Data-Efficient Personalization of Gait Biomechanics: The Predominant Contribution of Subject-Specific Waveform Shape

技術要約：歩行バイオメカニクスにおけるデータ効率の高いパーソナライゼーション

問題提起
計測器を用いた歩行解析は、下肢関節モーメントを推定するためのゴールドスタンダードであるが、ラボ環境への依存が、臨床スクリーニングや支援機器のリアルタイム制御における有用性を制限している。ウェアラブルセンサーや集団モデルを用いた機械学習のアプローチは代替案となるが、被験者固有のパーソナライゼーションの効果を駆動する具体的なメカニズムの理解には、決定的な空白が存在する。具体的には、パーソナライゼーションによる予測上の優位性が、集団平均からの個人の偏差における特有の**時間的形状（temporal shape）に由来するのか、あるいは単にその振幅（amplitude/大きさ）**に由来するのかが不明である。この問題を解決することは、最小限の被験者固有データで済む、データ効率の高いキャリブレーション戦略の開発に不可なく。

手法
本研究では、42名の健康な参加者による328回の歩行試行を含むFukuchi Walking Biomechanicsデータセットを利用した。解析は以下の4段階のワークフローに従って実施された。

1. バイオメカニクス的検証： 代表的な参加者にスケーリングされたOpenSim筋骨格モデル（Rajagopalモデル）を用いて、6つの下肢関節（股関節、膝関節、足関節の両側）の関節モーメントを算出した。正規化された歩行位相（$0 \le \phi \le 1$）に対して、逆運動学および逆動力学をモーションキャプチャデータと床反力データに適用した。
2. 集団モデリング： 関節モーメントの波形を、5次の調和フーリエ基底を用いて表現した。歩行速度に基づいてフーリエ係数を予測するために、リッジ回帰モデル（$\alpha=1$）を学習させた。モデルの評価には、42名の被験者を対象としたLeave-One-Subject-Out（LOSO）交差検証スキームを用いた。
3. キャリブレーション・プロトコル： 各被験者について、3つの試行（T01–T03）を使用して被験者固有の補正量を推定し、3つの独立した試行（T04–T06）を評価用に保持した。補正量は、実測データと集団予測値との間の平均残差として定義された。
4. 形状・振幅の分解およびアブレーション解析： 被験者固有の補正量を、正規化された時間的形状（shape）（$s_{s,j}$）とスカラーの振幅（amplitude）（$A_{s,j}$）に分解した。各成分の寄与を分離するため、研究では入れ子構造のLOSOアブレーション手法を採用した：
   • フル・キャリブレーション（Full Calibration）： 被験者固有の形状と振幅の両方を適用。
   • 形状のみのキャリブレーション（Shape-Only Calibration）： 被験者固有の形状を適用するが、振幅には共通の集団振幅を置き換えて使用。
   • 振幅のみのキャリブレーション（Amplitude-Only Calibration）： 被験者固有の振幅を適用するが、形状には共通の集団形状を置き換えて使用。
   • 集団ベースライン（Population Baseline）： 歩行速度のみを使用し、被験者固有の補正を行わない。
     統計的有意性は、参加者レベルのRMSEに対して、Holmのステップダウン法で多重比較を補正したペアのウィルコクソン符号付順位検定を用いて評価された。

主な結果

• 集団予測： 歩行速度のみを用いた集団モデルは、全6関節において相当な精度を達成した（LOSO $R^2$ は0.70から0.92の範囲）。これにより、歩行速度が強力な予測因子であることが確立された。人体計測学的共変量を加えることで、関節ごとにわずかな改善が見られたが、主要な予測因子として速度単独の性能を上回ることはなかった。
• キャリブレーションの有効性： 3試行による被験者固有のキャリブレーションは、独立した試行（T04–T06）における予測誤差を有意に減少させ、集団モデルと比較して、プールされたRMSEを11.3%から34.1%減少させた。
• 形状の優位性： アブレーション解析により、残差補正の時間的形状がパーソナライゼーション効果の主要な要因であることが明らかになった。
  • 形状のみのキャリブレーションは、14.0–25.2%のRMSE減少を達成し、足関節においてはフル・キャリブレーションと同等、あるいはそれを上回る結果となった。
  • 振幅のみのキャリブレーションによるRMSE減少は極めて小さく（0.5–1.9%）、膝関節については統計的に有意ではなかった。
  • フル・キャリブレーションが形状のみのキャリブレーションを有意に上回ったのは、股関節においてのみであった。
• 統計的有意性： Holm補正後、形状のみのキャリブレーションは、全6関節において集団モデルに対する予測を有意に改善した。振幅のみのキャリブレーションは、膝を除き、股関節と足関節においてのみ有意であった。

意義および主張
本論文は、歩行バイオメカニクスのパーソナライゼーションは、被験者固有の残差の振幅ではなく、主にその時間的形状によって駆動されると主張している。この知見は、本フレームワークにおける特定の情報階層を確立するものである：歩行速度 $\rightarrow$ 集団波形 $\rightarrow$ 被験者固有の残差形状 $\rightarrow$ 被験者固有の振幅。

著者らは、歩行のパーソナライゼーションは、（振幅よりも）個人の時間的補正パターン（形状）を捉えることに重点を置いたデータ効率の高いキャリブレーション戦略によって、予測上の利益の大部分を達成できると結論付けている。これらの結果は、最小限のキャリブレーションデータ（例：3試行）を用い、複雑な振幅モデリングよりも波形の形状の取得を優先することで、パーソナライズされたリハビリテーションや支援機器の制御システムを開発することを支持している。著者らは、これらの知見が健康な参加者に基づいていることを明記しており、病理的な歩行や実世界の制御アプリケーションへの汎用性についてはさらなる検証が必要であるとしている。