Real-Time and Real-World Gait Monitoring on a Wearable Device: A Fully Embedded System for Parkinson’s Disease

技術要約：ウェアラブルデバイスによるリアルタイムかつ実世界での歩行モニタリング

問題提起
歩行障害はパーキンソン病（PD）の主要な徴候であり、進行性の悪化や、すくみ足、転倒といった一過性の変動を特徴とする。定量的な歩行評価は、疾患の進行や治療効果を監視する上で極めて重要であるが、既存のシステムはオフライン処理やラボベースの機器に依存することが多い。これらの制限は、日常生活の中で発生する一過性の歩行の変化を捉えることを妨げている。さらに、データ駆動型のアプローチ（例：ディープラーニング）はオフライン分析において有望な結果を示しているものの、強力なプロセッシングユニット、マルチセンサー構成、または外部コンピューティングリソースを必要とすることが多く、組み込みウェアラブルプラットフォーム上での連続的で目立たない低遅延モニタリングには適していない。したがって、PD患者の日常生活におけるモニタリングにおける計算資源およびエネルギーの制約下で効果的に動作する、軽量で完全に組み込まれた、デバイス上でのリアルタイム歩行分析が可能なシステムへの具体的なニーズが存在する。

手法
本研究では、リアルタイム歩行分析のために設計された、靴に装着するタイプの完全組み込み型センサーシステムを開発し、検証した。このアプローチは、ハードウェアアーキテクチャ、アルゴリズム設計、および2段階の検証フレームワークという3つの主要な要素で構成されている。

• ハードウェアアーキテクチャ: システムは、LSM6DSO慣性計測装置（IMU）と統合されたマイクロコントローラベースのプロセッシングユニット（初期モデルはNordic nRF52833 SoCおよびArm Cortex-M4プロセッサを搭載したANNA-B4評価ボード）を利用している。IMUは、100 Hzのレートで3軸加速度（±16 g）およびジャイロスコープ（±2000 °/s）データを取得する。システムはコンパクト（約2.5 x 3.5 cm）に設計されており、処理された歩行パラメータをBluetooth 5.1を介して外部クライアントに送信する。
• アルゴリズム・パイプライン: ソフトウェアは、低遅延かつ決定論的な実行を保証するために、2段階のルールベース・アルゴリズムを採用している。
  1. 動きの検出: ジャイロスコープ信号のノルム（Gyr-norm）を用いた閾値ベースの分類器により、運動状態と非運動状態を区別する。この段階により、歩行していない期間中の不要な処理を防止する。
  2. イベント検出およびストライド分割: 動きが検出されると、アルゴリズムは3秒間のオーバーラップする解析ウィンドウ内でジャイロスコープのy軸信号を処理する。負のピークによるMid-Swing（MSW）、ゼロ交差によるTerminal Contact（TC）、正のピークによるInitial Contact（IC）、およびゼロ速度区間によるMid-Stance（MST）の4つの主要な歩行イベントを順次特定する。
  3. パラメータ推定: これらのイベントに基づき、システムは時間的パラメータであるストライド時間（Stride Time）、スイング時間（Swing Time）、およびスタンス時間（Stance Time）を算出する。
• データセットと検証:
  • FallRiskPDデータセット: アルゴリズムの開発およびパラメータの最適化に使用。これには、28名のPD患者による自宅およびラボでの記録が含まれる。パラメータのチューニング（動きの検出および歩行分析用）のため、データはリアルタイムストリームとしてシミュレートされ、クロスバリデーション（4分割）が行われた。
  • TestESデータセット: 真のリアルタイム、エンドツーエンドのシステム検証に使用された、18名の健康な被験者による独立したデータセット。このコホートは、無線送信およびパラメータ配信を含むライブシステムの性能をテストするため、監督下および自己主導型の歩行タスクを行った。

主な結果

• 動きの検出: 最適化されたGyr-normを用いたシステムは、PDの自宅記録において88.4%、TestESデータセットにおいて98.0%のF1スコアを達成した。極めて重要な点として、PDの自宅データにおいて99.9%の歩行リコールを維持しており、ほぼすべての歩行期間が検出された。
• ストライド分割: システムは、PDの自宅記録で85.4%、TestESデータセットで95.4%のF1スコアを達成した（Dynamic Time Warpingによる参照と比較）。
• 時間的精度: オフラインの参照手法と比較して、システムは高い時間的パラメータ精度を示した：
  • ストライド時間：絶対パーセント誤差（APE）は、PD自宅で0.3%、TestESで0.0 ± 0.3%。
  • スイング時間：APEは、PD自宅で6.5%、TestESで4.6%。
  • スタンス時間：APEは、PD自宅で3.6%、TestESで2.5%。
• 計算性能: システムは低遅延で動作する。更新あたりの平均実行時間は1.245 msであり、最悪実行時間は9.219 msであった。平均パラメータ配信遅延は1.169秒であり、これは主に堅牢なイベント検出に必要な3秒間の解析ウィンドウに起因する。

意義および主張
著者らは、本研究が臨床グレードの精度とウェアラブルデバイスの計算資源の制約との間の溝を埋めることに成功した、完全組み込み処理を備えたポータブルなリアルタイム歩行分析システムを提示していると主張している。本研究の意義は以下の通りである：

1. 実世界への適用可能性: 多くの先行研究がラボ内の健康な被験者のみで検証されているのに対し、本システムはPD患者の非監督下の自宅記録を用いてパラメータを最適化しており、日常生活における変動やアーチファクトに対する堅牢性を示している。ただし、本研究では、センサーハードウェアを患者による非監督下のリアルタイムな実世界使用に展開することは、現在の検証段階における倫理的およびロジスティックな範囲外であることを明記している。
2. 低遅延なデバイス上処理: 計算負荷の高い機械学習モデルではなく、軽量なルールベースのヒューリスティック・パイプラインを利用することで、システムは低遅延かつ低消費電力での連続的なモニタリングを実現しており、長期的な展開に適している。
3. 介入への基盤: リアルタイムで歩行の時間的パラメータを算出できる能力は、将来のリアルタイムなフィードバックおよび介入戦略、特にPD患者における運動変動や潜在的な転倒リスクの検出のための技術的基盤を提供する。

本論文は、システムがPD患者からのシミュレートされたリアルタイムデータおよび健康な対照群からのライブデータにおいて信頼できる性能を示した一方で、PD患者におけるライブ性能が同等であることは推論できず、さらなる検証が必要であると結論付けている。現在の結果は、軽量な2段階のパイプラインが、オフライン手法に匹敵する信頼性の高い連続的な歩行評価を提供できることを示しており、非監督下の実世界環境でのさらなる検証を待たずとも、患者中心のモニタリングのための実用的な代替案を提示している。