Evenwichts- en loopalgoritmen op een smartphone

Balans- en loopalgoritmen op een smartphone maken gebruik van ingebouwde traagheidssensoren (versnellingsmeter en gyroscoop) om bewegingsgegevens te verzamelen en te analyseren:

• Door het toepassen van signaalverwerking en machine learning technieken kunnen de algoritmes de stabiliteit tijdens het staan kwantificeren en belangrijke meetgegevens tijdens het lopen extraheren, zoals staplengte, staptijd en loopsnelheid.

De ruwe gegevens voor deze algoritmen worden verzameld door de interne traagheidsmetingseenheid (IMU) van de smartphone, die bestaat uit:

• versnellingsmeter: een triaxiale sensor die lineaire versnelling meet langs de x-, y- en z-as.
  • tijdens loopanalyse kan deze de impact van voetstappen en de op-en-neer beweging van het massamiddelpunt van het lichaam detecteren
• gyroscoop: een triaxiale sensor die de hoeksnelheid, of rotatiesnelheid, rond de x-, y- en z-as meet.
  • deze gegevens zijn van cruciaal belang voor het analyseren van het slingeren van het lichaam tijdens evenwichtstaken en rotatiebewegingen tijdens bochten tijdens het lopen

De ruwe sensorgegevens worden gefilterd en verwerkt met algoritmes om klinisch relevante loop- en balansparameters te produceren. Algoritmen voor loopanalyse

1. Signaal filteren: ruwe sensorgegevens bevatten ruis van lichaamstrillingen en apparaatbewegingen - een Butterworth- of Kalman-filter wordt vaak gebruikt om het signaal glad te maken en ruis te verwijderen vóór de analyse
2. detectie van ganggebeurtenissen: algoritmen identificeren belangrijke gebeurtenissen in de loopcyclus, zoals het neerzetten van de hiel en het afzetten van de tenen, door specifieke pieken en dalen te detecteren in de gefilterde versnellings- en hoeksnelheidssignalen.

Parameter extractie: Zodra loopgebeurtenissen zijn geïdentificeerd, berekent het algoritme spatiotemporele parameters, waaronder:

• Cadans: Het aantal stappen per minuut
• Staptijd: De tijd tussen opeenvolgende stappen
• Staplengte: Geschat door dubbele integratie van de versnellingsgegevens
  • geavanceerde algoritmen kunnen ook een dubbel slingermodel gebruiken om de nauwkeurigheid te verbeteren
• Loopsnelheid: De gemiddelde afstand afgelegd in een bepaalde tijd
• Symmetrie en variabiliteit: Metriek berekend door linker en rechter staptijden en -lengtes te vergelijken, wat kan wijzen op loopafwijkingen

Er is bewijs dat smartphone-gebaseerde beoordeling een valide en betrouwbare methode was om de staande balans te beoordelen (1).

Met betrekking tot de Apple Health (Loopvaardigheid) (2):

Deze ingebouwde functie op de iPhone 8 of later is de meest besproken en gevalideerde app voor loopanalyse.

• Belangrijkste meetwaarden: Wanneer de Health-app in een zak of in de buurt van de taille wordt gedragen, controleert deze een verscheidenheid aan mobiliteitsmetriek, waaronder:
  • Loopsnelheid
  • Asymmetrie bij het lopen (balans tussen stappen)
  • Dubbele ondersteuningstijd (hoe lang beide voeten op de grond staan)
  • Lengte van de stap

Biedt een "Valrisicobeoordeling".: geeft een voorspellende "Loopvaardigheid" score (hoog, OK, of laag) die je valrisico inschat voor de komende 12 maanden

• gebruikers kunnen meldingen ontvangen als hun score laag is

Met betrekking tot de geldigheid van het gebruik van de "walking steadiness" indicator op de iPhone (2):

• zevenentwintig kinderen, 28 volwassenen en 28 senioren uitgerust met een iPhone voltooiden een 6-min looptest (6MWT)
  • loopsnelheid (GS), staplengte (SL) en dubbele ondersteuningstijd (DST) werden geëxtraheerd uit de loopregistraties van de Health app
  • de loopparameters werden tegelijkertijd verzameld met een traagheidssensorsysteem (APDM Mobility Lab) om de gelijktijdige validiteit te beoordelen
  • toonde aan dat de overeenkomst tussen de Health App en het APDM Mobility Lab goed was voor GS in alle leeftijdsgroepen en voor SL bij volwassenen/senioren, maar slecht tot matig voor DST in alle leeftijdsgroepen en voor SL bij kinderen
  • de consistentie tussen herhaalde metingen was goed tot uitstekend voor alle loopparameters bij volwassenen/senioren, en matig tot goed voor GS en DST, maar matig voor SL bij kinderen
  • De auteurs van het onderzoek concludeerden dat:
    • de Health app op iPhone betrouwbaar en valide is voor het meten van GS en SL bij volwassenen en senioren
    • zorgvuldige interpretatie is vereist bij het gebruik van de Health app bij kinderen en bij het meten van DST in het algemeen, aangezien beide een beperkte validiteit en/of betrouwbaarheid hebben laten zien

Gebruik van smartphone om lopen te beoordelen bij patiënten met cerebrale kleinevatenziekte (CSVD)

• Dit onderzoek beoordeelde het vermogen om loopgebeurtenissen te detecteren met behulp van een smartphone in combinatie met deep learning en evalueerde de effecten op afstand en de klinische betekenis van deze methode bij verschillende oudere populaties en patiënten met cerebrale kleinevatenziekte (CSVD) (3):
  • de auteurs van de studie toonden aan dat
    • deze methode effectief loopverschillen kan onderscheiden tussen gezonde oudere volwassenen, personen met lichte cognitieve stoornissen, de ziekte van Parkinson en patiënten met kleine cerebrale vaataandoeningen tijdens enkelvoudige en tweevoudige loopopdrachten
    • De in dit onderzoek voorgestelde smartphone-gebaseerde loopanalysemethode is eenvoudig te gebruiken, heeft lage kosten en bevordert de detectie, wat veelbelovend is voor toepassingen in revalidatiemanagement op afstand, klinische beoordeling en andere gebieden.

Referentie:

1. Prato TA, Lynall RC, Howell DR, Lugade V. Validity and Reliability of an Integrated Smartphone Measurement Approach for Balance. J Sport Rehabil. 2024 Nov 18;34(2):177-183.
2. Werner, C., Hezel, N., Dongus, F. et al. Validity and reliability of the Apple Health app on iPhone for measuring gait parameters in children, adults, and seniors. Sci Rep 2023;13: 5350.
3. Xu, K.; Yu, W.; Yu, S.; Zheng, M.; Zhang, H. The Detection of Gait Events Based on Smartphones and Deep Learning. Bio-engineering;2025: 12(5):491.