⚡ electrical engineering

Foot Clearance Estimation Under Varying Gait Speeds: Comparative Analysis of Real-Time and Time-Normalized Approaches Using Inertial Measurement Units

Questo studio dimostra che un framework di apprendimento automatico che utilizza sensori inerziali montati sul piede può stimare accuratamente le traiettorie continue del clearance del piede attraverso diverse velocità di camminata, con una prestazione influenzata dalla velocità del passo, dalla rappresentazione temporale e dalla selezione delle caratteristiche dei sensori.

Autori originali: Mostafa Haj Lotfalian, Peyman Aghaie Ataabadi, Javad Sarvestan

Pubblicato 2026-07-06

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Mostafa Haj Lotfalian, Peyman Aghaie Ataabadi, Javad Sarvestan

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di camminare attraverso una stanza affollata. Per evitare di inciampare in un tappeto o urtare una sedia, il tuo cervello calcola inconsciamente esattamente quanto in alto sollevare il piede. Questo "gap di sicurezza" tra la tua scarpa e il pavimento è chiamato foot clearance (distacco del piede). Se questo spazio è troppo piccolo o instabile, potresti inciampare.

Per anni, gli scienziati sono stati in grado di misurare perfettamente questo spazio, ma solo all'interno di un laboratorio sofisticato utilizzando telecamere costose che tracciano minuscoli puntini riflettenti sui piedi. Il problema? Non puoi indossare una stanza piena di telecamere per andare al supermercato o mentre corri al parco.

Questo studio pone una domanda semplice: possiamo usare un piccolo sensore economico fissato al piede (come uno smartwatch per la tua scarpa) per indovinare il distacco del piede altrettanto bene di quelle grandi telecamere?

Ecco la ripartizione del loro esperimento e di ciò che hanno scoperto, spiegato in modo semplice.

L'esperimento: Il test delle "Tre Velocità"

I ricercatori hanno riunito 6 mostrato 68 giovani sani e hanno fissato due piccoli sensori (chiamati IMU) ai loro piedi. Questi sensori agiscono come un piccolo pilota, percependo ogni scossa, rotazione e inclinazione del piede.

Per vedere se i sensori erano accurati, hanno confrontato i dati del sensore con lo "standard di riferimento" (il sistema a telecamere). Hanno fatto camminare i partecipanti su un tapis roulant a tre diverse velocità:

Lenta: Una passeggiata rilassata.
Preferita: La loro velocità naturale e confortevole.
Veloce: Una camminata spedita e frettolosa.

Le due grandi domande

I ricercatori non volevano solo sapere se i sensori funzionassero; volevano sapere come elaborare i dati per ottenere i migliori risultati. Hanno testato due variabili principali:

1. L'approccio "Viaggio nel tempo" vs. "Tempo reale"

Normalizzato nel tempo (L'approccio della "Ricetta"): Immagina di avere una canzone di 10 minuti e una di 20 minuti. Per confrontarle, le comprimi o le allarghi entrambe per farle durare esattamente 1 minuto. Questo è ciò che i ricercatori hanno fatto con i dati del cammino. Hanno costretto ogni passo ad avere la stessa percentuale di un ciclo, indipendentemente da quanto velocemente la persona stesse camminando. Questo è comune nella scienza, ma elimina la tempistica reale.
Tempo reale (L'approccio dello "Streaming Live"): Questo mantiene i dati esattamente come sono accaduti. Se hai camminato velocemente, il passo è stato breve e rapido. Se hai camminato lentamente, il passo è stato lungo e dilatato. Il computer ha dovuto imparare il modello senza comprimere il tempo.

2. Il "Kit completo" vs. "L'essenziale"

Set di funzionalità completo: I sensori hanno tre strumenti: un accelerometro (percepisce la velocità), un giroscopio (percepisce la rotazione) e un magnetometro (percepisce il campo magnetico terrestre, come una bussola). Li hanno usati tutti e tre.
Set di funzionalità ridotto: Hanno spento la "bussola" (magnetometro). Perché? Perché le bussole possono confondersi con armadietti metallici o apparecchi elettronici nel mondo reale. Volevano vedere se gli altri due strumenti fossero sufficienti.

I Risultati: Cosa ha funzionato meglio?

I ricercatori hanno utilizzato un programma informatico intelligente (Machine Learning) per apprendere la connessione tra le scosse del sensore e l'effettiva altezza del piede. Ecco cosa hanno scoperto:

I sensori hanno funzionato molto bene: Le ipotesi del computer erano molto vicine alle misurazioni della telecamera. È stato come avere uno studente che prende un "A" al test, corrispondendo alla chiave di risposta dell'insegnante circa il 75% - 85% delle volte.
La "Bussola" ha aiutato, ma non era essenziale: Usare il kit completo (incluso il magnetometro) ha dato risultati leggermente migliori, specialmente in laboratorio. Tuttavia, l'approccio "Solo l'essenziale" (accelerometro + giroscopio) ha funzionato molto bene. Questo è una buona notizia perché significa che non è necessario un ambiente magnetico perfetto per ottenere buoni dati.
La velocità conta, ma il modello è riuscito a gestirla: Camminare più velocemente ha cambiato i dati, ma il modello è stato abbastanza intelligente da gestire la camminata lenta, normale e veloce senza rompersi.
Tempo vs. Tempo reale: Sorprendentemente, l'approccio "Tempo reale" (mantenendo la velocità naturale) ha funzionato altrettanto bene dell'approccio "Normalizzato nel tempo" (comprimendo il tempo). Questo è un grande passo avanti perché il "Tempo reale" è esattamente ciò di cui hai bisogno per un dispositivo indossabile che fornisce un feedback mentre cammini, piuttosto che dopo che hai finito.

Il punto fondamentale

Lo studio conclude che puoi fissare un piccolo sensore al piede e usare un programma per computer per tracciare accuratamente quanto in alto sollevi il piede mentre cammini, anche se cambi velocità.

Per il Laboratorio: Se hai un ambiente controllato, usare tutti i dati del sensore (inclusa la bussola) offre la precisione assoluta migliore.
Per il Mondo Reale: Se vuoi costruire un dispositivo per l'uso quotidiano (come una soletta o un gadget da agganciare), puoi saltare la bussola e usare i dati in "Tempo reale". È più semplice, più robusto contro le interferenze magnetiche e basta accurato per essere utile.

In breve, i ricercatori hanno dimostato che non abbiamo bisogno di una stanza piena di telecamere per sapere se stai per inciampare. Un piccolo sensore sul piede, abbinato a un algoritmo intelligente, può raccontarci la stessa storia, che stiamo passeggiando o correndo.

Sintesi Tecnica: Stima del Clearance del Piede Sotto Varie Velocità di Camminata

Definizione del Problema
Il clearance del piede (foot clearance), definito come la traiettoria verticale del piede durante la fase di oscillazione, è un marker biomeccanico critico per valutare il rischio di inciampo e la stabilità del cammino. Sebbene i sistemi di motion capture ottico (MoCap) fungano da standard di riferimento per la misurazione di questa variabile, la loro elevata scomodità, la natura legata al laboratorio e l'incapacità di supportare il monitoraggio continuo o il biofeedback in tempo reale ne limitano l'utilità negli ambienti quotidiani. Le unità di misura inerziale (IMU) offrono un'alternativa portatile e a basso costo; tuttavia, stimare traiettorie continue di clearance del piede dai segnali IMU rimane tecnicamente complesso. Gli approcci tradizionali di elaborazione del segnale basati sulla doppia integrazione e sulle trasformazioni di coordinate sono soggetti a propagazione dell'errore, in particolare quando le velocità di camminata variano, poiché il cambiamento di velocità altera la durata dell'oscillazione, la traiettoria del piede e la relazione temporale tra gli eventi del passo e il picco del movimento. Inoltre, esiste un vuoto metodologico riguardo a come le serie temporali del passo debbano essere rappresentate per la modellazione: se utilizzare dati normalizzati nel tempo (comuni in biomeccanica, ma che rimuovono l'informazione temporale assoluta) o dati in tempo reale non normalizzati (che preservano la struttura nativa ma introducono sequenze a lunghezza variabile). Inoltre, l'impatto delle configurazioni dei sensori e delle caratteristiche (feature), specificamente l'inclusione o l'esclusione dei dati del magnetometro, sull'accuratezza della stima attraverso diverse velocità rimane poco chiaro.

Metodologia
Lo studio ha sviluppato e valutato un framework di machine learning per stimare le traiettorie continue di clearance del piede utilizzando IMU montate sul piede.

Partecipanti: 68 giovani adulti sani (età media 21,8 ± 3,6 anni) hanno camminato su un tapis roulant a tre velocità: lenta (20% sotto la preferita), preferita e veloce (20% sopra la preferita).
Acquisizione Dati: I dati sincronizzati sono stati raccolti utilizzando un sistema MoCap optoelettronico (120 Hz, sovracampionato a 250 Hz) come ground truth e due IMU montate sul piede (250 Hz). Le IMU fornivano segnali triassiali di accelerometro, giroscopio e magnetometro. In particolare, i dati IMU sono stati pre-elaborati a livello di firmware (calibrazione, compensazione del bias, stima dell'orientamento tramite algoritmo di Madgwick) piuttosto che come misurazioni grezze.
Disegno Sperimentale: Lo studio ha confrontato due rappresentazioni temporali:
1. Tempo-Normalizzata (TN): I cicli del passo sono stati normalizzati a una percentuale fissa (1300 punti per partecipante).
2. Tempo Reale (RT): I dati grezzi sono stati estratti dal primo contatto del tallone fino alla fine del 13° ciclo senza normalizzazione (lunghezza variabile, ~2500–3500 punti).
Configurazioni delle Caratteristiche (Feature): Sono stati testati due set di input per il modello di machine learning:
1. Set Completo: 18 caratteristiche (tutti gli assi di accelerometro, giroscopio e magnetometro da entrambi i piedi).
2. Set Ridotto: 12 caratteristiche (solo accelerometro e giroscopio, escludendo i dati del magnetometro).
Modellazione: Un modello di Bagged Tree Regression è stato addestrato sull'85% dei dati (58 partecipanti) ed è stato testato sul 15% (10 partecipanti). Gli iperparametri sono stati ottimizzati tramite grid search con cross-validazione a 5 pieghe (5-fold).
Analisi: Le prestazioni sono state valutate tramite analisi di Bland–Altman, errore quadratico medio (RMSE), coefficiente di determinazione ( $R^2$ ), coefficiente di correlazione intraclasse (ICC) e bias. Un'ANOVA a misure ripetute a tre vie ha esaminato gli effetti di Velocità, Rappresentazione Temporale e Set di Caratteristiche.

Risultati Chiave

Prestazioni Complessive: Il modello ha dimostrato un forte accordo con il riferimento MoCap in tutte le condizioni. I valori di $R^2$ sono variati approssimativamente tra 0,75 e 0,83, e i valori di ICC tra 0,75 e 0,88.
Impatto del Set di Caratteristiche: Il set di caratteristiche completo (inclusi i dati del magnetometro) ha generalmente prodotto un RMSE inferiore e una maggiore affidabilità rispetto al set ridotto. Tuttavia, il set ridotto è rimasto affidabile, in particolare nelle condizioni di camminata veloce.
Rappresentazione Temporale: Gli approcci in tempo reale e quelli tempo-normalizzati hanno prodotto prestazioni ampiamente comparabili. Sebbene siano state trovate differenze statistiche (il metodo RT mostrava un RMSE leggermente inferiore in alcuni confronti), nessuno dei due approcci è stato universalmente superiore in tutte le condizioni.
Velocità e Interazioni: La velocità di camminata ha influenzato significativamente l'errore di stima. Fondamentalmente, sono stati osservati effetti di interazione significativi tra Velocità, Rappresentazione Temporale e Set di Caratteristiche. Ciò indica che l'impatto della velocità sull'errore non è isolato, ma dipende dalla specifica combinazione di rappresentazione temporale e caratteristiche del sensore. Ad esempio, in condizioni di Tempo Reale, le differenze tra velocità Alta e Bassa/Media sono state significative, mentre in condizioni Tempo-Normalizzate, tutti i confronti a coppie di velocità sono stati significativi.

Significatività e Rivendicazioni
L'articolo sostiene di affrontare un vuoto metodologico nell'analisi del cammino tramite wearable, chiarendo come la rappresentazione temporale e la selezione delle caratteristiche del sensore influenzino la stima del clearance del piede sotto diverse velocità.

Fattibilità: Lo studio supporta la fattibilità dell'uso di IMU montate sul piede combinate con il machine learning per stimare le traiettorie continue di clearance del piede, non solo eventi discreti come il minimo clearance del dito (minimum toe clearance).
Guida Metodologica: I risultati suggeriscono che preservare l'informazione temporale nativa (approccio Tempo Reale) è sufficiente per una stima accurata e può essere preferibile per future applicazioni wearable online, poiché evita la necessità di una normalizzazione del ciclo del passo post-hoc.
Implementazione Pratica: Sebbene il set di caratteristiche completo offra le migliori prestazioni in laboratorio, la configurazione ridotta priva di magnetometro è evidenziata come un'alternativa pratica per l'implementazione nel mondo reale. Questo perché i magnetometri sono suscettibili a disturbi magnetici in ambienti non controllati, mentre il set ridotto (solo accelerometro/giroscopio) rimane affidabile e semplifica l'implementazione in sistemi embedded.
Robustezza: Il framework dimostra robustezza attraverso velocità di camminata lenta, preferita e veloce, sebbene gli autori notino che le prestazioni del modello sono dipendenti dalla condizione piuttosto che interamente indipendenti dalla velocità.

Limitazioni
Gli autori riconoscono che lo studio è stato condotto su giovani adulti sani in un ambiente controllato su tapis roulant, limitando la generalizzabilità ad anziani, popolazioni cliniche, camminata al suolo (overground) o su superfici irregolari. Inoltre, l'uso di dati IMU pre-elaborati (a livello di firmware) piuttosto che di segnali strettamente grezzi significa che i risultati si applicano alle misurazioni del sensore fornite dal produttore. Infine, l'uso del motion capture ottico come riferimento, sebbene standard, è soggetto ai propri limiti riguardanti il posizionamento dei marker e gli artefatti dei tessuti molli.

L'esperimento: Il test delle "Tre Velocità"

Le due grandi domande

I Risultati: Cosa ha funzionato meglio?

Il punto fondamentale

Articoli simili