理机制（如体重转移受损、平衡不稳、足部离地间隙减少）联系起来，为开发客观、自动化的跌倒风险早期预警工具铺就了道路，具有重要的临床转化潜力。
关键方法简述：该研究招募了163名70-98岁的老年人，按跌倒史和年龄分层。参与者完成30分钟的步行任务，通过佩戴的IMU传感器采集运动信号。研究对步态信号进行步态周期分割，得到步级时间序列数据。分析方法分为两类：一是传统机器学习，基于提取的时域统计特征（如均值、标准差）和经主成分分析(Principal Component Analysis, PCA)降维后的表征进行训练；二是深度学习，包括长短期记忆网络(Long Short-Term Memory, LSTM)和卷积神经网络(Convolutional Neural Network, CNN)，它们直接处理原始的步级时间序列。模型评估在两个层面进行：基于数据划分的10折交叉验证（实验1）和更为严格的、基于受试者划分的“留出受试者”交叉验证（实验2）。此外，研究对表现最佳的CNN模型应用于跌倒史分类任务时，使用了局部可解释模型无关解释(Local Interpretable Model-agnostic Explanations, LIME)来解读模型的决策依据。
研究结果
- •
深度学习方法在跌倒史分类中显著优于传统方法
在实验1（数据级验证）中，深度学习模型展现了卓越的性能。LSTM模型在区分跌倒者与非跌倒者时达到了95%的准确率，CNN模型更是达到了96%。这显著超过了所有基于聚合特征的传统机器学习方法。在更具挑战性、更能反映模型泛化能力的实验2（受试者级验证）中，CNN模型依然保持了92%的高准确率，证明了其面对新受试者时的稳健性。
- •
模型在多分类任务中展现强大能力
为了进一步验证模型的通用性，研究将其应用于年龄组分类（70-79岁，80-89岁，90-99岁）和受试者身份识别任务。LSTM和CNN模型在这些多分类任务上也均取得了强劲的性能，表明基于IMU的深度学习模型能够有效捕捉不同层次（风险、年龄、个体）的步态特征模式。
- •
可解释性分析揭示支撑相异常是分类决策的核心依据
作为研究的重点，作者对表现优异的CNN跌倒史分类模型应用了LIME分析。该分析清晰地揭示了模型做出判断所依据的关键步态相位特征。结果表明，对于跌倒者的分类决策，支撑相（stance phase） 的信号特征贡献了高达83.8%的重要性，而对于非跌倒者，其贡献为61.7%。具体而言，终末支撑期（terminal stance） 和中期支撑期（mid-stance） 的异常模式是驱动模型将个体判定为跌倒者的最主要因素。这些发现与已知的跌倒风险生物力学因素（如受损的体重转移、平衡不稳定性和减少的足部离地间隙）在事后分析中建立了联系，为模型的预测提供了生理学上的合理解释。
结论与讨论
本研究成功地证明，利用IMU传感器采集的原始步态信号，结合深度学习模型（特别是CNN），能够以前所未有的高精度对老年人的跌倒史进行自动化分类，且模型在面对全新受试者时仍保持强大的泛化能力。这为开发便捷、客观的跌倒风险筛查工具提供了坚实的技术基础。
更重要的是，通过引入可解释人工智能技术(LIME)，研究突破了深度学习模型常被视为“黑箱”的局限。它不仅仅给出了“是”或“否”的判断，更揭示了判断背后的“为什么”——即，支撑相，特别是终末和中期支撑期的运动模式异常，是区分跌倒风险的关键生物力学“指纹”。这一发现具有双重意义：在科学层面，它将人工智能的输出与经典的步态生物力学和跌倒病理生理学知识连接起来，增强了模型结果的可信度与可接受性；在应用层面，它为临床医生和康复专家指明了干预的可能靶点，例如，可以针对支撑相的稳定性进行专门的平衡与力量训练。
总之，这项工作展示了“传感-人工智能-可解释性”三位一体研究范式的价值。它不仅提供了一个高性能的分类工具，更重要的是，它通过可解释性分析，输出了与跌倒风险密切相关的、候选的步态相位特征模式。这些模式有望为未来构建前瞻性的、个性化的跌倒风险预测模型提供关键输入。当然，作者也审慎地指出，这些发现需要在独立队列和纵向研究中进行进一步验证，以确认其预测未来首次跌倒事件的能力，从而最终实现从“回顾性分类”到“前瞻性预警”的跨越，真正为老年人的安全保驾护航。
