📄 health informatics

Supervised Contrastive Learning-based Digital Biomarker Discovery for Wearable IMU Gait Signals

Cette étude introduit l'Embedding-Distance Gait Biomarker (EDGB), un cadre d'apprentissage contrastif supervisé qui utilise un réseau de neurones convolutifs compact pour extraire des représentations latentes robustes de 32 dimensions à partir de signaux bruts d'IMU portables, atteignant une précision élevée dans la distinction entre les modes de marche sains, neurologiques et orthopédiques tout en démontrant une forte fiabilité et une différenciation de groupe significative.

Auteurs originaux : Mohtavipour, S. M.

Publié 2026-07-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mohtavipour, S. M.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de faire la différence entre trois types de marcheurs : une personne en bonne santé, une personne souffrant d'une maladie neurologique (comme Parkinson) et une personne ayant un problème orthopédique (comme une blessure au genou).

Traditionnellement, les médecins pourraient vous observer marcher et deviner, ou utiliser un chronomètre pour compter vos pas et mesurer le temps qu'il vous faut pour faire demi-tour. Le problème est que ces mesures au « chronomètre » ne regardent qu'une ou deux choses à la fois, comme une seule note jouée au piano, plutôt que la chanson entière. Elles passent souvent à côté des manières subtiles et complexes dont notre corps se déplace.

Ce document présente un nouveau « biomarqueur numérique » appelé EDGB (Embedding-Distance Gait Biomarker). Voyez cela non pas comme un chronomètre, mais comme un GPS de haute technologie pour votre style de marche.

Voici comment cela fonctionne, décomposé en étapes simples :

1. Les capteurs : Les « oreilles » sur votre corps

Les chercheurs ont utilisé de petits capteurs portables (IMU) placés à quatre endroits : la tête, le bas du dos, et les deux pieds. Ces capteurs agissent comme des oreilles ultra-sensibles, écoutant comment votre corps se déplace. Ils ne se contentent pas d'écouter où vous êtes ; ils écoutent :

La vitesse : À quelle vitesse vous vous déplacez (accélération).
La rotation : Comment vous tournez (vitesse angulaire).
Les changements : La rapidité avec laquelle vous accélérez, ralentissez ou pivotez (appelés « jerk » ou secousse, et accélération angulaire).

2. Le cerveau : Le « traducteur »

Les données brutes de ces capteurs sont désordonnées et difficiles à lire. Les chercheurs ont conçu un petit programme informatique intelligent (un réseau de neurones) pour servir de traducteur.

L'entraînement : Ils ont montré à ce programme des milliers d'exemples de marche provenant de personnes en bonne santé, de patients neurologiques et de patients orthopédiques.
La leçon : En utilisant une technique appelée « Apprentissage contrastif supervisé », le programme a appris une règle très spécifique : « Regroupez tous les marcheurs sains dans un coin de la pièce, tous les marcheurs neurologiques dans un autre coin, et tous les marcheurs orthopédiques dans un troisième coin. »
Le résultat : Le programme a appris à compresser une marche complexe de 19 secondes en une minuscule « empreinte digitale » (un embedding) qui capture parfaitement l'essence de la démarche de cette personne.

3. Le biomarqueur : Le « score de distance »

Une fois le programme entraîné, il crée une « carte » avec trois points centraux (prototypes) : un pour le marcheur sain moyen, un pour le marcheur neurologique moyen, et un pour le marcheur orthopédique moyen.

Lorsqu'une nouvelle personne marche, le système crée son empreinte digitale et demande : « À quelle distance cette personne se trouve-t-elle du centre de santé ? À quelle distance du centre neurologique ? À quelle distance du centre orthopédique ? »

L'EDGB est simplement un nombre unique calculé à partir de ces distances.

Si le nombre est bas, la personne marche comme une personne en bonne santé.
Si le nombre est élevé, la personne marche comme quelqu'un ayant un problème orthopédique.
S'il est intermédiaire ou négatif, elle peut marcher comme une personne ayant un problème neurologique.

Pourquoi est-ce meilleur que l'ancienne méthode ?

Les chercheurs ont testé ce nouveau « GPS » par rapport aux anciennes méthodes au « chronomètre » (comme mesurer le temps de la foulée ou la vitesse de rotation).

Le Chronomètre : Il était correct pour distinguer les personnes en bonne santé des personnes malades, mais il devenait très confus lorsqu'il s'agissait de faire la différence entre un patient neurologique et un patient orthopédique. C'était comme essayer de distinguer un violon d'un violoncelle en écoutant seulement le volume.
Le GPS (EDGB) : Il était incroyablement précis. Il pouvait distinguer les marcheurs neurologiques des marcheurs orthopédiques avec une précision de 99,5 %. C'était comme écouter l'orchestre entier et savoir instantanément quel instrument joue.

La « recette secrète »

Les chercheurs ont découvert que l'information la plus importante provenait des pieds et de la mesure de la rapidité avec laquelle le mouvement changeait (le jerk), et non pas seulement du mouvement lui-même. C'est comme réaliser que pour comprendre un danseur, on ne regarde pas seulement où ses pieds atterrissent ; on regarde aussi la rapidité avec laquelle il les lève et les relâche.

Est-ce que cela fonctionne de manière constante ?

Oui. Les chercheurs ont vérifié si le score changeait chaque fois qu'une même personne marchait. Ils ont constaté que le score était très stable (82 % de cohérence). Cela signifie que le nombre reflète le véritable style de marche de la personne, et non de simples tremblements aléatoires ou de la malchance un jour donné.

Résumé

Ce document n'a pas inventé un nouveau médicament ou une nouvelle chirurgie. Au lieu de cela, il a inventé une façon plus intelligente de mesurer la marche. En utilisant un ordinateur intelligent pour écouter la « chanson » complète de la marche d'une personne (incluant la vitesse, la rotation et les changements soudains) plutôt que de simplement compter les pas, ils ont créé un nombre unique capable de distinguer avec précision la marche saine, la marche neurologique et la marche orthopédique.

Résumé Technique : Découverte de biomarqueurs numériques basés sur l'apprentissage contrastif supervisé pour les signaux de marche issus de capteurs inertiels (IMU) portables

Énoncé du problème
Les unités de mesure inertielles (IMU) portables offrent une méthode pratique pour l'évaluation de la marche, pourtant les approches traditionnelles reposant sur des caractéristiques extraites manuellement (ex. : temps de pas, cadence) échouent souvent à capturer la nature multidimensionnelle complète des modèles de marche pathologiques. Bien que les modèles d'apprentissage profond puissent apprendre des motifs complexes à partir de signaux bruts, ils fonctionnent fréquemment comme des « boîtes noires » avec une interprétabilité limitée et peuvent souffrir de fuite d'informations lorsque les protocoles d'évaluation utilisent des divisions par essai plutôt que par sujet. De plus, les méthodes existantes manquent souvent d'un biomarqueur numérique unifié et compact capable de distinguer objectivement les modes de marche sains, neurologiques et orthopédiques tout en maintenant une pertinence clinique.

Méthodologie
L'étude propose un biomarqueur numérique nommé Embedding-Distance Gait Biomarker (EDGB), dérivé de l'apprentissage de représentation contrastif supervisé. La méthodologie comprend les composantes suivantes :

Jeu de données : La recherche utilise le jeu de données cliniques de marche de Voisard, comprenant 1 356 essais de marche provenant de 260 participants (73 sains, 143 neurologiques, 44 orthopédiques). Les données ont été collectées à l'aide de quatre IMU synchronisées (tête, bas du dos, pied gauche, pied droit) enregistrant l'accélération sur 3 axes et la vitesse angulaire à 100 Hz.
Prétraitement des entrées : Le réseau accepte 16 canaux d'entrée par essai. Ceux-ci incluent la magnitude de l'accélération ( $\|a\|$ ), de la vitesse angulaire ( $\|\omega\|$ ), ainsi que leurs premières dérivées temporelles (jerk $\|j\|$ et accélération angulaire $\|\alpha\|$ ) pour tous les quatre capteurs. Tous les signaux sont rééchantillonnés à une longueur fixe de 1 900 échantillons (~19 secondes).
Architecture d'apprentissage profond : Un réseau de neurones convolutifs (CNN) 1D compact est employé comme encodeur. Il se compose de trois couches convolutives (avec 4, 8 et 16 canaux) suivies d'une normalisation par lots (batch normalization), d'activations ReLU et d'un max-pooling. La sortie est traitée via un average pooling et un max pooling adaptatifs pour générer un vecteur de caractéristiques de dimension 256. Ce vecteur est projeté vers un espace de plongement (embedding) de dimension 32 ( $e$ ) via un réseau de plongement entièrement connecté. Une tête de projection ( $z$ ) est utilisée pendant l'entraînement mais écartée lors de l'inférence.
Objectif d'entraînement : Le modèle est entraîné en utilisant l'Apprentissage Contrastif Supervisé (SupCL). Contrairement à la classification standard, le SupCL construit des paires positives à partir d'essais de la même catégorie clinique et des paires négatives à partir de catégories différentes au sein d'un même lot (batch). La fonction de perte minimise la distance entre les plongements de la même classe tout en maximisant la distance entre les classes différentes dans l'espace latent.
Construction du biomarqueur : Après l'entraînement, des vecteurs de prototypes spécifiques aux classes ( $\mu_H, \mu_N, \mu_O$ ) sont calculés comme les centroïdes normalisés des plongements d'entraînement pour les groupes Sain, Neurologique et Orthopédique. Pour un nouvel essai avec un plongement $e$ , l'EDGB est calculé comme une valeur scalaire basée sur les distances euclidiennes par rapport à ces prototypes : $DBM = d_H + d_N - d_O$ . Cette formulation est conçue pour maximiser la séparation, où des valeurs plus faibles indiquent une proximité avec le groupe neurologique et des valeurs plus élevées indiquent une proximité avec le groupe orthopédique.
Protocole d'évaluation : Une division stricte par sujet (80 % entraînement, 20 % test) est utilisée pour éviter la fuite de données provenant des essais répétés du même participant.

Principales contributions

Définition d'un nouveau biomarqueur : L'introduction de l'EDGB, un biomarqueur numérique scalaire dérivé de la distance d'un plongement de marche par rapport aux prototypes de classes appris, fournissant une représentation compacte de la dynamique de marche complexe.
Cadre contrastif supervisé : L'application du SupCL aux données d'IMU portables pour apprendre un espace latent discriminatif qui regroupe efficacement les catégories cliniques sans dépendre de l'ingénierie manuelle de caractéristiques.
Intégration de la dynamique d'ordre supérieur : L'inclusion explicite des signaux dérivés (jerk et accélération angulaire) comme canaux d'entrée, démontrant leur rôle critique dans la capture des dynamiques de mouvement.
Validation rigoureuse : Évaluation sur des sujets non vus avec un accent mis sur la répétabilité (ICC) et la signification statistique (ANOVA), garantissant que le biomarqueur reflète les caractéristiques propres au sujet plutôt que le bruit d'essai à essai.

Résultats

Performance discriminative : Sur l'ensemble de test réservé, l'EDGB a atteint une précision globale de 84 % pour la classification des sujets dans les trois groupes cliniques.
- Sain vs Neurologique : AUC = 90,59 %
- Sain vs Orthopédique : AUC = 88,47 %
- Neurologique vs Orthopédique : AUC = 99,50 % (séparation quasi parfaite)
- L'AUC moyenne macro de l'EDGB était de 92,85 %, surpassant nettement la meilleure caractéristique conventionnelle extraite manuellement (temps de demi-tour), qui a atteint une macro-AUC de 76,48 %.
Signification statistique : L'analyse ANOVA a révélé que la catégorie clinique expliquait 7 de la variance de l'EDGB ( $\eta^2 = 0,7104$ ), une taille d'effet nettement supérieure à n'importe quelle mesure de marche conventionnelle (la suivante étant le temps de demi-tour avec $\eta^2 = 0,1628$ ).
Fiabilité : Le biomarqueur a démontré une haute répétabilité entre les essais avec un coefficient de corrélation intraclasse (ICC(2,1)) de 0,82, indiquant que 82 % de la variance est attribuable aux différences entre les sujets.
Interprétabilité : L'analyse de corrélation a montré de faibles associations avec les caractéristiques temporelles conventionnelles (ex. : temps de pas, cadence), mais des corrélations modérées à fortes avec les caractéristiques de signaux liées au jerk (ex. : jerk maximum, variabilité du jerk), particulièrement à partir des capteurs montés sur les pieds. Cela suggère que le biomarqueur capture des caractéristiques de mouvement dynamiques au-delà des simples mesures temporelles.
Études d'ablation :
- Importance des capteurs : Les capteurs montés sur les pieds (pied droit et pied gauche) ont fourni les informations les plus discriminantes.
- Canaux d'entrée : L'inclusion des signaux dérivés (jerk et accélération angulaire) a amélioré la macro-AUC de 89,64 % (signaux bruts uniquement) à 92,85 %.

Signification et affirmations
L'article affirme que le cadre EDGB proposé réussit à transformer les enregistrements multi-capteurs d'IMU en un biomarqueur numérique compact, informatif et objectif. Les auteurs soutiennent que la représentation apprise capture des caractéristiques de marche subtiles et multidimensionnelles spécifiques aux troubles neurologiques et orthopédiques qui ne sont pas adéquatement représentées par les descripteurs traditionnels extraits manuellement. L'étude souligne que le biomarqueur est particulièrement efficace pour distinguer les différents modèles de marche pathologique (neurologique vs orthopédique), une tâche où les mesures conventionnelles éprouvent souvent des difficultés. Les auteurs concluent que l'apprentissage contrastif supervisé offre un cadre efficace pour développer des biomarqueurs cliniquement utiles, à condition que les protocoles d'évaluation par sujet soient strictement respectés. L'étude reconnaît des limites concernant la catégorisation large des maladies et suggère que les travaux futurs devraient se concentrer sur des sous-types de maladies plus fins et sur le suivi longitudinal de la progression de la maladie.