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

Technische Samenvatting: Supervised Contrastive Learning-gebaseerde ontdekking van digitale biomarkers voor draagbare IMU-loopsignalen

Probleemstelling
Draagbare inertiële meeteenheden (IMU's) bieden een praktische methode voor loopanalyse, maar traditionele benaderingen die vertrouwen op handmatig gemaakte kenmerken (bijv. staptijd, cadans) falen vaak in het vastleggen van de volledige multidimensionale aard van pathologische looppatronen. Hoewel deep learning-modellen complexe patronen uit ruwe signalen kunnen leren, functioneren ze vaak als "black boxes" met beperkte interpreteerbaarheid en kunnen ze lijden onder informatielekkage wanneer evaluatieprotocollen gebruikmaken van trial-wise splits in plaats van subject-wise splits. Bovendien missen bestaande methoden vaak een verenigde, compacte digitale biomarker die objectief tussen gezonde, neurologische en orthopedische looppatronen kan onderscheiden terwijl de klinische relevantie behouden blijft.

Methodologie
De studie stelt een digitale biomarker voor, getiteld de Embedding-Distance Gait Biomarker (EDGB), afgeleid van supervised contrastive representation learning. De methodologie omvat de volgende componenten:

• Dataset: Het onderzoek maakt gebruik van de publiekelijk beschikbare Voisard klinische loopdataset, bestaande uit 1.356 loop-trials van 260 deelnemers (73 gezond, 143 neurologisch, 44 orthopedisch). Gegevens werden verzameld met vier gesynchroniseerde IMU's (hoofd, onderrug, linker voet, rechter voet) die 3-assige versnelling en hoeksnelheid opnamen met 100 Hz.
• Input Preprocessing: Het netwerk accepteert 16 inputkanalen per trial. Deze omvatten de magnitude van versnelling ($\|a\|$), hoeksnelheid ($\|\omega\|$), en hun eerste temporele afgeleiden (jerk $\|j\|$ en hoekversnelling $\|\alpha\|$) van alle vier de sensoren. Alle signalen worden gehersampled naar een vaste lengte van 1.900 samples (~19 seconden).
• Deep Learning Architectuur: Een compacte 1D Convolutional Neural Network (CNN) wordt ingezet als encoder. Deze bestaat uit drie convolutionele lagen (met 4, 8 en 16 kanalen) gevolgd door batch normalisatie, ReLU-activaties en max-pooling. De output wordt verwerkt via adaptieve average en max pooling om een 256-dimensionale feature vector te genereren. Deze wordt via een fully connected embedding netwerk gemapt naar een 32-dimensionale latente embedding ruimte ($e$). Een projectiekop ($z$) wordt gebruikt tijdens de training maar wordt verworpen tijdens de inferentie.
• Trainingsdoel: Het model wordt getraind met Supervised Contrastive Learning (SupCL). In tegen tegenstelling tot standaard classificatie, construeert SupCL positieve paren van trials uit dezelfde klinische categorie en negatieve paren van verschillende categorieën binnen een batch. De verliesfunctie minimaliseert de afstand tussen embeddings van dezelfde klasse terwijl de afstand tussen verschillende klassen in de latente ruimte wordt gemaximaliseerd.
• Biomarker Constructie: Na de training worden klasse-specifieke prototype vectoren ($\mu_H, \mu_N, \mu_O$) berekend als de genormaliseerde centroids van de trainings-embeddings voor de Gezonde, Neurologische en Orthopedische groepen. Voor een nieuwe trial met embedding $e$, wordt de EDGB berekend als een scalair waarde gebaseerd op de Euclidische afstanden tot deze prototypes: $DBM = d_H + d_N - d_O$. Deze formulering is ontworpen om separatie te maximaliseren, waarbij lagere waarden wijzen op nabijheid tot de neurologische cluster en hogere waarden op nabijheid tot de orthopedische cluster.
• Evaluatieprotocol: Een strikte subject-level split (80% training, 20% test) wordt gebruikt om data-lekkage van herhaalde trials van dezelfde deelnemer te voorkomen.

Belangrijkste Bijdragen

1. Nieuwe Biomarker Definitie: De introductie van EDGB, een scalair digitale biomarker afgeleid van de afstand van een loop-embedding tot geleerde klasse-prototypes, wat een compacte representatie biedt van complexe loopdynamiek.
2. Supervised Contrastive Framework: De toepassing van SupCL op draagbare IMU-data om een discriminerende latente ruimte te leren die klinische categorieën effectief clustert zonder afhankelijk te zijn van handmatige feature engineering.
3. Integratie van Hogere-Orde Dynamiek: De expliciete inclusie van jerk en hoekversnelling afgeleiden als inputkanalen, wat hun cruciale rol bij het vastleggen van bewegingsdynamiek aantoont.
4. Strikte Validatie: Evaluatie op ongeziene subjecten met een focus op herhaalbaarheid (ICC) en statistische significantie (ANOVA), wat garandeert dat de biomarker subject-specifieke kenmerken reflecteert in plaats van trial-to-trial ruis.

Resultaten

• Discriminatieve Prestaties: Op de onafhankelijke testset behaalde de EDGB een algehele nauwkeurigheid van 84% bij het classificeren van subjecten in de drie klinische groepen.
  • Gezond vs. Neurologisch: AUC = 90,59%
  • Gezond vs. Orthopedisch: AUC = 88,47%
  • Neurologisch vs. Orthopedisch: AUC = 99,50% (bijna perfecte separatie)
  • De macro-gemiddelde AUC voor EDGB was 92,85%, wat de beste conventionele handmatige feature (U-turn tijd), die een macro-AUC van 76,48% behaalde, aanzienlijk overtrof.
• Statistische Significantie: ANOVA-analyse toonde aan dat de klinische categorie 71% van de variantie verklaarde in de EDGB ($\eta^2 = 0,7104$), een substantieel hogere effectgrootte dan welke conventionele loopmaat dan ook (de op één na hoogste was U-turn tijd met $\eta^2 = 0,1628$).
• Betrouwbaarheid: De biomarker vertoonde een hoge herhaalbaarheid over trials met een Intraclass Correlation Coefficient (ICC(2,1)) van 0,82, wat aangeeft dat 82% van de variantie toe te schrijven is aan verschillen tussen subjecten.
• Interpreteerbaarheid: Correlatieanalyse toonde zwakke associaties met conventionele timing-kenmerken (bijv. staptijd, cadans), maar matige-tot-sterke correlaties met jerk-gerelateerde signaal-kenmerken (bijv. maximale jerk, jerk variabiliteit), met name vanuit de op de voet gemonteerde sensoren. Dit suggere de dat de biomarker dynamische bewegingskenmerken vastlegt die verder gaan dan eenvoudige temporele metrieken.
• Ablatie-studies:
  • Sensor Belang: Op de voet gemonteerde sensoren (Rechter Voet en Linker Voet) leverden de meest discriminerende informatie.
  • Inputkanalen: Het opnemen van afgeleide signalen (jerk en hoekversnelling) verbeterde de macro-AUC van 89,64% (alleen ruwe signalen) naar 92,85%.

Significantie en Claims
Het artikel claimt dat het voorgestelde EDGB-framework er succesvol in is geslaagd om multi-sensor IMU-opnames te transformeren naar een compacte, informatieve en objectieve digitale biomarker. De auteurs stellen dat de geleerde representatie subtiele, multidimensionale loopkenmerken vastlegt die specif