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

Sintesi Tecnica: Scoperta di Biomarker Digitali basata sull'Apprendimento Contrastivo Supervisionato per Segnali del Passo da IMU Indossabili

Problematica
Le unità di misura inerziale (IMU) indossabili offrono un metodo pratico per la valutazione del passo, tuttavia gli approcci tradizionali basati su caratteristiche predefinite (es. tempo di passo, cadenza) spesso non riescono a catturare la natura multidimensionale dei pattern patologici del cammino. Sebbene i modelli di deep learning possano apprendere pattern complessi dai segnali grezzi, essi funzionano frequentemente come "scatole nere" con interpretabilità limitata e possono soffrire di fuga di informazioni (information leakage) se i protocolli di valutazione utilizzano suddivisioni per prova anziché per soggetto. Inoltre, i metodi esistenti spesso mancano di un biomarker digitale unificato e compatto che possa distinguere oggettivamente tra pattern di cammino sani, neurologici e ortopedici mantenendo la rilevanza clinica.

Metodologia
Lo studio propone un biomarker digitale denominato Embedding-Distance Gait Biomarker (EDGB), derivato dall'apprendimento di rappresentazioni contrastive supervisionate. La metodologia prevede le seguenti componenti:

• Dataset: La ricerca utilizza il dataset clinico del passo Voisard, composto da 1.356 prove di cammino di 260 partecipanti (73 sani, 143 neurologici, 44 ortopedici). I dati sono stati raccolti utilizzando quattro IMU sincronizzate (testa, parte bassa della schiena, piede sinistro, piede destro) che registrano accelerazione a 3 assi e velocità angolare a 100 Hz.
• Pre-elaborazione dell'Input: La rete accetta 16 canali di input per ogni prova. Questi includono l'ampiezza dell'accelerazione ($\|a\|$), della velocità angolare ($\|\omega\|$) e le loro prime derivate temporali (jerk $\|j\|$ e accelerazione angolare $\|\alpha\|$) da tutti i quattro sensori. Tutti i segnali sono stati ricampionati a una lunghezza fissa di 1.900 campioni (~19 secondi).
• Architettura di Deep Learning: Viene impiegato un CNN (Convolutional Neural Network) 1D compatto come encoder. Esso consiste in tre strati convoluzionali (con 4, 8 e 16 canali) seguiti da batch normalization, attivazioni ReLU e max-pooling. L'output è elaborato tramite adaptive average e max pooling per generare un vettore di feature a 256 dimensioni. Questo viene mappato in uno spazio di embedding latente a 32 dimensioni ($e$) tramite una rete di embedding fully connected. Una testa di proiezione ($z$) è utilizzata durante l'addestramento ma scartata durante l'inferenza.
• Obiettivo di Addestramento: Il modello è addestrato utilizzando l'Apprendimento Contrastivo Supervisionato (SupCL). A differenza della classificazione standard, il SupCL costruisce coppie positive da prove della stessa categoria clinica e coppie negative da categorie diverse all'interno di un batch. La funzione di perdita minimizza la distanza tra gli embedding della stessa classe e massimizza la distanza tra classi diverse nello spazio latente.
• Costruzione del Biomarker: Dopo l'addestramento, vengono calcolati i vettori prototipo specifici per classe ($\mu_H, \mu_N, \mu_O$) come i centroidi normalizzati degli embedding di addestramento per i gruppi Sano, Neurologico e Ortopedico. Per una nuova prova con embedding $e$, l'EDGB è calcolato come un valore scalare basato sulle distanze euclidee da questi prototipi: $DBM = d_H + d_N - d_O$. Questa formulazione è progettata per massimizzare la separazione, dove valori più bassi indicano la vicinanza al cluster neurologico e valori più alti indicano la vicinanza al cluster ortopedico.
• Protocollo di Valutazione: Viene utilizzata una rigorosa suddivisione a livello di soggetto (80% addestramento, 20% test) per prevenire la fuga di dati da prove ripetute dello stesso partecipante.

Contributi Chiave

1. Nuova Definizione di Biomarker: L'introduzione dell'EDGB, un biomarker digitale scalare derivato dalla distanza dell'embedding del cammino dai prototipi di classe appresi, fornendo una rappresentazione compatta della dinamica del passo.
2. Framework Contrastivo Supervisionato: L'applicazione del SupCL ai dati IMU indossabili per apprendere uno spazio latente discriminativo che raggruppa efficacemente le categorie cliniche senza fare affidamento sull'ingegneria manuale delle feature.
3. Integrazione di Dinamiche di Ordine Superiore: L'inclusione esplicita dei segnali derivativi di jerk e accelerazione angolare come canali di input, dimostrando il loro ruolo critico nel catturare la dinamica del movimento.
4. Validazione Rigorosa: Valutazione su soggetti non visti con un focus sulla ripetibilità (ICC) e sulla significatività statistica (ANOVA), garantendo che il biomarker rifletta le caratteristiche specifiche del soggetto piuttosto che il rumore tra le prove.

Risultati

• Performance Discriminativa: Sul set di test tenuto separato, l'EDGB ha raggiunto un'accuratezza complessiva dell'84% nella classificazione dei soggetti nelle tre categorie cliniche.
  • Sano vs. Neurologico: AUC = 90,59%
  • Sano vs. Ortopedico: AUC = 88,47%
  • Neurologico vs. Ortopedico: AUC = 99,50% (separazione quasi perfetta)
  • L'AUC media macro dell'EDGB è stata del 92,85%, superando significativamente la migliore feature predefinita (tempo di U-turn), che ha raggiunto un macro-AUC di 76,48%.
• Significatività Statistica: L'analisi ANOVA ha rivelato che la categoria clinica spiegava il 71% della varianza nell'EDGB ($\eta^2 = 0,7104$), un effetto sostanzialmente più alto di qualsiasi misura convenzionale del passo (la seconda più alta era il tempo di U-turn con $\eta^2 = 0,1628$).
• Affidabilità: Il biomarker ha dimostrato un'alta ripetibilità tra le prove con un Coefficiente di Correlazione Intraclasse (ICC(2,1)) di 0,82, indicando che l'82% della varianza è attribuibile alle differenze tra i soggetti.
• Interpretabilità: L'analisi di correlazione ha mostrato associazioni deboli con le feature temporali convenzionali (es. tempo di passo, cadenza), ma correlazioni da moderate a forti con le feature del segnale legate al jerk (es. jerk massimo, variabilità del jerk), in particolare dai sensori montati sul piede. Ciò suggerisce che il biomarker cattura caratteristiche dinamiche del movimento oltre le semplici metriche temporali.
• Studi di Ablazione:
  • Importanza dei Sensori: I sensori montati sul piede (Piede Destro e Piede Sinistro) hanno fornito le informazioni più discriminanti.
  • Canali di Input: L'inclusione dei segnali derivativi (jerk e accelerazione angolare) ha migliorato il macro-AUC dal 89,64% (solo segnali grezzi) al 92,85%.

Significatività e Rivendicazioni
L'articolo afferma che il framework EDGB proposto trasforma le registrazioni multi-sensore IMU in un biomarker digitale compatto, informativo e oggettivo. Gli autori sostengono che la rappresentazione appresa cattura caratteristiche del cammino sottili e multidimensionali, specifiche per i disturbi neurologici e ortopedici, che non sono adeguatamente rappresentate dai descrittori tradizionali predefiniti. Lo studio evidenzia che il biomarker è particolarmente efficace nel distinguere tra diversi pattern di cammino patologici (neurologico vs. ortopedico), un compito in cui le misure convenzionali spesso faticano. Gli autori concludono che l'apprendimento contrastivo supervisionato offre un framework efficace per sviluppare biomarker clinicamente utili, a condizione che i protocolli di valutazione a livello di soggetto siano rigorosamente rispettati. Lo studio riconosce i limiti riguardanti la categorizzazione ampia delle malattie e suggerisce che il lavoro futuro dovrebbe concentrarsi su sottotipi di malattie più fini e sul monitoraggio longitudinale della progressione della malattia.